Xebia: почему AI-агенты не работают без правильной data foundation

Если ваша задача — помочь организации внедрить AI-агентов для ускорения процессов, начинать нужно с основы: данные должны быть доступны для потребления ИИ. По словам Niels Zeilemaker, global CTO в Xebia, агентный ИИ масштабируется на прочности данных.

«Если вы не продумаете это заранее, вы сможете построить лучшего агента, но он так и не сможет найти нужные данные; возможно, он неверно их интерпретирует, возможно, объединит в ваших данных разные поля, которые никогда не следовало связывать», — объясняет Zeilemaker. «И эти ошибки не обязательно вина агента. Вина в вашей основе, которая не готова к AI-агентам».

Одна из областей, на которую особенно стоит обратить внимание, — data cataloguing. Это не новая концепция, но для агентов правила меняются. «Если вы настраиваете data catalogue для организации, состоящей только из людей, всегда есть запасной вариант, — говорит он. — Если что-то плохо задокументировано, можно позвонить коллеге, подойти к нему и получить своего рода обходной путь: “как мне работать с этим конкретным набором данных?”

«У агентов такого обходного пути нет. Им приходится полагаться на data catalogue и на то, что там написано, а если описание неверное, агенты не будут работать».

Фокус Xebia — помогать организациям превращать AI-стратегию в production-ready решения, которые быстрее дают реальную трансформацию. Среди ключевых принципов компании — people first и quality without compromise, но, как считает Zeilemaker, особенно важен обмен знаниями — в том числе на мероприятиях вроде TechEx Global North America, в котором Xebia участвовала.

«Я считаю, что обмен знаниями для нас очень важен, и он также позволяет нам быть немного впереди рынка, быстро адаптироваться к новым изменениям, потому что у всех есть желание узнавать новое и делиться тем, что работает, а что нет», — говорит Zeilemaker. «Сильно делая ставку на обмен знаниями и инновации, мы также стараемся выбрать несколько областей, в которых хотим быть авторитетом».

Очевидно, что одна из таких областей — data и ИИ. На AI & Big Data Expo Zeilemaker рассказал участникам, как выстраивать эту AI foundation и объединять фрагментированные data landscapes. Это был откровенный рассказ о том, как сочетание специализированных AI-агентов и экспертной инженерии сокращает срок проекта с 12–24 месяцев до контракта с фиксированной ценой и этапами по вехам.

Общая идея этого подхода — то, что Xebia называет Agentic Data Foundation (ADF). Он расширяет data platform, чтобы размещать в ней агентов, а затем использовать их как в customer-facing сценариях, так и во внутренних процессах. Если раньше был большой спрос на миграцию с legacy-платформ на современные, то теперь, по словам Xebia, всё больше клиентов хотят подход, который позволит быстрее — и надежнее — мигрировать в data platform. Zeilemaker говорит, что именно здесь консультант и клиент совместно разрабатывают решение.

«Агенты должны полагаться на data catalogue и на то, что там написано — а если описание неверно, агенты не будут работать»

«После миграций по старинке и ускорения части из них с помощью LLM coding мы теперь интегрируем это в data platform, используя дополнительный контекст, который она может дать, чтобы ещё больше ускорить миграции», — говорит он.

Накопленный опыт и стал основой Xebia Axis: Agentic Data Foundation — ответа Xebia на задачу сделать enterprise-данные AI-ready быстрее, чем любой альтернативный подход.

Ещё один инструмент в арсенале Xebia — Xebia ACE: AI-Native Software Engineering, framework, который встраивает ИИ во весь software development lifecycle (SDLC) организации. При правильном внедрении скорость delivery можно повысить до 40%, а затраты на legacy transformation — сократить до 70%.

Zeilemaker отмечает, что Xebia ACE особенно полезен крупным enterprise-компаниям, которые «возможно, всё ещё хотят придерживаться определённой модели governance или способа работы при прохождении SDLC». Но здесь есть и более широкая картина. В качестве примера Zeilemaker приводит vibe coding. «Если подумать о vibe coding, любой может создать приложение, но никто не решается действительно выводить такие приложения в production», — говорит он. «Если вы внедряете ACE, вы по-прежнему получаете многие преимущества ускорения от LLM, но сохраняете тот же уровень качества конечного результата, к которому привыкли раньше.

«Если вы хотите перейти к использованию LLM в coding, Xebia ACE даст вам очень удобный framework, без риска и без недостатков подхода dark factory LLM, когда вы просто надеетесь на лучшее — и при этом теряете часть контроля или governance в процессе», — добавляет Zeilemaker.

Для enterprise-клиентов этот контроль критически важен. Когда генерируется так много кода, AI-driven SDLC может стать уязвимостью из-за vulnerabilities. Zeilemaker считает, что индустрии ещё предстоит до конца разобраться с этим вопросом, но с интересом отмечает недавний шаг Anthropic, выпустившей reviewer для pull request.

«Это интересный пример, и, вероятно, мы будем видеть такое всё чаще», — говорит он. «Будут очень длинные pull request reviews, которые вы проходите каждый раз, когда пытаетесь сделать новый production release. И затем вы добавляете в процесс очень senior участника команды в форме LLM, который выполняет своего рода third-party review.

«Мне кажется, это интересный вектор того, что мы увидим чаще в будущем».

В итоге, на каком бы этапе ни была организация — от оценки готовности данных до готовности к разработке — Xebia может помочь выстроить правильную основу и затем создавать трансформацию поверх неё.

Материал — перевод статьи с английского.

Оригинал: Xebia: Why AI agents fail without the right data foundation