Часть моей работы в качестве продуктового маркетолога в PostHog заключается в отслеживании того, о чем говорят другие компании в сфере работы с данными. Поэтому я читаю много отраслевых отчетов и подписался на самые разные рассылки. Вот что я узнал, чтобы вам не пришлось проделывать ту же работу.
Все сходятся во мнении относительно проблемы, с которой сталкиваются их клиенты: разработка продуктов тормозит, потому что амбиции в сфере ИИ опережают готовность данных, доверие к ним и их управление. Но большинство вендоров в сфере данных специализируются на чем-то одном, поэтому каждый описывает проблему со своей колокольни в рамках собственного стека. Вендор конвейеров данных видит проблему в конвейерах. Вендор систем управления видит проблему в управлении.
Не называя вещи своими именами, каждый прочитанный мною отчет описывал одно и то же решение — хранилище контекста. Да, я понимаю, как это звучит: продуктовый маркетолог PostHog считает, что ответом является PostHog. Справедливо. Но не я сводил эти цифры. Это сделали мои конкуренты и опубликовали их. Я первый прочитал их все, увидел закономерность и теперь объясняю, почему все это сводится к концепции хранилища контекста.
Среднестатистическая компания сегодня использует 106 SaaS-приложений, каждое из которых генерирует собственные данные. BetterCloud, SaaS statistics, 2025
Среднестатистическая компания сегодня использует 106 SaaS-приложений, каждое из которых генерирует собственные данные.
BetterCloud, SaaS statistics, 2025
Агент хорош ровно настолько, насколько доступны данные, до которых он может дотянуться. Дайте ему продуктовые события, но не данные о выручке, и он не отличит риск оттока от активного пользователя. Дайте ему тикеты техподдержки, но не данные об использовании, и он будет гадать о причинах. Большинство людей даже не понимают, когда их агент дал сбой, потому что он продолжает уверенно выдавать неверные ответы до тех пор, пока вы полностью не перестанете ему доверять.
Ускорение на базе ИИ опережает рост доверия и систем управления: 56% команд называют качество данных своей самой частой проблемой. dbt Labs, State of Analytics Engineering, 2025
Ускорение на базе ИИ опережает рост доверия и систем управления: 56% команд называют качество данных своей самой частой проблемой.
dbt Labs, State of Analytics Engineering, 2025
Именно здесь разработка продуктов с ИИ заходит в тупик. Команды винят агента, но проблема в том, что агент понятия не имел, что происходит в бизнесе.
2/3 специалистов по работе с данными признают, что не до конца доверяют данным, на которых построен их ИИ. Monte Carlo, State of Data Quality Survey, 2023
2/3 специалистов по работе с данными признают, что не до конца доверяют данным, на которых построен их ИИ.
Monte Carlo, State of Data Quality Survey, 2023
Данные показывают, что даже когда у ИИ есть доступ ко всем необходимым данным, в 2/3 случаев команды все равно сомневаются в их качестве. Возникает вопрос: как можно доверять результату, если вы не доверяете тому, на чем он основан? Оставшаяся 1 треть специалистов, которые действительно доверяют своим данным, вряд ли узнают, если какой-то конвейер сломается и они перестанут получать критически важную информацию. Их ИИ просто заполнит пробел чем-то правдоподобно звучащим, и они этому поверят.
Агент не видит полной картины, поэтому команды пытаются построить ее самостоятельно. Это означает создание конвейеров: извлечь данные из каждого источника, загрузить их в централизованное место, смоделировать, а затем поддерживать их синхронизацию каждый раз, когда на стороне источника меняется схема.
Более 80% команд используют ИИ для построения конвейеров, но подавляющее большинство сообщает, что универсальные ИИ-инструменты не справляются с задачей, ссылаясь на галлюцинации и нехватку контекста. Astronomer, State of Apache Airflow, 2026
Более 80% команд используют ИИ для построения конвейеров, но подавляющее большинство сообщает, что универсальные ИИ-инструменты не справляются с задачей, ссылаясь на галлюцинации и нехватку контекста.
Astronomer, State of Apache Airflow, 2026
Ответом индустрии на изобилие хрупких конвейеров является создание еще большего их числа с помощью ИИ. В том же отчете признается, что создающий их ИИ галлюцинирует и упускает необходимый контекст. Это тушение пожара с помощью бензина.
Создание и поддержка конвейеров — это налог на готовность данных. Они отнимают время и деньги, которые можно было бы потратить на создание чего-то нового. А поскольку инструменты для работы с данными на рынке зрелые, но узкоспециализированные, в итоге вам требуется шесть разных инструментов для получения нужных ответов, плюс конвейеры для перемещения данных между ними.
70% респондентов оценивают управление конвейерами как сложное, а 64% дата-команд тратят больше половины своего времени на рутинные задачи. Matillion, Data Integration & AI-Readiness Report, 2025
70% респондентов оценивают управление конвейерами как сложное, а 64% дата-команд тратят больше половины своего времени на рутинные задачи.
Matillion, Data Integration & AI-Readiness Report, 2025
Большая часть рабочей недели дата-команды уходит на работу, которая не дает никаких новых ответов, а лишь сохраняет способность получать старые.
42% команд заявляют, что более половины их ИИ-проектов застопорились, и причина вовсе не в модели. Причина — в неготовности данных. Fivetran, AI & Data Readiness Report, 2025
42% команд заявляют, что более половины их ИИ-проектов застопорились, и причина вовсе не в модели. Причина — в неготовности данных.
Fivetran, AI & Data Readiness Report, 2025
Все говорят о том, как важна готовность данных, но никто не может сойтись на том, что это вообще значит. Если вы запутались в том, как сделать свои данные «готовыми», вы не одиноки. Каждый вендор определяет это через собственную призму: чистые таблицы, бесперебойность конвейеров, политика управления данными. Обратите внимание, что каждое из этих определений как раз описывает именно то, что этот вендор продает. Определение, которое одновременно является рекламным питчем — вовсе не определение.
На самом деле это все вместе взятое, поскольку все эти факторы влияют на один и тот же результат: насколько легко вам и вашим агентам получить доступ к данным и понять их. Вот определение, которое я предлагаю всем поддержать:
Готовность данных означает, что все ваши данные находятся в одном месте и доступны вам и вашим агентам.
Как устранить разрыв в контексте
Мой прогноз относительно следующего большого тренда? Вам нужен способ перестать строить конвейеры и нянчиться с ними (решение тренда № 1), чтобы быть уверенными: ваши данные собраны в одном месте и доступны вам и вашим агентам (решение тренда № 2). Что, по совпадению, является определением готовности данных, с которого мы начали.
Информация заперта в разрозненных хранилищах (силосах), а управление данными рассредоточено по множеству различных инструментов, из-за чего команды с трудом ускоряют внедрение ИИ. Databricks, State of Data + AI
Информация заперта в разрозненных хранилищах (силосах), а управление данными рассредоточено по множеству различных инструментов, из-за чего команды с трудом ускоряют внедрение ИИ.
Databricks, State of Data + AI
Хранилище контекста объединяет в себе загрузку, моделирование, хранение и запросы в рамках одного инструмента вместо четырех, которые приходится связывать между собой конвейерами. Использование хранилища контекста от PostHog избавит вас от необходимости настраивать множество конвейеров между источниками данных, хранилищем, инструментами моделирования и BI-системами, создавая зависимости, на поддержание которых уходит слишком много времени. Вот как это работает в PostHog:
- Ваши продуктовые данные уже на месте. PostHog собирает данные об экспериментах, логах, ошибках (и многом другом) по мере их возникновения, поэтому не требуется никакого экспорта для их передачи в отдельное хранилище.
- Внешние источники синхронизируются автоматически. Подключите Stripe, HubSpot, Salesforce, Postgres и еще 102 имеющихся у вас источника данных, и они попадут в то же хранилище. Конвейеры поддерживаются автоматически благодаря плановой синхронизации по умолчанию.
- Все работает на одних и тех же данных. Аналитика, эксперименты, флаги функций, SQL-редактор, PostHog AI и любой агент, которого вы направите на PostHog MCP, считывают информацию из единого источника. Семантический слой содержит фиксированные определения, поэтому вы можете быть уверены в надежности ответов на свои вопросы.
Когда данные вашего продукта и бизнес-контекст объединены и агент может запрашивать и то, и другое, он способен на большее, чем просто отвечать на вопросы. Он может обнаружить падение воронки, связать его с риском потери выручки, выгрузить затронутую когорту и открыть запрос на слияние (PR). Это и есть автономная разработка, и она работает только тогда, когда агент не строит умозаключения на основе неполной картины.
Разрыв в контексте исчезает, и разработка вашего продукта получает ускорение не потому, что вы построили лучший конвейер данных, а потому, что он вам больше не нужен.
Подключение вашего первого источника данных бесплатно. Второго — тоже. К моменту подключения третьего вы забудете, что вам когда-либо приходилось создавать конвейер данных, в этом и заключается главная суть.
