Цитаты расшифрованы из выступления на конференции Imagination In Action, Google Bay View, 14 сентября 2026 г.
Спросите у руководителя отдела данных, что стоит между пилотным запуском агента и его выходом в продакшн… и вы, скорее всего, услышите: «каталог». Он неполный. Определения устарели. В происхождении данных есть пробелы. Сначала разберитесь с этим, а потом запускайте.
Пробел, который интуиция пытается закрыть, вполне реален и измерим. В исследовании Tech Trends 2026 компании Deloitte обнаружилось, что 38% of organizations piloting agentic solutions but only 11% running them in production.¹ Что-то мешает остальным 27% преодолеть этот рубеж, и редко когда дело в самой модели.
Но стремление сначала заняться каталогом, а вернуться к агентам позже переворачивает последовательность с ног на голову, и панельная дискуссия на самите Imagination In Action в Google Bay View целый час объясняла почему. Сессия под названием «Проектирование агентного предприятия» (Engineering the Agentic Enterprise)² получила необычную задачу: поговорить о фундаментальных, неброских вещах, о которых большинство предпочитает не упоминать, когда эти системы начинают масштабироваться. Мелисса Валентайн, доцент кафедры менеджмента и инженерии в Стэнфорде и старший научный сотрудник Стэнфордского института человекоориентированного ИИ (HAI), изучающая внедрение ИИ в организациях,³ присоединилась к Лирану Звибелю, соучредителю и генеральному директору WEKA,⁴ и Сатьену Сангани, соучредителю и генеральному директору Alation. Модерировал дискуссию Ашиш Верма, директор по работе с данными и аналитике Deloitte в США.
В результате вырисовалось совсем другое определение готовности к внедрению агентов. Это не идеальный каталог, а набор практик, которые работают, пока бизнес меняется у них под ногами: контекст, привязанный к конкретному рабочему сценарию; четкое понимание того, где находится источник правды при сбое; проверенные людьми реальные данные в основе оценок (evals); специалисты, способные одновременно видеть и бизнес-смысл, и техническую механику; а также учетные данные, которые сохраняются при каждом вложенном вызове. Давайте разберемся!
Каталог отражает вашу реальность
Сангани возражает клиентам, которые жалуются на бардак в каталоге, мешающий агентам понять систему. Каталог данных описывает то, что есть. «Каталог отражает вашу реальность. Если ваша карта представляет собой сплошной клубок лапши, она просто покажет фундаментальное состояние ваших систем», — говорит он.
Другими словами, жалоба обычно касается не самого каталога, а того хозяйства, которое он добросовестно описывает. Очистка карты не меняет саму территорию, а каталог, который причесали так, чтобы он выглядел аккуратнее лежащих в его основе систем, приносит агенту меньше пользы. Сегодня компании преподносят контекст как верный путь к точности ИИ. Но, как отметил Сангани: «Контекст сам по себе — вещь бессмысленная, потому что непонятно, когда вы закончили и с чего вообще начинать». У этого процесса нет критериев завершенности. Проекты по документированию без четких границ обычно раздуваются до исчерпания бюджета, в результате чего у организации появляется гора бумаг и ни одного работающего агента.
Единственное жизнеспособное определение достаточного контекста — это приложение, которое работает и продолжает работать по мере изменения бизнеса. Начинайте со сценария использования, иначе вы просто занимаетесь накоплением документации. В этом смысле «готовность к агентам» является свойством развертывания, а не состоянием репозитория.
Контекст размывается, и кто-то должен решать, где искать правду
Верма задал Сангани архитектурный вопрос: ИИ работает на определенной основе — от железа и выше, — и с учетом этого фундамента что организации недооценивают сильнее всего, когда начинают сталкиваться с ограничениями при развертывании?
Сангани указал на свойство, которое отличает агентов от традиционного ПО. В обычном приложении вы проводите тесты, выпускаете релиз, и покрытые тестами крайние случаи (edge cases) продолжают работать. Но «поскольку это стохастические приложения, в них присутствует постоянное дрейфование (drift)». Дрейфует базовая схема. Меняются бизнес-правила и контекст. Инструменты, которые раньше подходили идеально, начинают зависать — возможно, просто потому, что они устарели на одну версию.
Это более глубокая причина, почему план «сначала починить каталог» не работает. Даже по-настоящему полный каталог начинает разрушаться в тот самый момент, когда вы отправляете его в продакшн, потому что описываемые им системы и определения продолжают двигаться. Готовность — это не та веха, которую можно пройти раз и навсегда.
Оценки (evals) — это лишь минимальное условие. То, что происходит после сбоя, — это более сложная дисциплина, и подход Сангани здесь очень полезен: Триаж порождает новый тест (eval), а затем нужно добиться прохождения самого теста, что означает необходимость понять, что именно сломалось. «Что мне починить? Базу знаний? Базу данных? Была ли проблема с качеством данных, доступом или промптом агента? Где находится источник правды?» Каждый из этих ответов подразумевает своего владельца, свою систему и свой способ ремонта. Триаж в агентной системе — это непрерывная функция управления, а не разовая заявка в службу поддержки.
А как только вы находите источник правды, возникает еще более сложный вопрос: «Если я меняю источник правды, является ли это истиной глобально или только для этого конкретного сценария?» Сангани назвал такие решения задачами управления знаниями, «касающимися того, в какой контейнер их поместить и как их исправить», и предупредил, что они плохо масштабируются: «По мере того как вы все шире внедряете ИИ, эта сложность возрастает многократно». Разбор этих вопросов зависит от знания ваших критически важных элементов данных и возможности отследить их происхождение (lineage).
Контекст, который не передается между агентами
Звибель рассказал о том, что теперь выявляют тесты (evals), и это отличается от ситуации годичной давности. «Год назад все были одержимы галлюцинациями», — отметил он. Генерация на основе данных значительно улучшилась, хотя проблема галлюцинаций далеко не решена: индекс искусственного интеллекта Стэнфордского HAI за 2026 год обнаружил hallucination rates ranging from 22% to 94% across 26 leading models в тестах на извлечение фактов.⁵ То, о чем говорит Звибель, гораздо более узко: «Вам редко удается заставить модель выдумывать, главным образом потому, что теперь при правильной настройке она изначально получает много контекста». Индустрия решила проблему контекста… и тем самым обнажила другую.
Проблема, пришедшая ей на смену, носит структурный характер и проявляется сразу же, как только архитектуры становятся рекурсивными. «Когда агенты становятся вложенными, когда они вызывают друг друга по принципу «черепахи до самого низа», проблемой во многих случаях становится то, что вложенный агент обладает совершенно другим контекстом», — сказал Звибель. Вложенный агент отвечает на задачу, используя не тот набор понятий, что вызвший его агент. Каждый отдельный шаг работает сам по себе. Но вся цепочка целиком — нет. «Получается нечто, что при применении чистой логики работает, но когда на это смотрит человек и все должно сойтись воедино, результат выглядит совершенно нелепо».
Его лекарство носит скорее процедурный, чем технологический характер. «Очень часто при развертывании нового рабочего процесса крайне важно проверять, видят ли все этапы правильные данные, чтобы результаты имели смысл».
Черепахи до самого низа: человеческий фактор в основе оценок
Оценки (Evals), вне всякого сомнения. Именно так ответила Валентайн на вопрос Вермы о том, что организации недооценивают больше всего при переходе агента от пилотного проекта к продакшну — тот самый разрыв между пилотом и промышленной эксплуатацией, который описывают цифры Deloitte.
Ранее, во время вводной дискуссии, она привела пример из своей практической деятельности. Валентайн описала финансовое учреждение, которое внедрило свой наиболее зрелый агентный сценарий с точностью примерно 99% и оказалось неспособным закрыть оставшийся 1%, поскольку «у них нет экспертных кадров, чтобы разбираться с этим 1% исключений — сложнейших краевых случаев, с которыми никто толком не знает, что делать». Ограничивающим фактором здесь выступает человеческая экспертиза. Эти исключения возникают ровно там, где исчерпывается собственное понимание организации, — то есть именно в той области, которую не может задокументировать ни один каталог, так как еще никто не решил, каков же правильный ответ.
Сюрприз, по ее словам, кроется в предположении, с которым компании приходят на старте. «Нередко бытует мнение, будто можно заставить агентов проверять агентов, проверять агентов, выстраивая всевозможные циклы, где агенты проверяют друг друга». Такая архитектура может быть мощной. Но у нее есть предел. «В основе всех этих циклов проверки агентов агентами должен лежать очень качественный слой верифицированных данных для оценки, созданных, как правило, людьми».
Циклы агентов и опирающееся на них человеческое суждение: это черепахи на протяжении всего пути вниз.
Валентайн была откровенна в отношении того, почему организации пропускают этот базовый слой. «Создавать оценки действительно сложно; крайне трудно определить успех так, чтобы люди могли применить это достаточно хорошо для получения качественных исходных данных… Их трудно определить, трудно реализовать, и люди ненавидят этим заниматься». Исходные данные для управления ИИ — это медленная, негламурная человеческая работа, и эта рутина — первое, от чего отказывается амбициозная дорожная карта.
Птицы, лягушки и кто владеет определениями
Кто-то должен писать эти оценки, и в вопросе о том, кто именно, Валентайн опирается скорее на данные, чем на интуицию. Пять лет назад она создала курс в Стэнфорде под названием «Управление организациями в сфере науки о данных для обеспечения инноваций и эффекта» (Managing Data Science Organizations for Innovation and Impact), в котором рассматривались исследования по традиционному машинному обучению в организациях. Во всех проанализированных ею работах доминировал один вывод. «Главным фактором, предсказывающим эффективное внедрение машинного обучения, без сомнений, были отношения между специалистами по обработке данных и экспертами в предметной области. Во всех этих исследованиях этот эффект был очевиден».
Ей было интересно, сохранится ли эта связь с появлением генеративного ИИ. Пару лет она не наблюдала этого особо, поскольку эксперты в предметной области в основном получали лицензии, а не создавали специализированные сценарии использования. То, что она видит сейчас, — это рост числа инженеров по внедрению на передовой (FDE): «Инженеры FDE, обладающие технической экспертизой для создания системы, должны общаться с экспертами в предметной области; они должны обладать достаточным пониманием бизнеса, чтобы создать продукт».
Иными словами, межфункциональное сотрудничество остается непременным условием для успешной работы системы, и эта мысль красной нитью проходила через весь час обсуждения. «Если это сотрудничество не работает, ваша система работать не будет», — заявила она. Владение вопросом менее важно, чем рабочие отношения между двумя сторонами. «Это организационная задача, поскольку сотрудничество между ними имеет наибольшее значение. Кто-то должен владеть процессом, но им просто необходимо отлично взаимодействовать в этих группах».
Сагани прямо ответили на смежный вопрос: большинство каталогов представляют собой описи, а не применимый контекст, поэтому что должно измениться, чтобы каталог был готов к работе с агентами, и кто владеет определениями? Он начал с компетенции, а не со схемы организации. «В конечном итоге определения должны принадлежать людям с наивысшим уровнем понимания». На практике это означает нескольких людей одновременно. Технические роли необходимы для понимания технической системы, бизнес-роли — для понимания бизнес-процессов, а те роли, которые он назвал квазифункциональными, — для понимания систем, генерирующих информацию. Владение сквозным процессом в агентном мире «требует технического специалиста, функционального специалиста и того, кто владеет контентом». Три человека или тридцать, в зависимости от процесса и его сложности.
Что наводит на мысль о том, кто может удерживать более одной из этих точек зрения одновременно. Концепция Фримена Дайсона здесь весьма полезна; она уже звучала в недавнем разговоре Data Radicals с Дэвидом Эпштейном о пределах специализации.6 Как описывает это Эпштейн, здоровой экосистеме нужны как птицы, так и лягушки: лягушки копошатся в грязи с деталями на микроуровне, а птицы парят над ними, объединяя то, что находят лягушки. Dyson's own 2009 essay выразил это через математиков: лягушки живут в грязи внизу и видят цветы поблизости, а птицы обозревают ландшафт сверху.7
Более широкий аргумент Эпштейна касается кругозора — совокупной ценности людей, способных преодолевать границы специальностей и обладать общими знаниями наряду с технической глубиной. Агентная работа вознаграждает такой профиль, поскольку кто-то должен одновременно удерживать в поле зрения бизнес-смысл правильного ответа и механику породившей его цепочки. Эксперта, обладающего как технической хваткой лягушки, так и птичьим взглядом на бизнес, найти невозможно, что делает командную работу незаменимой.
Слой оценки, укомплектованный исключительно лягушками, подтвердит каждый шаг; слой оценки, укомплектованный исключительно птицами, подтвердит общую историю. Ни тот, ни другой не уловит локально логичный и глобально абсурдный результат, который описал Звибель. Именно это делает доверенный агентский вывод организационной проблемой еще до того, как он станет технической, и именно поэтому готовность к работе с агентами — это не то, что каталог может обеспечить сам по себе.
Будущее ИИ: Заявленное намерение
Сагани завершил свое выступление размышлениями о том, куда в конечном итоге придет корпоративный ИИ. Артефакты знаний, будь то каталоги, онтологии или выбор вычислительных ресурсов, «вторичны по отношению к намерению». Обещание агентов заключается в том, что вы заявляете о своем желании, и оно просто исполняется.
Пытаться сначала исправить каталог — значит путать артефакт с результатом. Каталог, онтология и контекстный слой оправдывают свое существование лишь в рамках приложения, которое кто-то пытается заставить работать, и это приложение является единственным надежным сигналом того, что вы создали их в достаточном количестве. Между заявленным намерением и результатом, на который кто-то отреагирует, лежит все то, к чему постоянно возвращалась панель: оценки с верифицированным человеческим суждением в основе, птицы и лягушки, спорящие о том, как выглядит правильный ответ, решение о том, где обитает истина при смещении схемы, и учетные данные, которые переживают каждый вложенный вызов. Ничто из этого не гламурно, но все критически важно.
Хотите узнать, как Alation может поддержать вашу стратегию агентного ИИ? Запишитесь на демонстрацию сегодня.
Источники и примечания
Цитаты расшифрованы по итогам сессии на Imagination In Action, Google Bay View, 14 сентября 2026 г. каждое внешнее утверждение на этой странице поддается независимой проверке; публичные источники перечислены здесь.
- 38% опрошенных организаций проводят пилотное тестирование агентных решений; у 14% решения готовы к развертыванию; у 11% они находятся в промышленной эксплуатации. Данные воспроизводят исследование Deloitte «Тренды развивающихся технологий 2025 года», которое в источнике указано как готовящееся к публикации. — Deloitte Insights, «The agentic reality check: Preparing for a silicon-based workforce», 10 декабря 2025 г. ↗ https://www.deloitte.com/us/en/insights/topics/technology-management/tech-trends/2026/agentic-ai-strategy.html
38% опрошенных организаций проводят пилотное тестирование агентных решений; у 14% решения готовы к развертыванию; у 11% они находятся в промышленной эксплуатации. Данные воспроизводят исследование Deloitte «Тренды развивающихся технологий 2025 года», которое в источнике указано как готовящееся к публикации. — Deloitte Insights, «The agentic reality check: Preparing for a silicon-based workforce», 10 декабря 2025 г. ↗ https://www.deloitte.com/us/en/insights/topics/technology-management/tech-trends/2026/agentic-ai-strategy.html
- Сессия «Engineering the Agentic Enterprise», Imagination In Action, Google Bay View, 14 сентября 2026 г., 10:30. — Imagination In Action ↗ https://imaginationinaction.co/2609sv/14
Сессия «Engineering the Agentic Enterprise», Imagination In Action, Google Bay View, 14 сентября 2026 г., 10:30. — Imagination In Action ↗ https://imaginationinaction.co/2609sv/14
- Мелисса Валентайн (Melissa Valentine), доцент кафедры менеджмента и инженерии в Стэнфордском университете; старший научный сотрудник Стэнфордского института искусственного интеллекта, ориентированного на человека (Stanford HAI). — Стэнфордские профили ↗ https://profiles.stanford.edu/melissa-valentine
Мелисса Валентайн (Melissa Valentine), доцент кафедры менеджмента и инженерии в Стэнфордском университете; старший научный сотрудник Стэнфордского института искусственного интеллекта, ориентированного на человека (Stanford HAI). — Стэнфордские профили ↗ https://profiles.stanford.edu/melissa-valentine
- Лиран Звибель (Liran Zvibel), соучредитель и генеральный директор WEKA. — Совет по технологиям Forbes ↗ https://councils.forbes.com/profile/Liran-Zvibel-Co-Founder-CEO-WEKA/9581b3e4-5101-4bad-873b-e427420e6808
Лиран Звибель (Liran Zvibel), соучредитель и генеральный директор WEKA. — Совет по технологиям Forbes ↗ https://councils.forbes.com/profile/Liran-Zvibel-Co-Founder-CEO-WEKA/9581b3e4-5101-4bad-873b-e427420e6808
- Уровень галлюцинаций от 22% до 94% среди 26 ведущих моделей на бенчмарке проверки фактической памяти. — Stanford HAI, Индекс искусственного интеллекта 2026 года, глава «Ответственный ИИ» ↗ https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai
Уровень галлюцинаций от 22% до 94% среди 26 ведущих моделей на бенчмарке проверки фактической памяти. — Stanford HAI, Индекс искусственного интеллекта 2026 года, глава «Ответственный ИИ» ↗ https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai
- Дэвид Эпштейн о птицах и лягушках. — Data Radicals, сезон 1, эпизод 5, «Эпоха специалистов подошла к концу», Alation ↗ https://www.alation.com/podcast/episodes/reign-of-specialists-over-david-epstein/
Дэвид Эпштейн о птицах и лягушках. — Data Radicals, сезон 1, эпизод 5, «Эпоха специалистов подошла к концу», Alation ↗ https://www.alation.com/podcast/episodes/reign-of-specialists-over-david-epstein/
- Фримен Дайсон, «Птицы и лягушки», Notices of the American Mathematical Society 56, no. 2 (февраль 2009 г.): 212 — письменная версия его лекции Эйнштейна для AMS. ↗ https://www.ams.org/notices/200902/rtx090200212p.pdf
Фримен Дайсон, «Птицы и лягушки», Notices of the American Mathematical Society 56, no. 2 (февраль 2009 г.): 212 — письменная версия его лекции Эйнштейна для AMS. ↗ https://www.ams.org/notices/200902/rtx090200212p.pdf
