media-blend
text-black

Успешная бизнес-леди проводит совещание со своей командой.

Качество и управление данными в эпоху агентного ИИ: что нужно знать директорам по информационным технологиям и руководителям отделов данных прямо сейчас.

На каком этапе развития агентного ИИ находится ваша организация?

default

#

default

#

primary

default

#

secondary

Data quality and governance in the age of agentic AI: What CIOs and Chief Data Officers need to know right now

Подобные дискуссии уже ведутся на уровне совета директоров в большинстве предприятий. Ваши команды развертывают агентов искусственного интеллекта. Некоторые из них подают большие надежды. И где-то тихо кто-то спрашивает: «А что произойдет, если агент ошибется?»

Короткий ответ: всё зависит от качества данных, на которых проводилось тестирование.

Мы годами обсуждали качество данных и управление ими как важные инициативы. Это задача для отдела обработки данных или ИТ-специалиста. Да, это важно, но редко бывает настолько срочно, чтобы конкурировать за эфирное время с руководителями высшего звена. Искусственный интеллект, использующий агентные технологии, полностью и быстро меняет порядок принятия решений по приоритетам.

The shift that changes everything

Традиционный ИИ по своей сути был консультативным инструментом. Оно выявляло закономерности, указывало на аномалии и предлагало дальнейшие шаги. Человек сидел посередине, просматривая результаты и принимая решение о дальнейших действиях. Этот человеческий фактор был вашей страховочной сеткой.

Агентный ИИ снимает с себя сетку.

Эти системы извлекают данные, вызывают внешние инструменты, запускают рабочие процессы, обновляют записи, отправляют сообщения и принимают решения, зачастую без какого-либо участия человека при проверке результатов. Это не будущее. Именно это сегодня внедряют корпоративные команды.

Как формулирует TDWI: «Практический вопрос больше не в том, „Достаточно ли хороша модель?“» Вопрос в том, «Достаточно ли надежна среда данных для того, чтобы система искусственного интеллекта могла на них реагировать?» (TDWI, Качество данных — это плоскость управления для корпоративного агентного ИИ).

Этот вопрос напрямую затрагивает задачи директора по информационным технологиям и директора по данным и аналитике.

What your data teams are already telling you

Исследование, проведенное SAP в начале 2026 года среди специалистов по анализу данных в США и Великобритании, ясно показывает следующее: проблемы с базой данных, которые руководители ИТ-отделов и директора по данным решают уже много лет, создают проблемы на операционном уровне.

Вот что сказали сами специалисты:

«В наших данных по многим показателям нет единого источника достоверной информации». «Если вы поговорите с аналитиками в определенных отделах, а затем обратитесь ко мне и зададите нам обоим одни и те же вопросы, вы получите два разных ответа». Бизнес-аналитик, технологии и электроника

«В нашей организации фактически отсутствует структура управления, поэтому в данный момент мы занимаемся назначением ответственных за данные и внедрением основных политик и процессов». Специалист по управлению данными, правительство

«Скорость изменений в области ИИ усиливает давление». Постоянно ожидается внедрение GenAI, автоматизации, новых инструментов, которые они видят на этих конференциях или читают где-то в LinkedIn, в то время как мы все еще поддерживаем этот уровень конкурентоспособности. Специалист по анализу данных, здравоохранение и фармацевтика

Это не исключительные случаи. Они описывают общие условия, характерные для различных отраслей. И они описывают точную среду, в которой развертываются агенты искусственного интеллекта.

Why agentic AI amplifies, not fixes, data problems

Агенты наследуют проблемы качества данных, а затем реализуют их. В больших масштабах. Без осуждения.

Ваши данные были разработаны, по крайней мере, косвенно, для интерпретации людьми, способными распознать, когда что-то выглядит не так. Опытный аналитик поставил бы под сомнение ценовую политику, которая кажется устаревшей. Менеджер по работе с клиентами заметит уведомление о просрочке платежа, которое не должно было быть отправлено. Агенты этого делать не будут. Они действуют на основе полученных данных, точно и последовательно, что и является проблемой, когда данные неверны.

Компания Gartner приводит цифры, подтверждающие риски: 52% предприятий называют качество данных основным препятствием для внедрения агентов, а 40% агентов ИИ, по прогнозам, потерпят неудачу к 2027 году из-за пробелов в управлении (The Daily Brief, июль 2026 г., Gartner: 40% агентов ИИ потерпят неудачу к 2027 году — пробел в управлении). Это не теоретические прогнозы. Они уже появляются в застопорившихся программах и неудачных пилотных проектах.

Чаще всего проявляются три модели риска:

Классические проблемы качества данных, теперь доступные в практическом применении. Сюда входят неполные записи, устаревшие данные и дубликаты. Аналитические группы годами мирились с этим, потому что результаты всегда проверялись человеком. Уберите этот уровень проверки, и те же проблемы приведут к каскадным ошибкам в подключенных системах, прежде чем кто-либо это заметит.

Фрагментация контекста. Это самый недооцененный риск. Исследование показывает, что 77% руководителей сообщают, что только 20% или менее корпоративных данных достаточно описаны и контекстуализированы для использования агентами (PR Newswire, июль 2026 г., Новое исследование: Почему корпоративный агентный ИИ застопорился, прежде чем начнет масштабироваться). Агенты могут считывать необработанные значения полей. Они не могут сделать вывод о деловой значимости данных из столбцов без меток, неоднозначных кодов статуса или недокументированных взаимосвязей. Технически корректные данные, которые агент неправильно интерпретирует, ничем не лучше ошибочных данных. Это неверные данные, но с чистым аудиторским следом.

Неконтролируемый доступ. Агенты читают все, к чему имеют доступ, включая устаревший, неправильно помеченный или конфиденциальный контент в неуправляемых хранилищах. 80% организаций сообщают, что их агенты искусственного интеллекта уже выполнили действия, выходящие за рамки их запланированного назначения. Это включает в себя 39% случаев несанкционированного доступа к системам и 31% случаев неправомерного обмена конфиденциальными данными (Non-Human Identify Management Group, декабрь 2025 г., «Управление агентами ИИ сталкивается с корпоративными средствами обеспечения безопасности »).

Governance is now your AI control plane

В эпоху агентского подхода управление данными перестает быть функцией обеспечения соответствия нормативным требованиям или ИТ-практикой. Это становится оперативным уровнем управления, определяющим поведение ИИ, то, к чему он может прикасаться, какие действия он может совершать и какие записи он оставляет после себя.

Подумайте об этом так: качество данных определяет, насколько хорошо агент выполняет свою задачу. Управление данными определяет, что агенту разрешено видеть, делать и изменять, и обеспечивает отслеживаемость и подотчетность этих решений. Важны оба варианта. Ни один из них не является достаточным без другого.

Управление агентным ИИ должно ответить на четыре конкретных вопроса, которые традиционное управление часто обходит стороной:

  1. Кому принадлежит каждый домен данных и кто несет ответственность за его качество до того, как агенты начнут с ним работать?
  2. Какие пороговые значения качества должны быть соблюдены, прежде чем будет разрешено автономное действие?
  3. К какому контенту имеет доступ каждый агент, это определяется во время выполнения программы, а не просто документируется в политике?
  4. Что сделал агент и почему, что зафиксировано в надежной, подлежащей аудиту записи?

Регулятивный аспект больше не является необязательным. Статья 10 Закона ЕС об искусственном интеллекте прямо требует обеспечения контроля качества, происхождения и конфиденциальности данных в качестве условия внедрения. Органы надзора за соблюдением GDPR по всей Европе опубликовали специальные рекомендации по рискам защиты данных, связанных с использованием искусственного интеллекта в агентных системах. Если ваша организация работает в сфере финансовых услуг, здравоохранения или государственного сектора, ваши сотрудники уже находятся под пристальным вниманием.

Where do you stand? A data and AI maturity self-assessment

Наиболее важным выводом исследования для директоров по информационным технологиям и директоров по цифровым технологиям может быть следующее: стратегии вовлечения должны соответствовать уровню зрелости данных в организации. Независимо от того, борется ли организация с устаревшими системами или внедряет возможности, основанные на искусственном интеллекте, обсуждение и приоритеты должны соответствовать реальному положению организации.

Вот практическая схема для оценки вашего текущего положения и определения следующего правильного шага.

Этап 1: Реактивная основа

Как это выглядит: Данные хранятся в разрозненных системах. Не существует единого, неизменного источника истины. Разные команды дают разные ответы на один и тот же вопрос. Право собственности на данные носит неформальный характер или отсутствует. Ручная сверка является нормой. Искусственный интеллект пока не рассматривается всерьез, за исключением отдельных точечных решений.

Признак проблемы: ваши специалисты по управлению данными (или их отсутствие) большую часть времени тратят на решение текущих проблем, а не на их решение. Как выразился один из специалистов по управлению данными: «У нас на самом деле нет структуры управления». Мы сейчас занимаемся распределением владельцев данных.

Что должно произойти до появления агентов: установить права собственности на данные. Распределите ответственность по областям. Выявите и устраните наиболее критические недостатки в качестве вашей продукции. В этой среде агентный ИИ будет усугублять все ваши проблемы.

Этап 2: Идет процесс консолидации.

Как это выглядит: Вы проводите модернизацию. Идет миграция в облако. Наблюдается тенденция к созданию консолидированных платформ и более четким потокам данных. Однако устаревшие системы по-прежнему сосуществуют с современной инфраструктурой, а политика управления либо проводится на ранней стадии, либо является непоследовательной. Искусственный интеллект используется для решения задач, повышающих производительность: помощь в написании кода, создание документации, обнаружение аномалий.

Характерный признак: команды упрощают процессы, но делают это осторожно. Опасение вызывает либо привязка к монолитной платформе, либо потеря лучших в своем классе возможностей. Один из корпоративных архитекторов описал успех следующим образом: «Правильные данные для правильных людей в правильное время и в правильном формате». Эта цель очевидна, но еще не достигнута.

Что должно произойти до появления агентов: Приоритизация семантического контекста. Добавьте метаданные к наиболее важным для вашего бизнеса данным. Начните создавать возможности для проведения аудита, которые потребуются для осуществления действий агентов. Определите пороговые значения качества в зависимости от сценария использования.

Этап 3: Управляемый интеллект

Как это выглядит: Единая платформа данных уже создана или находится в стадии разработки. Назначаются владельцы данных. Происхождение отслеживается. Политики управления существуют и соблюдаются, по крайней мере, в отношении основных областей. Искусственный интеллект приносит реальную пользу бизнесу в области аналитики, отчетности и поддержки принятия решений.

Главный признак: ваши специалисты по работе с данными описывают успех в терминах бизнеса. «Я слежу за тем, чтобы наши системы работали максимально эффективно и избегали ошибок в отчетности, поскольку бизнес полагается на наши данные для принятия стратегических решений» (бизнес-аналитик, производство). Данные заслуживают доверия. Вопрос смещается от качества к возможностям.

Что должно произойти до появления агентов: Расширение возможностей отслеживания происхождения данных до уровня принятия решений. Обеспечьте соблюдение принципа минимальных привилегий доступа на уровне агентов в режиме реального времени. Установите пороговые значения качества, определяющие возможность автономных действий. Сначала проведите пилотное тестирование агентов в ограниченных, менее рискованных областях.

Этап 4: Готовность к созданию агентного ИИ

Как это выглядит на практике: управление данными обеспечивается во время выполнения программы, а не просто документируется в политике. Бизнес-метаданные и семантический контекст присутствуют во всех основных областях. Журналы аудита фиксируют цепочки принятия решений, а не только потоки данных. Агенты действуют в рамках установленных правил, при этом исключения контролируются человеком.

Подсказка: Ваши команды задают правильный вопрос, тот, который определила TDWI: не достаточно ли хороша модель, а достаточно ли надежна среда данных для того, чтобы агент мог на ней действовать. И у вас есть убедительный ответ.

Что следует защищать: Сохраняйте объяснимость и обратимость как защитные механизмы. Результаты исследований неизменно показывают, что внедрение ИИ носит прагматичный характер и направлено на повышение производительности. Специалисты считают «объяснимость, обратимость и строгий контроль» непреложными требованиями к передовому искусственному интеллекту. Ваша система управления должна это отражать.

The bottom line

Организации, извлекающие долгосрочную выгоду из агентного ИИ, рассматривают качество данных и управление ими как необходимые условия для внедрения, а не как второстепенные факторы. Те, кто затягивает процесс или молчаливо устраняет сбои, о которых еще не сообщила, — это те, кто развернул агентов до того, как база данных была готова.

В современных отраслевых исследованиях наблюдается устойчивая закономерность: предприятия развертывают агентов быстрее, чем управляют данными, на которых эти агенты работают. Это самая распространенная причина неудач или остановок программ агентного ИИ: не возможности модели, а недостаточная база данных.

Позиция SAP предельно ясна: разрастание систем искусственного интеллекта, когда неуправляемые агенты работают в разрозненных и низкокачественных массивах данных, теперь представляет собой риск на уровне совета директоров.

Будучи директором по информационным технологиям или директором по данным и аналитике, вы находитесь в уникальном положении, позволяющем изменить эту ситуацию. Не за счет замедления внедрения ИИ, а за счет обеспечения готовности базы данных, на которой работают ваши агенты, к работе, которую вы от них требуете.

Ваш искусственный интеллект заслуживает доверия лишь настолько, насколько достоверны ваши данные. Это всегда было правдой. Искусственный интеллект, созданный агентами, делает игнорирование просто невозможным.

solid-light
grey-1
blue-7
horizontal
light
blue

Как выглядит автономная система управления основными данными на основе ИИ в SAP Business Data Cloud

Долгие годы управление основными данными было проектом, который, как все понимали, был необходим, но никто не хотел им заниматься. Искусственный интеллект быстро изменил ход дискуссии. В статье рассматривается эволюция SAP MDG и SAP Reltio внутри SAP Business Data Cloud, от управления данными с использованием ИИ и автономных рабочих процессов управления до их роли в ядре знаний, обеспечивающем реальную работу корпоративного ИИ.

manual

Посмотреть сейчас

link-target-same

secondary

solid-light
blue-1
blue-7
horizontal
light
blue
Логотип SAP

продукт SAP

Что произойдет, если ваш ИИ-агент ошибется?

Решение начинается с качества данных и управления ими. Узнайте, как SAP Business Data Cloud помогает.

manual

Подробнее

link-target-same

secondary