На отраслевой конференции Сатьен Сангани, генеральный директор и соучредитель Alation, встретился с ИТ-директором ведущего производителя для одной из самых откровенных бесед мероприятия. Имея более миллиона автомобилей на дорогах, обязательство возвращать их в строй в течение 24 часов (как выразился ИТ-директор) и операции, охватывающие более ста локаций в нескольких странах, эта компания не может позволить себе эксперименты с ИИ, которые не приносят результата.
Результатом стал откровенный, практический взгляд на то, что на самом деле требуется для перевода корпоративного ИИ из пилотной стадии в производство, и что этому мешает.¹
Пробиваясь сквозь хайп вокруг ИИ: взгляд предприятия
ИТ-директор начал с точки зрения, которая могла удивить аудиторию лидеров в области данных, бизнеса и ИИ: он по-прежнему называет ИИ хайпом. Он не отвергает его. Он руководит несколькими инициативами в области ИИ у глобального производителя, но научился отделять шум от реальной ценности.
«Я все еще считаю это хайпом. Думаю, на бумаге этого больше, чем в реальном мире».
«Я все еще считаю это хайпом. Думаю, на бумаге этого больше, чем в реальном мире».
У этого скептицизма есть числовое выражение. По его оценкам, 60–70% сценариев использования ИИ, которые он рассмотрел за последние месяцы, не проходят его проверку на ценность. «Многие из сценариев использования, которые я видел за последние пару месяцев — я бы сказал, 60–70% из них я бы не стал запускать сейчас, потому что реализовать их, возможно, не так сложно, но эксплуатировать — слишком дорого для той ценности, которую они приносят».
Осторожность ИТ-директора перекликается с мнением аналитиков: Gartner предсказала в июне 2025 года, что more than 40% of agentic AI projects будут отменены к концу 2027 года, ссылаясь на растущие расходы и неясную бизнес-ценность (как сообщает Reuters).²
Вывод для руководителей в сфере данных и бизнеса: будьте честны в отношении совокупной стоимости владения, а не только стоимости внедрения. Потребление токенов и затраты на инференс быстро растут в масштабах предприятия, и расчет окупаемости должен сходиться в реальной эксплуатации, а не только на маркерной доске.
Сценарий использования, который изменил все: ИИ-агенты для запчастей для послепродажного обслуживания
Первое промышленное внедрение ИИ было сосредоточено на очень конкретной операционной проблеме. Небольшая группа специалистов по планированию материалов отвечала за управление более чем миллионом запчастей, координацию с сотнями поставщиков и обслуживание сотен дилерских центров, при этом соблюдая обещание клиентам по доставке запчастей в тот же день.
«У меня нет [сотен] планировщиков материалов, так что... на данный момент их [всего несколько]».
«У меня нет [сотен] планировщиков материалов, так что... на данный момент их [всего несколько]».
Соотношение объема работы к количеству сотрудников сделало проблему очевидной. Планировщики тратили большую часть своего дня на то, что ИТ-директор называет «операционной археологией»: ручное отслеживание того, была ли деталь заказана, отправлена, получена и доступна ли она в нужном распределительном центре. Был создан ИИ-агент для обработки именно этого рабочего процесса: мониторинга всей цепочки поставок запчастей, выявления дефицита до его возникновения и предоставления прогноза доступности запчастей на 7 дней вперед.
Этот сценарий использования примечателен тем, чем он отличается от классического машинного обучения. Вместо того чтобы просто предсказывать кривые износа деталей, агент проводит глубокое исследование по нескольким источникам данных (основные данные ERP, устаревшие складские системы, системы управления запасами дилеров), синтезируя их так, как это сделал бы опытный планировщик. Это ИИ как множитель силы.
Почему точность данных является решающим фактором для корпоративного ИИ
Чтобы заставить агента работать, потребовалось решить проблему, на которой спотыкаются большинство корпоративных программ ИИ: точность данных в разрозненных, устаревших исходных системах. Данные о запчастях компании хранятся в ERP, в разрозненных системах управления складами в каждом центре доставки запчастей и в платформах управления дилерами, ни одна из которых не была создана для взаимодействия друг с другом.
Центральную роль здесь сыграла AIOS от Alation. Установив согласованную структуру метаданных и контекст данных в этих источниках, команда смогла предоставить агенту надежные, четко определенные входные данные, необходимые для получения достоверных результатов. Важно отметить, что это была не просто техническая победа. Это была победа доверия.
«Самым лучшим моментом было, конечно, когда они пришли и сказали: „Да, это правильные данные. Это именно то, к чему я бы тоже пришел“».
«Самым лучшим моментом было, конечно, когда они пришли и сказали: „Да, это правильные данные. Это именно то, к чему я бы тоже пришел“».
Этот момент подтверждения от самих планировщиков материалов — людей, которые изначально скептически относились к передаче чего-либо системе, — стал поворотным моментом. Это подчеркивает важный урок: социальная цепочка важна так же, как и техническая. Привлечение конечных пользователей к проверке точности на ранних этапах — это способ выстроить доверие, которое поддерживает внедрение.
Поддержание этой точности — это постоянная работа. «Вам все равно нужно работать над точностью. Я думаю, что это всегда зависит от данных, которые вы вводите», — отметил ИТ-директор. «Работа с данными никогда не закончится».
ИИ как замена задач, а не замена рабочих мест
Одним из наиболее важных переосмыслений в беседе стало различие, проведенное ИТ-директором между заменой рабочих мест ИИ и заменой задач ИИ. Планировщики материалов никуда не делись. Они выполняют более ценную работу:
«Это не отнимает работу, это, по сути, убирает задачи из их повседневных операций... сейчас они занимаются темами, приносящими компании больше пользы. Они могут общаться с поставщиками, они могут изучать, используем ли мы — можем ли мы на самом деле объединять поставщиков?»
«Это не отнимает работу, это, по сути, убирает задачи из их повседневных операций... сейчас они занимаются темами, приносящими компании больше пользы. Они могут общаться с поставщиками, они могут изучать, используем ли мы — можем ли мы на самом деле объединять поставщиков?»
Эта концепция «изобилия» — термин, который Сангани использовал во время беседы, — является более продуктивным способом позиционирования ИИ внутри компании. Вместо того чтобы спрашивать «какую работу заберет машина?», спросите «какую более ценную работу это откроет?». Для бизнес-лидеров, пытающихся внедрить ИИ в осторожных командах, такое переосмысление необходимо.
Управление, обучение и управление изменениями: тяжелая работа по трансформации ИИ
ИТ-директор был откровенен в отношении своей собственной эволюции в вопросе управления (governance), темы, которой он когда-то сопротивлялся. «Я ненавижу и всегда ненавидел термин „управление“. Я никогда не хотел заниматься управлением, потому что говорил, что это, знаете ли, полиция и все такое. Я этого не хочу. Мне нужно — мы должны это делать, нам нужно — но эта тема требует сильного управления, а также сильного обучения».
Он не одинок в своей неприязни к управлению данными, но ставки сейчас высоки как никогда. Готовность данных — это то, на чем стопорятся многие корпоративные усилия в области ИИ: Gartner предсказала в феврале 2025 года, что организации будут abandon 60% of AI projects, не подкрепленные готовыми к ИИ данными, до 2026 года.³ В том же релизе Gartner сообщила, что 63% организаций либо не имеют правильных практик управления данными для ИИ, либо не уверены в их наличии, согласно опросу 1203 руководителей по управлению данными, проведенному в июле 2024 года.³
С точки зрения Alation, все остальное проистекает из этого: когда управление данными организовано плохо, теряется контекст, и участвующие в процессе люди перестают доверять результатам. Инвестиции компании в инфраструктуру данных, сделанные за годы до текущей волны ИИ, принесли свои плоды именно потому, что они сформировали у сотрудников мышление, ориентированное на работу с данными, которое теперь необходимо для внедрения ИИ.
Он был предельно откровенен и в отношении человеческого фактора трансформации. ИТ-директор отметил, что на производстве, в финансах и HR многие сотрудники воспринимают ИИ как угрозу.¹ «Вам нужно постепенно подводить их к тому, чтобы они работали с ним и получали собственный опыт». Давление со стороны руководства и беспокойство рядовых сотрудников часто направлены в противоположные стороны, и преодоление этого разрыва — одна из главных задач ИТ-директора сегодня.
Создание предприятия с поддержкой автономных агентов: что дальше
Глядя в будущее, видение ИТ-директора простирается далеко за рамки отдельных сценариев использования. Он работает над созданием «подключаемой» платформы агентской оркестрации — среды, где лучшие в своем классе агенты могут развертываться и управляться централизованно, с четкими ограничениями в отношении того, к каким данным каждый агент имеет доступ.
«Мечта заключается в том, чтобы создать такую платформу агентской оркестрации, на которой смогут работать все агенты... У меня есть концепция управления данными, которая гарантирует, что в системе не появятся агенты, использующие данные, доступ к которым я им не разрешал».
«Мечта заключается в том, чтобы создать такую платформу агентской оркестрации, на которой смогут работать все агенты... У меня есть концепция управления данными, которая гарантирует, что в системе не появятся агенты, использующие данные, доступ к которым я им не разрешал».
Это видение людей и «цифровых работников», действующих как члены одной команды в рамках единой цепочки создания стоимости, требует именно той инфраструктуры интеллектуального анализа данных масштаба предприятия, для создания которой была разработана платформа Alation. Как он резюмировал: «В определенном смысле у нас будут и люди, и цифровые работники, и они будут работать в одной команде над общими задачами, создавая ценность для компании».
Основные выводы для руководителей сферы данных и бизнеса
Эта история представляет собой четкий план для любой организации, которая серьезно настроена на внедрение ИИ в производство:
- Начните с конкретной проблемы, имеющей высокую ценность, а не с технологического решения в поисках варианта применения.
Начните с конкретной проблемы, имеющей высокую ценность, а не с технологического решения в поисках варианта применения.
- Инвестируйте в качество данных и управление метаданными перед развертыванием агентов. Точность — это в такой же степени вопрос доверия, в какой и техническая задача.
Инвестируйте в качество данных и управление метаданными перед развертыванием агентов. Точность — это в такой же степени вопрос доверия, в какой и техническая задача.
- Привлекайте конечных пользователей к циклу валидации на ранних этапах. Их поддержка определяет, будет ли агент реально использоваться.
Привлекайте конечных пользователей к циклу валидации на ранних этапах. Их поддержка определяет, будет ли агент реально использоваться.
- Строго измеряйте рентабельность инвестиций (ROI). Если эксплуатация сценария использования обходится слишком дорого по сравнению с приносимой им ценностью, он не проходит проверку на пригодность для предприятия.
Строго измеряйте рентабельность инвестиций (ROI). Если эксплуатация сценария использования обходится слишком дорого по сравнению с приносимой им ценностью, он не проходит проверку на пригодность для предприятия.
- Рассматривайте ИИ как замену задач, а не замену рабочих мест, чтобы сформировать у организации волю к переменам.
Рассматривайте ИИ как замену задач, а не замену рабочих мест, чтобы сформировать у организации волю к переменам.
Как отметил Сангани ближе к концу сессии, для выхода на уровень промышленной эксплуатации требуются «четкое определение проблемы, большое разнообразие источников данных, социальная цепочка, петли обратной связи и постоянные эволюционные изменения». Здесь нет коротких путей, но для организаций, проделавших фундаментальную работу с данными, открываются вполне реальные возможности.
Alation — это платформа аналитики данных, обеспечивающая работу надежного корпоративного ИИ. Начните диалог с нашей командой.
Источники и примечания
Каждое внешнее утверждение на этой странице поддается независимой проверке. Общедоступные источники перечислены здесь.
- Эта история основана на беседе на публичном отраслевом мероприятии. По просьбе клиента название компании и имя руководителя не разглашаются. Данные и цитаты, специфичные для клиента, приведены так, как их озвучил спикер во время сессии.
Эта история основана на беседе на публичном отраслевом мероприятии. По просьбе клиента название компании и имя руководителя не разглашаются. Данные и цитаты, специфичные для клиента, приведены так, как их озвучил спикер во время сессии.
- Gartner спрогнозировала, что к концу 2027 года более 40% проектов в области агентского ИИ будут отменены из-за растущих затрат и неясной ценности для бизнеса. — Reuters, через The Star, 25 июня 2025 г. ↗ https://www.thestar.com.my/tech/tech-news/2025/06/25/over-40-of-agentic-ai-projects-will-be-scrapped-by-2027-gartner-says
Gartner спрогнозировала, что к концу 2027 года более 40% проектов в области агентского ИИ будут отменены из-за растущих затрат и неясной ценности для бизнеса. — Reuters, через The Star, 25 июня 2025 г. ↗ https://www.thestar.com.my/tech/tech-news/2025/06/25/over-40-of-agentic-ai-projects-will-be-scrapped-by-2027-gartner-says
- Gartner прогнозирует, что до конца 2026 года организации откажутся от 60% проектов в сфере ИИ, не поддержанных данными, готовыми к работе с ИИ. Опрос 1203 руководителей служб управления данными, проведенный в июле 2024 года, показал, что 63% организаций либо не имеют правильных практик управления данными для ИИ, либо не уверены в их наличии. — Gartner, 26 февраля 2025 г. ↗ https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
Gartner прогнозирует, что до конца 2026 года организации откажутся от 60% проектов в сфере ИИ, не поддержанных данными, готовыми к работе с ИИ. Опрос 1203 руководителей служб управления данными, проведенный в июле 2024 года, показал, что 63% организаций либо не имеют правильных практик управления данными для ИИ, либо не уверены в их наличии. — Gartner, 26 февраля 2025 г. ↗ https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
АТРИБУЦИЯ АНАЛИТИКОВ И ОТКАЗ ОТ ОТВЕТСТВЕННОСТИ
Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, вопросы и ответы с Роксан Эддлали (Roxane Edjlali), 26 февраля 2025 г. Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 25 июня 2025 г.
Gartner не одобряет каких-либо поставщиков, продукты или услуги, описанные в ее исследовательских публикациях, и не рекомендует пользователям технологий выбирать только тех поставщиков, которые имеют самые высокие оценки или другие обозначения. Исследовательские публикации Gartner выражают мнение исследовательской организации Gartner и не должны рассматриваться как констатация фактов. Gartner отказывается от всех гарантий, выраженных или подразумеваемых, в отношении данного исследования, включая любые гарантии товарной пригодности или пригодности для конкретной цели. GARTNER и Magic Quadrant являются зарегистрированными товарными знаками и знаками обслуживания компании Gartner, Inc. и/или ее филиалов в США и других странах и используются здесь с разрешения. Все права защищены.
