В корпоративном стеке ИИ есть любимая схема: данные находятся внизу, агенты — вверху, а аккуратный «уровень контекста» посередине содержит все, что нужно знать агенту. Эта картина привлекательна, поскольку подразумевает четкое разделение труда и очевидное место для управления. Однако она рушится, если рассматривать ее как отдельный уровень, потому что даже тщательно контролируемые данные могут приводить к неверным ответам, как только в процесс включается модель ИИ.¹
В недавнем эпизоде подкаста AI Radicals⁹ ведущий Сатьен Сангани встретился с Сандживом Моханом, директором SanjMo, бывшим аналитиком Gartner и автором книги «Проектирование основ данных, управляемых ИИ» (Designing the AI-Driven Data Foundations),¹ чтобы составить карту полного стека — от метаданных до графов знаний. Разговор перерос в продуктивный спор о том, где должно находиться управление ИИ. Их ответы различаются по акцентам, но сходятся в одном выводе: управляйте системой, а не уровнем.
Почему идея уровня контекста не работает
Мохан выстраивает терминологию снизу вверх:
- Метаданные — это данные о данных.
Метаданные — это данные о данных.
- Семантика переводит эти метаданные на бизнес-язык, включая термины глоссария, правила и определения KPI, такие как чистый коэффициент удержания (net retention rate).
Семантика переводит эти метаданные на бизнес-язык, включая термины глоссария, правила и определения KPI, такие как чистый коэффициент удержания (net retention rate).
- Контекст — это следующий шаг вверх, и именно здесь инженерная задача становится сложной.
Контекст — это следующий шаг вверх, и именно здесь инженерная задача становится сложной.
Он описывает это так: «Теперь мы говорим о том, чтобы дать ИИ полное 360-градусное представление о клиенте, продукте или задаче. Это и есть контекст». Таким образом, контекст объединяет структурированные и неструктурированные данные, часто в режиме реального времени, и он может меняться от человека к человеку при одном и том же вопросе.
Возражение Сангани касается архитектуры, которую люди выстраивают вокруг этого понятия. Он называет уровень контекста «соломенным чучелом»: «Существует идея этого уровня контекста, [который] спроектирован на основе мышления микросервисов, предполагающего дискретность, которой просто не существует».
Проблема носит практический характер. Уровень обещает стабильный, пригодный для повторного использования массив знаний, который существует отдельно от приложений, потребляющих его. Сангани утверждает, что реальные системы ИИ не делятся так четко: «Это не независимые уровни. Это система и приложение, которые нужно рассматривать как единое целое». Он также называет искушение, стоящее за этой схемой: «Создание уровня — это своего рода мечта технолога: я могу захватить всю эту информацию, и она станет неприкосновенной. Но все определяется функцией конкретного приложения, а приложение будет постоянно дрейфовать».
Если приложение дрейфует, то и все, что вы захватили на уровне, дрейфует вместе с ним. Команды, которые рассматривают контекст как готовый артефакт, обнаружат, что он устарел, в то время как команды, которые управляют им как частью живой системы, смогут поддерживать его в актуальном состоянии. Бизнес-метаданные в основе этой системы, такие как определения, владельцы и теги, обычно хранятся в каталоге данных. Та же основа питает семантический уровень, который сопоставим с онтологиями и корпоративным уровнем контекста (подробнее об этом читайте в руководстве по сравнению семантического уровня, онтологии и корпоративного уровня контекста).²
Где должен стоять знак «стоп»
Сангани обосновывает дискуссию примером от директора по данным крупной авиакомпании. Маркетинговые команды, создающие кампании, не должны иметь возможность использовать определенные данные клиентов, например, информацию о предпочтениях, даже если компания владеет большим объемом таких данных.
Теперь добавим агента. Если агенту поручено создать потрясающую маркетинговую кампанию, он будет искать как можно больше данных. В конце концов, он наткнется на данные о предпочтениях.
Чья это работа — остановить его? Ответ Сангани: работа самих данных. «Знак «стоп» должен срабатывать на самих данных, на пересечении, где происходят события». Это связано с тем, что ни один агент не может держать в голове все правила организации. «Нам не обязательно знать все правила. Нам просто нужно, чтобы нам о них сообщили», — говорит он. Это та же логика, которая отделяет дашборд от продукта: «Человек, создающий дашборд, может просто создать дашборд. Человек, создающий продукт, должен думать о том, каковы допустимые способы использования этой надстройки».
Решение? Внедрение правил допустимого использования в управляемые продукты данных и политику управления данными, где они перемещаются вместе с данными к каждому потребителю. Именно поэтому Сангани определяет продукты данных как форму контекста. Правила находятся рядом с тем, чем они управляют, поэтому каждый новый агент наследует их без переобучения или повторных запросов. Подробнее о том, почему агенты зависят от этой надежной основы, см. в материале Alation о перспективах ИИ-агентов и доверенных данных.
Почему чистые данные больше не гарантируют правильный ответ
Мохан согласен с конечной целью и добавляет сложность. В течение многих лет управление данными основывалось на простой сделке: «Если мои входные данные были должным образом проверены, чисты и надежны, то мой результат был бы точно таким же каждый раз, потому что он детерминирован». Модели нарушили эту сделку, потому что «даже при одних и тех же данных [они] могут выдавать разные результаты в разное время суток». Управления входными данными уже недостаточно. Результаты также нуждаются в управлении, включая проверку на вредоносный контент и персональные данные.
Агенты расширяют эту проблему еще больше. Они рассуждают, выбирают действия и обмениваются сообщениями друг с другом, что генерирует новые данные, которых никогда не существовало в операционной системе. Мохан называет это данными траектории и состоянием памяти, и это поднимает вопрос аудита, с которым не сталкивалось большинство программ управления: «Если кто-то говорит: «Я хочу видеть историю (lineage) того, как моя мультиагентная система отклонила кредит», мне нужно знать, что эти агенты обсуждали на своих досках сообщений и какие сообщения отправляли». Его резюме кратко: «Для меня это и есть агентное управление. Это вход, выход и время выполнения». Руководство Alation по управлению агентным ИИ описывает аналогичный сдвиг, рассматривая агента как управляемую среду выполнения, чьи операции чтения и записи нуждаются в отслеживании происхождения (lineage), а политики применяются в момент принятия решения.³ Отслеживание всего этого от начала до конца зависит от происхождения данных.
Действительно, стоимость слабых мер контроля уже отражается в прогнозах аналитиков. Gartner предсказывает, что более 40% проектов агентного ИИ будут отменены к концу 2027 года, ссылаясь на растущие расходы, неясную бизнес-ценность или неадекватный контроль рисков.⁴
Мохан предлагает сценарий, который подрывает аргументы в пользу любого одноуровневого подхода. Команда меняет одну версию Gemini на более дешевую модель Flash, и остальная часть системы выглядит идентично: «Правила те же. Данные должным образом управляются», но новая модель начинает ожидать другой запрос, и приложение может сломаться. «Вот почему управление должно быть многоуровневым — охватывать данные и ИИ, чтобы выполнять свою работу», — заключает он.
Исследование одного семейства моделей показывает, насколько важно изменение версии. Исследование Стэнфорда и Калифорнийского университета в Беркли показало, что точность GPT-4 в одной задаче на простые числа упала с 84% до 51% в период между версиями за март и июнь 2023 года.⁵
Обе позиции ближе друг к другу, чем кажется на первый взгляд. Сангани перечисляет множество источников некорректного ответа: промпт, устаревший инструмент, модель или недокументированная политика допустимого использования. Его рецепт заключается в том, чтобы внести исправление туда, где кроется сбой, будь то данные, продукт, семантика или агент. Сценарий Мохана показывает, как изменение всего в одном из этих мест может разрушить систему, которая в остальном полностью управляема. Оба эксперта выступают за управление как единую систему, и Сангани говорит об этом напрямую: «Вам необходимо управлять всей цепочкой целиком, чтобы гарантировать корректность работы агентов».
Информационные продукты: данные наконец-то получают номер версии
Если управление должно охватывать всю цепочку, для него требуется надежная основа, и информационный продукт становится именно такой основой. Объединяя данные с их владельцем, правилами, контрактами и происхождением (lineage), информационный продукт превращает управление ИИ в рабочий инструмент: политики путешествуют вместе с данными в каждый агент и приложение, использующее их.
Сангани описывает это так: информационный продукт представляет собой переносимый семантический слой, объединяющий бизнес-правила, контракты данных, измерения, определения метрик и оценки. Таким образом, с каждым информационным продуктом вы получаете: владельца, версионированный контракт, контроль качества и происхождение.⁶ Мохан дополняет эту концепцию с человеческой стороны: «Одно из определений заключается в том, что информационный продукт — это философия». По его словам, это означает создание любого артефакта с дисциплиной продуктового менеджмента: «У информационного продукта есть владелец. У него есть номер версии, и он обратно совместим. Он поставляется вместе с соглашениями об уровне обслуживания (SLA) и контрактами».
Обе концепции указывают на один и тот же недостающий элемент: подотчетность с течением времени. Мохан вспоминает годы создания хранилищ данных, когда команда распускалась после запуска, и никто не нес ответственности за ошибки, обнаруживавшиеся позже. «У продукта есть жизненный цикл, подобный началу и концу жизни, и поэтому он многоразовый. У него есть владелец». Сангани подчеркивает аргумент о возможности повторного использования с другой стороны. Дашборды и быстрые артефакты, созданные с помощью ИИ, часто не выдерживают проверки на продукт, поскольку их создатели думают: «Позвольте мне решить мою проблему».
Сегодня менеджер информационных продуктов соединяет бизнес-потребности и возможности работы с данными, взаимодействуя с дата-стюардом точно так же, как традиционный продакт-менеджер взаимодействует с инженерным менеджером, и отвечает за обеспечение возможности повторного использования информационных продуктов; это сокращает избыточные рабочие процессы и появление конфликтующих версий одного и того же набора данных.⁷ Операционная модель информационных продуктов объединяет людей, процессы и технологии вокруг этой роли. Наблюдения Сангани из практики подтверждают это: бизнес-знания и технические требования редко сосредоточены в одной голове, «и поэтому это обычно такое партнерство».
Мохан уподобляет информационные продукты обычным продуктам: «Даже сейчас, когда вы в последний раз слышали, что у данных есть номер версии? У них его нет. У продукта он есть. У моего iPhone есть номер версии, а у моих данных — нет. Но то, что вы делаете с информационными продуктами, наделяет их этим номером версии». Номер версии дает возможность исправлениям найти свое место. Когда агент дает неверный ответ, вы можете спросить, какая версия какого правила была соблюдена, и исправить именно эту версию.
Конкурентное преимущество смещается в сторону семантики и бизнес-логики
Ставки выходят за рамки управления. Мохан видит, как почва под ногами участников корпоративного рынка ИИ меняется. Хранилища данных были стандартизированы благодаря открытым стандартам: «Iceberg для аналитики, файлы Parquet, все это, S3-совместимое хранилище». Интерфейс следует за ними. Он указывает на Salesforce, партнерство которого Claudeforce с Anthropic теперь позволяет продавцам работать с данными, рабочими процессами и разрешениями Salesforce прямо из интерфейса Claude, причем те же ответы доступны в Lightning и Slack.⁸ По мнению Мохана, «пользовательский интерфейс переходит в ИИ-инструмент».
Ценность сохраняет то, что ИИ-инструмент не может предоставить самостоятельно. «Для меня это невероятно захватывающе — видеть, как потребительский слой демократизируется, но при этом конкурентное преимущество смещается в сторону семантики», — говорит Мохан, называя промежуточное ПО, связывающее бизнес-логику и семантику, «самым критически важным элементом в этом стеке».
Это стратегический аргумент в пользу того, чтобы рассматривать управляемые информационные продукты в качестве базовой инфраструктуры. Когда поверх может работать любая модель, а внизу — любой движок хранения, собственные определения, правила и контракты организации обеспечивают ее конкурентное преимущество. Маркетплейс информационных продуктов — это место, где эти активы обнаруживаются, получают доверие и используются повторно.
Что это значит для лидеров в сфере работы с данными
Сангани и Мохан расходятся в акцентах, но сходятся в оценке сути проблемы. Управление ИИ не может находиться на каком-то одном уровне, будь то уровень данных, контекста или агента. Оно должно следовать за системой, которая постоянно меняется, с правилами, которые перемещаются вместе с данными, владельцами, которые поддерживают жизнь продуктов, и версиями, делающими исправления отслеживаемыми. Лидеры, которые выстроят свою работу с учетом этого уже сейчас, смогут менять модели, добавлять агентов и менять интерфейсы, не теряя контроля над тем, что означает их бизнес.
Хотите узнать, как маркетплейс информационных продуктов от Alation может поддержать вашу стратегию управления ИИ? Закажите у нас демоверсию сегодня.
Источники и примечания
Каждое внешнее утверждение на этой странице поддается независимой проверке. Публичные источники приведены здесь.
- Санджив Мохан (Sanjeev Mohan), автор книги Designing the AI-Driven Data Foundations, возглавлял исследовательскую группу Gartner по работе с данными и аналитике до основания компании SanjMo в 2021 году. Он утверждает, что даже при наличии строго управляемых данных ИИ может вести себя некорректно и давать неверные ответы, поэтому результаты его работы должны регулироваться. Источник: TechTarget, «Successful AI deployment rests on strong data foundation», 21 Sep 2026. https://www.techtarget.com/data-technologies/feature/Successful-AI-deployment-rests-on-strong-data-foundation
Санджив Мохан, автор
книги Designing the AI-Driven Data Foundations, возглавлял исследовательскую группу Gartner по работе с данными и аналитике до основания компании SanjMo в 2021 году. Он утверждает, что даже при наличии строго управляемых данных ИИ может вести себя некорректно и давать неверные ответы, поэтому результаты его работы должны регулироваться. Источник: TechTarget, «Successful AI deployment rests on strong data foundation», 21 Sep 2026. https://www.techtarget.com/data-technologies/feature/Successful-AI-deployment-rests-on-strong-data-foundation
- Сравнение семантического слоя, онтологии и слоя корпоративного контекста от Alation. Источник: блог Alation (дата публикации уточняется редактором). https://www.alation.com/blog/semantic-layer-vs-ontology-vs-enterprise-context-layer/
Сравнение семантического слоя, онтологии и слоя корпоративного контекста от Alation. Источник: блог Alation (дата публикации уточняется редактором). https://www.alation.com/blog/semantic-layer-vs-ontology-vs-enterprise-context-layer/
- Руководство Alation по управлению агентным ИИ рассматривает агентов как управляемые среды выполнения: отслеживание происхождения (lineage) при чтении и записи данных агентом, а также применение политик в момент принятия решений. Источник: блог Alation, 2 Feb 2026. https://www.alation.com/blog/governing-agentic-ai-trust-compliance-data-workflows/
Руководство Alation по управлению агентным ИИ рассматривает агентов как управляемые среды выполнения: отслеживание происхождения (lineage) при чтении и записи данных агентом, а также применение политик в момент принятия решений. Источник: блог Alation, 2 Feb 2026. https://www.alation.com/blog/governing-agentic-ai-trust-compliance-data-workflows/
- Gartner прогнозирует, что более 40% проектов в области агентного ИИ будут закрыты к концу 2027 года из-за роста затрат, неясной бизнес-ценности или неадекватного контроля рисков. Источник: пресс-релиз Gartner, 25 июня 2025 г. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
Gartner прогнозирует, что более 40% проектов в области агентного ИИ будут закрыты к концу 2027 года из-за роста затрат, неясной бизнес-ценности или неадекватного контроля рисков. Источник: пресс-релиз Gartner, 25 июня 2025 г. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- GPT-4 (март 2023 г.) определяла простые и составные числа с точностью 84%; GPT-4 (июнь 2023 г.) набрала 51% по тем же вопросам. Источник: Chen, Zaharia and Zou, "How Is ChatGPT's Behavior Changing Over Time?", Harvard Data Science Review, 12 марта 2024 г. (выпуск 1). https://hdsr.mitpress.mit.edu/pub/y95zitmz/release/1
GPT-4 (март 2023 г.) определяла простые и составные числа с точностью 84%; GPT-4 (июнь 2023 г.) набрала 51% по тем же вопросам. Источник: Chen, Zaharia and Zou, "How Is ChatGPT's Behavior Changing Over Time?", Harvard Data Science Review, 12 марта 2024 г. (выпуск 1). https://hdsr.mitpress.mit.edu/pub/y95zitmz/release/1
- Продукты Alation Data поставляются с владельцем, версионированным контрактом, обеспечением качества и отслеживанием происхождения данных. Источник: Alation. https://www.alation.com/aios/data-products/
Продукты Alation Data поставляются с владельцем, версионированным контрактом, обеспечением качества и отслеживанием происхождения данных. Источник: Alation. https://www.alation.com/aios/data-products/
- Менеджер по продуктам данных связывает бизнес-потребности с возможностями данных, работает в паре со стюардом данных и обеспечивает возможность повторного использования данных; руководство связывает возможность повторного использования с предотвращением избыточных рабочих процессов и конфликтующих версий одного и того же набора данных. Источник: блог Alation, 21 февраля 2025 г. https://www.alation.com/blog/what-is-a-data-product-manager/
Менеджер по продуктам данных связывает бизнес-потребности с возможностями данных, работает в паре со стюардом данных и обеспечивает возможность повторного использования данных; руководство связывает возможность повторного использования с предотвращением избыточных рабочих процессов и конфликтующих версий одного и того же набора данных. Источник: блог Alation, 21 февраля 2025 г. https://www.alation.com/blog/what-is-a-data-product-manager/
- Claudeforce, партнерство Salesforce и Anthropic, анонсированное 26 августа 2026 года, переносит данные, рабочие процессы, бизнес-логику и разрешения Salesforce в Claude; Salesforce заявляет, что пользователи получают одинаковые ответы в Lightning, Slack или Claude. Источник: Salesforce. https://www.salesforce.com/claudeforce/
Claudeforce, партнерство Salesforce и Anthropic, анонсированное 26 августа 2026 года, переносит данные, рабочие процессы, бизнес-логику и разрешения Salesforce в Claude; Salesforce заявляет, что пользователи получают одинаковые ответы в Lightning, Slack или Claude. Источник: Salesforce. https://www.salesforce.com/claudeforce/
- Эпизод: AI Radicals, "Metadata to Knowledge Graphs: Mapping the Full AI Data Stack, with Sanjeev Mohan, Principal of SanjMo." https://www.alation.com/podcast/episodes/metadata-knowledge-graphs-sanjeev-mohan/
Эпизод: AI Radicals, "Metadata to Knowledge Graphs: Mapping the Full AI Data Stack, with Sanjeev Mohan, Principal of SanjMo." https://www.alation.com/podcast/episodes/metadata-knowledge-graphs-sanjeev-mohan/
АТРИБУЦИЯ АНАЛИТИКОВ И ОТКАЗ ОТ ОТВЕТСТВЕННОСТИ (требуется только в случае сохранения Дополнения A1)
Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, пресс-релиз, 25 июня 2025 г.
Gartner не поддерживает ни одного поставщика, продукт или услугу, описанные в своих исследовательских публикациях, и не рекомендует пользователям технологий выбирать только тех поставщиков, которые имеют наивысшие рейтинги или другие обозначения. Исследовательские публикации Gartner состоят из мнений исследовательской организации Gartner и не должны рассматриваться как констатация фактов. Gartner отказывается от всех гарантий, явных или подразумеваемых, в отношении данного исследования, включая любые гарантии товарной пригодности или соответствия определенной цели. GARTNER и Magic Quadrant являются зарегистрированными товарными знаками и знаками обслуживания Gartner, Inc. и/или ее дочерних компаний в США и других странах и используются здесь с разрешения. Все права защищены.
