Ключевой метрикой зрелости управления данными в компаниях стало "time-to-data" (время от возникновения бизнес-гипотезы до получения аналитиком нужных данных). При этом дата-каталог с подключенными AI-агентами сокращает это время с месяцев до часов. Об этом на конференции IT Elements-2026 заявил руководитель направления Big Data АО "Инфосистемы Джет" Павел Егоров.

Он отметил, что пилоты машинного обучения на синтетических выборках показывают впечатляющие результаты, однако при переходе в промышленную эксплуатацию модели часто не работают. Основные причины - данные не удается найти, они поставляются несвоевременно, а одни и те же показатели считаются по разным методикам в разных подразделениях.

По оценке Павла Егорова, внедрение агентов для аналитики снижает трудозатраты примерно в полтора раза за счет автоматизации ручного сбора информации о местонахождении и методике расчета показателей.

"И все же узким местом являются 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 личного знания уже нет".

Разница между доступом к LLM и промышленной эксплуатацией

По данным исследования "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 реально 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, оценивать следует результат: какую долю работы выполняет ИИ, насколько изменились сроки и какую экономию получает компания.

"При этом оценивать долю компаний, внедривших только LLM без ИИ-агентов, нет смысла, - 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"), привел технический директор компании Алексей Гришин: 58% компаний внедряют ИИ-решения или находятся на стадии пилотирования. 28% изучают применение ИИ-агентов, 24% - генеративного ИИ, 20% - используют ИИ для подготовки данных и еще 20% - в задачах предиктивной аналитики. При этом только 20% компаний считают данные готовыми к использованию в ИИ-сценариях.

Провал пилота: технологические или управленческие причины

Неудачный пилот не всегда говорит о незрелости технологии, уверен Юрий Головко. По его словам, часто сотрудникам дают новый инструмент, но оставляют старый процесс: никто не определяет конкретные сценарии, не настраивает контекст, не меняет регламенты и не обучает людей. "В таких условиях даже хороший агент будет использоваться как более дорогая версия обычного чата", - замечает он.

"Отдельный вопрос - мотивация. Если работник воспринимает внедрение ИИ как подготовку к сокращению отдела, странно ожидать, что он будет искать способы сделать инструмент эффективным. Это управленческая, а не технологическая проблема", - отметил Юрий Головко.

По оценке Михаила Устинова, количество компаний, дошедших до 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 доставки ценности на 30-50%.

Покупка не означает внедрение

"ИИ-агенты не работают по двум кнопкам, как чат-боты", - подчеркнул директор по маркетингу ООО "Девелоника Продакт Разработка" (бренд fabricaONE.AI, акционер - ПАО "Софтлайн") Светлана Горшкова. "Перестройка и внедрение - это серьезный инженерный процесс. Агенту нужны понятные источники, права доступа, интеграции и формализованные правила работы с информацией", - отметила она.

"В маркетинге fabricaONE.AI провели работу по сортировке данных, создали базы для дата-каталогов, определили доступы для ролей и настроили интеграцию с корпоративной моделью в закрытом контуре. Только потом запустили ИИ-агента, который дает 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 проходить не между компаниями, у которых есть ИИ, и у которых его нет, а между теми, кто научился им пользоваться, и теми, кто просто купил 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. По ее мнению, если метаданные ведутся неполно и не имеют владельцев, каталог будет устаревать, и выигранное время снова потеряется на уточнения.

"Если один показатель имеет несколько трактовок и ни одна не обозначена как корпоративный стандарт, агент не устранит противоречие - он быстрее выдаст одну из версий, - добавил Юрий Головко. - Сначала нужны владельцы показателей, согласованные определения и правила качества данных".

"Агент, подключенный к каталогу, получает права чтения фактически ко всем данным компании и становится мишенью для промпт-инъекций", - предупредила Ирина Меженева. Минимальные права доступа и журналирование действий следует проектировать одновременно с каталогом, подчеркнула она.

"Главное ограничение внедрения ИИ связано не столько с доступностью моделей, сколько с состоянием данных", - резюмировал Алексей Гришин.