Ключевой метрикой зрелости управления данными в компаниях стало «время до получения данных» (время от возникновения бизнес-гипотезы до получения необходимых данных аналитиком). Дата-каталог с интегрированными AI-агентами сокращает это время с месяцев до часов. Об этом на конференции IT Elements-2026 рассказал руководитель направления Big Data АО «Инфосистемы Джет» Павел Егоров.
Он отметил, что пилоты машинного обучения на синтетических выборках демонстрируют впечатляющие результаты, однако в промышленной эксплуатации модели часто не работают. Основные причины — трудность поиска данных, их несвоевременная поставка и разная методология расчета одних и тех же показателей в разных подразделениях.
По оценке Павла Егорова, внедрение аналитических агентов уменьшает трудозатраты примерно в полтора раза за счет автоматизации поиска информации о местонахождении и методах расчета показателей.
«Тем не менее, узким местом остаются не модели, а данные», — отметила ведущий инженер-аналитик лаборатории технологий искусственного интеллекта аналитического центра кибербезопасности ООО «Газинформсервис» Ирина Меженева. «Синтетические данные чистые и согласованные, а аналитик в пилоте фактически выполняет роль живого каталога. При переходе в промышленную эксплуатацию этого специфического знания уже нет.»
Разница между доступом к LLM и промышленной эксплуатацией
Согласно исследованию «Инфосистемы Джет» и Smart Ranking, 86% крупных российских компаний внедрили большие языковые модели (LLM). Внедрение полуавтономных ИИ-агентов становится следующим шагом после базового использования LLM.
«Под словом ‘внедрили’ может скрываться разный уровень — от корпоративного доступа к чату до реальной работающей системы, встроенной в бизнес-процесс», — отметил руководитель Комитета по искусственному интеллекту Ассоциации «ИТ-Кластер Сибири», директор по развитию экосистемы ИИ-решений ООО «АрхиТех ИИ» (Kodik) Юрий Головко. По его словам, следует оценивать результат: какую долю работы выполняет ИИ, насколько изменились сроки и какую экономию получает компания.
«Считать долю компаний, внедривших только LLM без ИИ-агентов, нецелесообразно», — считает генеральный директор ООО «ТимШторм» Михаил Устинов. «В большинстве случаев это сценарий чата, который не масштабируется. Ключевой эффект возникает при переходе от LLM к ИИ-агентам.»
Данные исследования цифровизации, проведенного ООО «БПМСофт» (бренд BPMSoft, ИТ-холдинг АО «Лансофт»), озвучил технический директор компании Алексей Гришин: 58% компаний внедряют ИИ-решения или находятся на этапе пилотирования. 28% исследуют применение ИИ-агентов, 24% — генеративного ИИ, 20% — используют ИИ для подготовки данных, а еще 20% — в предиктивной аналитике. При этом только 20% компаний считают данные готовыми к использованию в ИИ-сценариях.
Провал пилота: технологические или управленческие причины
Неудачный пилот не всегда указывает на незрелость технологии, уверен Юрий Головко. По его словам, часто сотрудники получают новый инструмент, но продолжают использовать старые процессы: отсутствует четкое определение сценариев, настройка контекста, изменения регламентов и обучение персонала. «В таких условиях даже хороший агент будет использоваться как более дорогая версия обычного чата», — замечает он.
«Отдельным вопросом остается мотивация. Если работник воспринимает внедрение ИИ как предвестие сокращений, странно ожидать от него, что он будет искать способы сделать инструмент эффективным. Это управленческая, а не технологическая проблема,» — отметил Юрий Головко.
По оценке Михаила Устинова, доля компаний, которые достигли реального использования ИИ-агентов на реальных данных, не превышает 10-20%. При этом опыт «ТимШторм» показал сокращение срока регресса сложного продукта с двух недель до двух дней и увеличение скорости получения ценности на 30-50%.
Покупка не означает внедрение
«ИИ-агенты не работают по двум кнопкам, как чат-боты», — подчеркнула директор по маркетингу ООО «Девелоника Продакт Разработка» (бренд fabricaONE.AI, акционер — ПАО «Софтлайн») Светлана Горшкова. «Перестройка и внедрение — это серьезный инженерный процесс. Агенту нужны четкие источники, права доступа, интеграции и формализованные правила работы с информацией», — добавила она.
«В маркетинге fabricaONE.AI мы провели сортировку данных, создали базы для дата-каталогов, определили права доступа для ролей и настроили интеграцию с корпоративной моделью в закрытом контуре. Только после этого запустили ИИ-агента, который обеспечивает полную выборку по проекту с актуальными данными. Время доступа к данным сократилось для всех отделов — от HR и продаж до маркетинга», — отметила Светлана Горшкова.
Основной разрыв, по мнению Юрия Головко, будет не между компаниями, имеющими ИИ, и теми, кто его не имеет, а между теми, кто научился им эффективно пользоваться, и теми, кто просто приобрел доступ к инструментам.
Агенты поверх каталога: новые риски
«Подключение ИИ-агентов к дата-каталогу — логичное направление, но требующее подготовки. Качество работы агента напрямую зависит от качества каталога», — отметила Ирина Меженева. Она выразила мнение, что если метаданные неполные и не имеют владельцев, каталог будет устаревать, и украденное время снова будет потеряно на уточнения.
«Если один показатель трактуется по-разному и ни одна версия не определена как корпоративный стандарт, агент не сможет устранить это противоречие — он лишь быстрее выдаст одну из версий», — добавил Юрий Головко. «Сначала необходимы владельцы показателей, согласованные определения и правила качества данных.»
«Агент, подключенный к каталогу, получает права чтения ко всем данным компании и становится мишенью для промпт-инъекций», — предостерегла Ирина Меженева. Минимальные права доступа и журналирование действий должны быть спроектированы одновременно с каталогом, подчеркнула она.
«Главное ограничение внедрения ИИ связано не столько с доступностью моделей, сколько с состоянием данных», — заключил Алексей Гришин.