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:
- Кому принадлежит каждый домен данных и кто несет ответственность за его качество до того, как агенты начнут с ним работать?
- Какие пороговые значения качества должны быть соблюдены, прежде чем будет разрешено автономное действие?
- К какому контенту имеет доступ каждый агент, это определяется во время выполнения программы, а не просто документируется в политике?
- 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.
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
link-target-same
secondary
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
link-target-same
secondary