Управление данными научило нас контролировать информацию, лежащую в основе решений. Теперь ИИ заставляет нас управлять самими решениями.

Работая с клиентами каждую неделю, я постоянно встречаю новый класс лиц, принимающих решения, которых никто не нанимал, никто не вводил в курс дела и почти никто не контролирует. Реальность такова, что ИИ-агенты принимают все больше решений, а человек «в контуре» часто появляется слишком поздно, чтобы на что-то повлиять. Фактически, Gartner прогнозирует, что к 2028 году не менее 15% повседневных рабочих решений будут приниматься автономно агентным ИИ.1 Не 15% задач. Нет. 15% решений. Это решения о ценообразовании, кредитных распоряжениях, изменении маршрутов цепочек поставок, разрешении проблем клиентов и так далее до бесконечности — все это делается на машинной скорости без участия человека.

Так кто же сегодня управляет этими решениями?

Честно говоря, для многих организаций ответ по-прежнему: никто.

С другой стороны, решение скрыто в цепочках электронных писем и электронных таблицах, в которых никто не может выполнить поиск. Этот разрыв — причина, по которой следующая глава нашей дисциплины заключается не в расширении управления данными. Это эволюция управления данными в управление решениями ИИ, а связующим звеном, которое заставляет это работать, является семантический слой: общая бизнес-лексика, онтология и контекст, которые позволяют как людям, так и агентам прийти к согласию относительно того, что на самом деле означают данные, прежде чем они будут использованы для принятия каких-либо решений.

Это важно как никогда, поскольку собственные исследования Gartner показывают, что единообразное управление агентами с разным уровнем автономности само по себе является режимом сбоя,2 а McKinsey обнаружила, что, несмотря на почти повсеместное внедрение, только 37% организаций сообщают об измеримом влиянии ИИ на EBIT.3 Это во многом связано с тем, что масштабируемое развертывание опережает зрелость управления.4 Исследование GenAI Divide от MIT NANDA указывает на ту же первопричину: инструменты, которые не могут интегрироваться с реальным контекстом рабочего процесса, останавливаются, независимо от того, насколько мощной является базовая модель.5 Без семантического слоя, который дает каждому набору данных согласованное определение, происхождение и бизнес-контекст, агенты наследуют именно ту двусмысленность, которая тормозит эти программы.

Та же закономерность проявляется и в безопасности. Отчет Verizon 2026 Data Breach Investigations Report, самый большой набор данных в истории отчета, показал, что использование несанкционированного «теневого ИИ» утроилось за год: сотрудники загружали исходный код, внутренние документы и структурированные данные на неавторизованные платформы. Руководители подчеркивают, что их беспокоит объем данных, загружаемых в ИИ. Количество взломов сторонних организаций и цепочек поставок подскочило на 60%, теперь они участвуют в 48% всех инцидентов.6 Это не проблема качества данных; это проблема контекста данных. Никто не мог видеть, к каким данным обращался агент или инструмент, в рамках какой политики или почему. Если управление ИИ является блокирующим фактором, то теневой ИИ растет быстрее.

Многие регулирующие органы уже совершили переход, о котором говорится в этой статье. Закон ЕС об ИИ регулирует не наборы данных, а контексты принятия решений: найм, кредитование, страхование, доступ к основным услугам. Большая часть Закона вступила в силу в августе 2026 года; обязательства для систем с высоким риском наступают 2 декабря 2027 года.7 Это даты, которые стоит запомнить.

В своей работе с руководящими командами в Collibra я структурирую этот переход вокруг пяти дисциплин:

Создать реестр решений, каталогизирующий каждое место, где ИИ принимает решения или действует
Классифицировать по уровню автономности, а не по технологии
Требовать прослеживаемости решений от сертифицированных, четко определенных данных через онтологию и семантический слой до версии модели и результата
Назначить владельца для каждого класса решений ИИ
Генерировать доказательства на этапе проектирования, чтобы записи, готовые к аудиту, были побочным продуктом работы системы, а не результатом суеты после инцидента

Наше намерение в Collibra — не возлагать бремя соблюдения требований на ваши амбиции в области ИИ; наша цель — создать операционную модель, которая сделает будущую автоматизацию финансируемой и заслуживающей доверия. Правда в том, что чем больше все меняется, тем больше все остается по-прежнему. Сегодня доверие по-прежнему является ключевым ограничением ценности.

Управление данными на самом деле никогда не касалось только данных; в своей основе оно касается уверенности. Управление решениями распространяет это же обещание на рабочую силу, которая теперь включает в себя машины.

Ваша программа управления данными создала фундамент. И если вы действительно задумаетесь о динамике сегодняшнего мира, управляемого ИИ, то теперь настоящий вопрос для вашего следующего заседания совета директоров звучит так: кто создает семантический слой, который будет над ним?

Источники

1 Gartner: Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (25 июня 2025 г.)

2 Gartner: Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure (26 мая 2026 г.)

3 McKinsey: The State of AI in 2026 — On the Road to ROI (25 августа 2026 г.)

4 McKinsey: State of AI Trust in 2026 — Shifting to the Agentic Era (25 марта 2026 г.)

6 MIT NANDA: The GenAI Divide — State of AI in Business 2025 (июль 2025 г.)