Искусственный интеллект быстро внедряется в корпоративной среде — от экспериментов к повседневному использованию. Компании разворачивают copilot, agents и predictive systems в финансах, цепочках поставок, кадровых процессах и клиентских операциях. К концу 2025 года половина компаний использовала AI как минимум в трех бизнес-функциях, согласно недавнему опросу.
Но по мере того как AI встраивается в ключевые рабочие процессы, бизнес-лидеры выясняют, что главное препятствие — не качество модели и не вычислительная мощность, а качество и контекст данных, на которых эти системы основаны. По сути, AI предъявляет новое требование: системы должны не только получать доступ к данным — они должны понимать бизнес-контекст, стоящий за ними.
Без этого контекста AI может быстро генерировать ответы, но все равно принимать неверные решения, говорит Ирфан Хан, президент и директор по продуктам SAP Data & Analytics.
«AI невероятно хорош в том, чтобы выдавать результаты, — говорит он. — Он работает быстро, но без контекста не может проявлять здравый смысл, а именно здравый смысл создает окупаемость инвестиций для бизнеса. Скорость без здравого смысла не помогает. Она может даже навредить нам».
В новой эпохе автономных систем и интеллектуальных приложений этот слой контекста становится необходимым. Чтобы обеспечить контекст, компаниям нужен хорошо спроектированный data fabric, который не просто интегрирует данные, говорит Хан. Правильный data fabric позволяет организациям безопасно масштабировать AI, координировать решения между системами и agents и добиваться того, чтобы автоматизация отражала реальные бизнес-приоритеты, а не принимала решения изолированно.
Понимая это, многие организации пересматривают свою архитектуру данных. Вместо простого переноса данных в единое хранилище они ищут способы связать информацию между приложениями, облаками и операционными системами, сохранив семантику, описывающую, как работает бизнес. Этот сдвиг подогревает растущий интерес к data fabric как к фундаменту AI-инфраструктуры.
Потеря контекста — критическая проблема для AI
Традиционные стратегии работы с данными в основном были сосредоточены на агрегации. За последние два десятилетия организации много инвестировали в извлечение информации из операционных систем и загрузку ее в централизованные хранилища, data lake и дашборды. Этот подход упрощает формирование отчетов, мониторинг показателей и получение аналитики по всему бизнесу, но в процессе большая часть смысла, связанного с данными — того, как они соотносятся с политиками, процессами и реальными решениями, — теряется.
Возьмем две компании, использующие AI для управления сбоями в цепочке поставок. Если одна использует сырые сигналы вроде уровней запасов, сроков поставки и supply scores, а другая добавляет контекст из бизнес-процессов, политик и метаданных, обе системы быстро проанализируют данные, но, вероятно, придут к разным выводам.
Такая информация, как какие клиенты являются стратегическими счетами, какие компромиссы допустимы во время дефицита и каков статус протяженных цепочек поставок, позволит одной AI-системе принимать стратегические решения, а у другой не будет нужного контекста, говорит Хан.
«Обе системы работают очень быстро, но только одна движется в правильном направлении, — говорит он. — Это premium контекста и то преимущество, которое вы получаете, когда ваша data foundation по замыслу сохраняет контекст сквозь процессы, политики и данные».
Раньше компании неявно компенсировали нехватку контекста тем, что недостающую информацию предоставляли люди-эксперты, но с AI возникает дефицит, и это создает серьезные ограничения. AI-системы не просто показывают информацию; они действуют на ее основе. Если система не объясняет, почему данные важны, AI-модель может оптимизировать не тот результат. Показатели запасов, истории платежей или сигналы спроса могут быть точными, но они не обязательно показывают, каких клиентов нужно ставить в приоритет, какие контрактные обязательства применяются и какие продукты имеют стратегическое значение. В результате система может выдавать ответы, которые технически верны, но операционно ошибочны.
Это осознание меняет то, как компании смотрят на готовность к AI. Большинство признают, что у них нет зрелых процессов и инфраструктуры данных, чтобы доверять своим данным и AI-системам. Только одна из пяти организаций считает свой подход к данным высоко зрелым, и лишь 9% чувствуют себя полностью готовыми к интеграции и взаимодействию со своими системами данных.
Не консолидировать, а интегрировать
Возникающее решение — data fabric: абстракционный слой, охватывающий инфраструктуру, архитектуру и логическую организацию. Для agentic AI этот слой становится основным интерфейсом, позволяя agents взаимодействовать с бизнес-знаниями, а не с сырыми системами хранения. Центральную роль здесь играют knowledge graphs, которые дают agents возможность запрашивать корпоративные данные на естественном языке и с опорой на бизнес-логику.
Ценность data fabric опирается на три компонента: intelligent compute, обеспечивающие скорость; knowledge pool, дающий понимание бизнеса и контекст; и agents, которые обеспечивают автономные действия, основанные на этом понимании. Сила этого подхода, говорит Хан, в том, как эти возможности работают вместе.
Технология задает архитектуру — фундамент, который делает возможными коммуникацию и координацию между agents. Процесс определит, как бизнес и IT будут разделять ответственность, и сформирует governance и культуру, в которой люди достаточно доверяют системе, чтобы ее принять. Только когда все три элемента работают вместе, business data fabric действительно становится успешной.
«Он обеспечивает уверенные, последовательные решения, и когда все эти элементы сходятся вместе, AI не просто анализирует и интерпретирует данные — он принимает более умные и быстрые решения, которые действительно создают бизнес-эффект, — говорит он. — Это и есть обещание продуманно спроектированного business data fabric, где каждая часть усиливает другую, а каждое наблюдение основано на доверии и ясности».
С технической точки зрения создание data-fabric-слоя требует нескольких возможностей. Данные должны быть доступны в нескольких средах через federation, а не через принудительную консолидацию. Нужен semantic layer или knowledge layer, который согласует смысл между системами, часто при поддержке knowledge graphs и metadata, управляемых каталогом. Governance и enforcement политики также должны работать через весь fabric, чтобы AI-системы могли получать доступ к данным безопасно и последовательно.
Вместе эти элементы создают основу, в которой AI взаимодействует с бизнес-знаниями, а не с сырыми системами хранения — это необходимый шаг от экспериментов к реальной корпоративной автоматизации.
За пределами изоляции данных и дашбордов
В новой эпохе agentic AI ответственность за мониторинг, анализ и принятие решений на основе данных все чаще переходит к программному обеспечению. AI agents могут отслеживать события, запускать workflows и принимать решения в реальном времени, часто без прямого вмешательства человека. Такая скорость открывает новые возможности, но и повышает ставки. Когда несколько agents работают в финансах, цепочке поставок, закупках или клиентских операциях, ими должен управлять единый взгляд на бизнес-приоритеты.
Без общего knowledge layer, который связывает разрозненные данные между собой, координация между системами быстро ломается. Одна система может оптимизировать маржу, другая — ликвидность, третья — compliance, и каждая будет работать на основе своего фрагмента данных.
Важно, что у большинства предприятий уже есть большая часть знаний, необходимых для того, чтобы это заработало, говорит Хан. Годы операционных данных, master data, workflows и логики политик уже существуют в бизнес-приложениях — компаниям нужно лишь сделать их доступными. Компании, которые внедряют data fabrics, получают больше доверия к своим данным: более двух третей предприятий отмечают улучшение доступности данных, их прозрачности и усиление контроля над ними.
«Возможность не в том, чтобы изобретать контекст с нуля, а в том, чтобы активировать и связать уже существующий контекст по всему бизнесу, — продолжает он. — А data fabric — это архитектура, которая обеспечивает соединение семантики данных, бизнес-процессов и политик в единую систему across all the clouds».
Deep Dive
Artificial intelligence
OpenAI бросает все силы на создание полностью автоматизированного исследователя
Эксклюзивная беседа с главным научным сотрудником OpenAI Якубом Пахоцким о новом большом вызове компании и будущем AI.
Will Douglas Heavenarchive page
Как Pokémon Go помогает доставочным роботам видеть мир с точностью до сантиметра
Эксклюзив: AI-спин-офф Niantic обучает новую world model на основе 30 миллиардов изображений городских ориентиров, собранных игроками.
Will Douglas Heavenarchive page
Хотите понять текущее состояние AI? Посмотрите на эти графики.
Согласно AI Index Stanford 2026, AI набирает скорость, а мы не успеваем за ним.
Этот стартап хочет изменить то, как математики занимаются математикой
Axiom Math бесплатно раздает мощный новый AI-инструмент. Но еще предстоит понять, ускорит ли он исследования так сильно, как рассчитывает компания.
Will Douglas Heavenarchive page
Материал — перевод статьи с английского.
Оригинал: AI needs a strong data fabric to deliver business value