Масштабирование ИИ не должно каждый раз требовать перестройки основы работы с данными

Для крупных компаний уже не за горами сезон планирования на 2027 год, и инвестиции в ИИ вновь в центре внимания руководителей высшего звена. Недавний опрос Akeneo среди руководителей, принимающих решения в сфере ИТ, показал, что 93% отметили рост производительности благодаря ИИ, однако 43% сообщили, что ИИ также добавил новые обязанности в рамках их должностей.

Эти результаты показывают, какой значительный объем предварительной работы требуется, чтобы воплотить проекты в области ИИ в жизнь. В частности, подготовка данных составляет существенную часть этой работы. Среди опрошенных Akeneo руководителей ИТ-подразделений 36% сообщили, что их организации тратят на подготовку данных более половины всех усилий, необходимых для проекта с использованием ИИ. Еще 53% заявили, что на подготовку данных уходит от 26% до 50% усилий, затрачиваемых на такой проект. Эта подготовка необходима, однако важно обеспечить возможность использовать результаты работы над одним внедрением ИИ при следующем внедрении.

ИИ может устранить часть работы в одном подразделении компании, одновременно создавая новые задачи для ИТ-команд, которым приходится готовить данные и заново восстанавливать контекст для каждого нового внедрения. Теперь важно сделать большую часть этой работы пригодной для повторного использования, чтобы каждое внедрение опиралось на предыдущее, а не начиналось с нуля.

Человеческий фактор — в основе ИИ

Люди остаются ключевым звеном во всех пилотных проектах и внедрениях ИИ. ИТ-команды участвуют на всех этапах жизненного цикла новых технологий: от понимания потребностей бизнеса и оценки решений до внедрения, обучения, разработки процессов и постоянного обеспечения безопасности. Со временем команды могут не документировать встречающиеся им исключения и неписаные правила, в том числе случаи, когда один и тот же термин имеет разные определения в разных системах. Этот контекст нередко становится частью институциональной памяти отдельных сотрудников, а не информацией, к которой вся организация может надежно получить доступ.

Такая работа может продолжаться до тех пор, пока человек, знающий ответ, остается доступен. Когда сотрудники переходят на другие должности, покидают организацию или просто оказываются недоступны в момент возникновения проблемы, контекст теряется. Если зафиксировать эти знания в структурированном формате, доступном в цифровом виде, ими можно будет пользоваться независимо от конкретного человека. Это также позволяет отдельным командам сохранять ответственность за свою экспертизу и при этом обеспечивает доступ к знаниям и возможность повторно использовать их во всей организации, вместо того чтобы заново находить их при каждом новом внедрении.

Качественные данные не всегда готовы для ИИ

Возникает соблазн назвать все это очередной проблемой качества данных, но исследование Akeneo указывает на более сложную ситуацию. 92% руководителей ИТ-подразделений оценивают продуктовые и операционные данные, используемые их системами ИИ, как хорошие или отличные. И это при том, что подавляющее большинство тратит на подготовку данных более четверти всех усилий, затрачиваемых на проект с использованием ИИ.

Высокое качество данных еще не означает, что они готовы для ИИ, особенно потому, что оценка их качества может зависеть от того, кто или что их использует. Моделям и агентам недостаточно точной информации. Им нужно понимать, откуда поступают данные, как они связаны с другой информацией, какой источник имеет приоритет и при каких условиях данные можно использовать. Эти правила легко упустить из виду, поскольку в работе опытных команд они часто подразумеваются сами собой.

Недавнее исследование McKinsey о готовности данных для ИИ также подчеркивает важность контекста. Не вся информация будет полезна моделям и агентам. Но если информация представляет ценность, ее контекст должен передаваться вместе с ней. Когда информация покидает исходный источник, ее происхождение и связи с окружающими данными должны оставаться ясными, чтобы ее смысл не терялся.

Именно поэтому архитектура, лежащая в основе ИИ, не менее важна, чем сама модель. В отличие от традиционного программного обеспечения, большие языковые модели часто могут работать с фрагментированными данными и разрозненными системами, даже если в разных источниках информация структурирована или размечена по-разному. Они могут выявлять связи, которые ранее не были определены явно. Более серьезная проблема — полное отсутствие данных. Чтобы модели и агенты могли работать с разными системами, необходимая им информация и контекст должны прежде всего существовать и быть доступными.

Исследование PwC за 2026 год о разрыве между планами и результатами внедрения ИИ показало, что интеграция остается главной причиной, по которой технологические инвестиции не оправдывают ожиданий. Объединение большого массива неструктурированных данных требует времени и часто замедляет проекты, прежде чем те доходят до полноценного внедрения.

Работа, проделанная для решения этих проблем при одном внедрении, может облегчить следующее.

Как сделать инфраструктуру ИИ пригодной для повторного использования

При работе над отдельным проектом с использованием ИИ значительная часть этой подготовки может происходить незаметно. ИТ-команды устраняют несоответствия, подготавливают информацию, необходимую приложению, и интегрируют его с другими системами, чтобы перевести проект в промышленную эксплуатацию.

Проблема возникает, когда такая работа решает только текущую задачу. Подготовка данных всегда будет частью внедрения ИИ, но значительную часть этих усилий следует использовать и в дальнейшем. Если команда обнаружит, что одно и то же поле или термин имеет разное значение в двух системах, устранение этой неоднозначности должно привести к созданию определения, которое смогут повторно использовать будущие приложения. Если команда решит, какому источнику доверять, когда данные в системах расходятся, это решение должно учитываться и при последующих внедрениях.

Тот же принцип применим и к интеграциям. Вместо того чтобы создавать отдельный способ доступа к продуктам и информации для каждой модели или агента, организациям следует выработать единые подходы, позволяющие системам ИИ находить достоверную информацию и использовать её.

Первая реализация всё ещё может потребовать значительных усилий: командам предстоит выявить определения, взаимосвязи и исключения, которые прежде хранились в опыте сотрудников. Эта работа может стать основой для дальнейших проектов, поскольку накопленные знания всё чаще входят в состав инфраструктуры организации. Последующие внедрения смогут опираться на результаты этой работы; степень её пользы будет зависеть от того, насколько общими будут данные и сценарии использования.

Это становится всё важнее по мере того, как ИИ перестаёт ограничиваться генерацией ответов и начинает выполнять действия в корпоративных системах. Инициатива NIST по стандартам для ИИ-агентов подчёркивает, насколько важно, чтобы агенты могли безопасно взаимодействовать с внутренними данными и внешними системами. По мере того как агенты берут на себя больше ответственности и взаимодействуют с большим количеством систем и моделей, организациям необходимо обеспечивать для каждого сценария использования подходящий контекст и средства контроля — без необходимости полностью начинать всё заново.

Управление должно стать частью рабочей среды

Многоразовая инфраструктура требует и многоразовых механизмов управления. Опрос EY о рисках и управлении ИИ за сентябрь 2026 года показал, что 91% руководителей высшего звена, отвечающих за ИИ, сообщили: их организации проводят пилотные проекты или внедряют агентный ИИ. При этом 49% респондентов, чьи организации используют агентов, заявили, что действующие в их организациях механизмы управления не были специально обновлены с учётом требований и рисков, связанных с агентным ИИ.

По мере того как ИИ берёт на себя больше ответственности в рамках бизнес-процесса, правила, регулирующие этот процесс, должны становиться частью среды, в которой работает ИИ. Агент может самостоятельно получать доступ к определённой информации, тогда как на других этапах процесса для продолжения работы могут требоваться проверка или одобрение человека. Такие решения не могут оставаться только в документе с политиками или в чьём-то представлении о том, как должен работать процесс.

Решения в области управления должны применяться не только при внутренних проверках, но и непосредственно в системах, в которых работает ИИ. Политики, разрешения и этапы согласования, определяющие работу системы, следует устанавливать в рамках самого внедрения. Если эти механизмы контроля не встроены в систему, командам придётся заново трактовать политики и разрешения при каждом внедрении нового сценария использования ИИ.

Подготовка к следующей волне ИИ

В 2027 году, когда предприятия будут направлять растущие бюджеты на ИИ, на ИТ-команды ляжет ответственность за всё большее число моделей, интеграций и систем. Главная проверка будет заключаться в том, смогут ли организации создать инфраструктуру, способную поддержать следующий этап развития.

Если командам по-прежнему приходится снова и снова согласовывать одни и те же определения, выстраивать те же связи и переводить одни и те же правила, возможно, ИИ масштабируется быстрее, чем инфраструктура, необходимая для его поддержки.

Это позволяет по-новому взглянуть на готовность к внедрению ИИ. О прогрессе следует судить не только по тому, сколько моделей или агентов удалось запустить в промышленную эксплуатацию, но и по тому, стала ли организация благодаря каждому внедрению лучше подготовлена к следующему.

ИИ уже ускоряет выполнение отдельных задач. Следующий прирост производительности будет связан с тем, насколько проще станет повторно использовать работу, лежащую в основе этих систем. ИИ всё глубже встраивается в бизнес-процессы, поэтому всё большему числу систем приходится опираться на одну и ту же основу данных. Созданная сейчас основа определит, насколько легко организации смогут использовать ИИ следующего поколения.