Плата за pipeline тормозит enterprise AI на масштабе агентных систем
Sponsored
Опубликовано 18 мая 2026 года
Куайс Тараки, технический директор EDB
Спонсируемый материал
ТЕХСТ, СПОНСИРУЕМЫЙ КОМПАНИЕЙ
Три месяца назад разговор, который я вел с руководителями корпоративных технологий, касался того, какую модель стоит дообучать. Сегодня он посвящен тому, почему именно pipeline, питающий эту модель, стал причиной того, что их AI-проект отстает от графика на шесть месяцев. И, что еще важнее, почему добавление новых pipeline и увеличения облачной мощности не превращается в измеримую ценность от AI в production.
Это не совпадение. Архитектура enterprise AI 2025 года — векторные базы данных, слои RAG, фреймворки оркестрации и pipeline загрузки данных из operational systems — строилась на предположении, которое не выдерживает столкновения с production: что предприятия смогут достаточно быстро перемещать данные, чтобы AI agents были полезны в real time, а затем восстанавливать governance downstream после каждого перемещения.
Это предположение пришло из до-AI архитектур. Это было все равно что добавлять новых лошадей вместо того, чтобы строить horsepower. Для AI в production нужна brake-horsepower infrastructure, которая соединяет data и AI в real time в sovereign infrastructure, а не разводит их по разным местам.
Следующее поколение успешной enterprise architecture начинается и заканчивается на моторе внутри этой машины: на data layer.
Это новый мир двигателя, где все части подходят друг к другу и работают вместе в real time. Это не набор фрагментированных элементов, склеенных с благими намерениями и оптимизированных лишь для снижения drag и friction, — это означает создание совершенно новой sovereign системной модели для успеха AI.
Старая предпосылка не может сохраниться. И именно data layer ломается первым.
Плата за pipeline, которой нет в балансе
Посмотрите на архитектуру, которую на самом деле используют большинство крупных организаций. Transactional systems подают данные в pipeline, которые затем питают warehouses, lake houses, feature stores и models. Каждый переход — это перевод. И каждый перевод — это место, где нужно заново применять правила governance, где lineage становится размытым, а masking rule, заданное в одной системе, может тихо не распространиться на следующую.
К тому времени, когда данные доходят до AI agent, они могут быть скопированы четыре раза и управляться тремя режимами governance, которые не вполне согласованы друг с другом. Затем регулятор задает простой вопрос: «Можете показать, куда ушли данные этого клиента и кто с ними работал?» — и ответ занимает шесть недель и консультационный проект.
Это и есть pipeline tax. Он не появляется отдельной строкой в бюджете, но проявляется как audit findings, AI hallucinations, остановленные migrations и причина, по которой 95% предприятий говорят, что хотят работать как собственные sovereign AI and data platforms, тогда как только 13% сообщают, что действительно преуспевают в этом. Эти цифры взяты из недавнего исследования клиентов EDB, но более широкий паттерн виден по всему рынку: Gartner связывает отказ от GenAI-проектов с плохим качеством данных, недостаточными risk controls, ростом затрат и неясной бизнес-ценностью. А опрос McKinsey State of AI 2025 показал, что AI распространяется шире, но большинство организаций еще не масштабировали технологию до эффекта на уровне всей компании.
Отступление от архитектуры 2025 года происходит массово — и быстро
Рынок уже начал это понимать. Отказ от RAG-инфраструктуры, которую предприятия строили в 2025 году, реален: VB Pulse выяснил, что организации, которые «широко внедряли RAG в 2025 году», теперь сталкиваются с общей точкой отказа — архитектуры, созданные для document retrieval, не выдерживают agentic scale. Одиночный метод vector similarity уже недостаточен для production agentic workloads, где требуются точность, access control и контекст между системами.
Из-за этого меняются и категории vector database. Проблема не в том, что retrieval исчезает; проблема в том, что простой pipeline от RAG к vector database перестраивается под другую эпоху AI. Hyperscalers уже начинают перестраивать свои data stacks вокруг agents, а не pipeline. Даже старожилы lake house публикуют исследования, утверждая, что когда запросы охватывают databases и documents, одних более сильных моделей недостаточно — нужна архитектура.
Чего не хватает большинству этих историй, так это следующего шага. Если проблема в pipeline, что их заменит?
Always-on-governance — новая модель на уровне data layer
Архитектурный ответ, который сейчас формируется, прост: перестать перемещать data и привести agents и AI к data. Governance должен быть встроен в data layer по умолчанию, а не прикручен ко всем downstream system постфактум.
Нужно рассматривать governance как свойство самой architecture. Представьте человеческое тело: органы выполняют разные функции, но они взаимозависимы и управляются одной системой 24x7x365. Enterprise AI нужен тот же принцип. Разные системы и agents могут служить разным целям, но они должны работать по одним и тем же правилам governance, policy и sovereign control.
Необходимые для этого элементы уже не выглядят теоретическими. Postgres®, где уже хранится значительная часть operational data предприятия, может выступать как governance control plane с row-level security, column masking и lineage, встроенными в сам engine. Apache Iceberg уже выиграл спор об open table format. Model Context Protocol дает AI agents стандартизированный и управляемый способ получать доступ к operational data без необходимости делать custom integration для каждого приложения.
Все это — не разговор о roadmap на 2027 год. Это разговор о закупках, который идет уже сейчас.
Migration — это capability, а не проект
Та же логика относится и к backlog модернизации, который блокирует все остальное. Migration исторически считалась проектом: определить объем, нанять людей, пройти через мучения и сдать на 18 месяцев позже.
Причина, по которой это по-прежнему болезненно, в том, что сама работа — поиск зависимостей schema, перевод встроенной бизнес-логики, проверка functional equivalence — это как раз тот тип высококонтекстного, повторяющегося reasoning, в котором coordinated AI agents уже действительно сильны.
Демонстрации перевода COBOL, которые привлекли внимание в этом году, — это лишь передний край чего-то большего: migration становится автономной, непрерывно работающей capability, а не разовым программным проектом. Это меняет unit economics. И оно же меняет стратегический вопрос. Важный вопрос уже не в том, «Сколько времени займет эта Oracle migration?», а в том, «Как быстро мы сможем развивать всю нашу platform strategy?»
Data layer — место, где решается следующее десятилетие
Победителями следующего десятилетия в enterprise infrastructure станут не те, у кого самый быстрый query engine или самый удобный notebook experience. Ими станут те, кто понимает, что data movement ломает enterprise AI.
Плата за pipeline уже была уплачена достаточно долго. Интересная работа теперь начинается на data layer — и начинается она тогда, когда предприятия перестают платить этот налог.
Pipeline model ломается на agent scale. Он родился из благих намерений, но в мире, который движется к 1 billion agents, выполняющим 217 billion instructions в день, он архитектурно средневековый. Эра agentic будет выиграна на data layer.
Материал — перевод статьи с английского.
Оригинал: The pipeline tax is breaking enterprise AI at agent scale