Gartner: 60% ИИ-проектов свернут к 2026 году без искусственного интеллекта в архитектуре данных

Elastic, компания-разработчик поисковой платформы и инструментов аналитики, выпустила материал совместно с InfoWorld, где CIO Elastic Аднан Адил разбирает, какие инвестиции в инфраструктуру искусственного интеллекта в архитектуре останутся актуальными, даже когда модели сменятся. Публикация вышла на фоне прогноза Gartner: к 2026 году компании свернут 60% всех ИИ-проектов, если те не будут опираться на данные, подготовленные для работы с моделями.

Для российских команд с их типичным набором проблем (унаследованные системы, разрозненные базы, нечёткое владение данными) рекомендации Elastic ложатся почти один в один, хотя сам продукт ориентирован на глобальный рынок.

Какие четыре элемента выделяет Elastic?

• Качество данных на масштабе. Модели надёжны ровно настолько, насколько надёжны данные, к которым они обращаются. Плохие данные ведут к галлюцинациям (когда ИИ уверенно выдаёт несуществующие факты), смещениям и ненадёжным ответам. Аднан Адил подчёркивает: «Качество данных должно быть высоким, иначе пользователь теряет доверие к системе». Elastic рекомендует начинать с единых стандартов данных, чистой разметки и пайплайнов (конвейеров обработки), которые поддерживают выдачу в реальном времени.

• Контекстный инжиниринг вместо голого промпт-инжиниринга. Промпт-инжиниринг (подбор формулировки запроса) работает на уровне одного вопроса. Контекстный инжиниринг проектирует всю информационную среду вокруг модели: какие данные подтянуть, как их структурировать, что исключить. Инструменты здесь: RAG (retrieval augmented generation, генерация с подключением внешних источников) и векторные базы данных. Адил формулирует принцип: «Минимальный контекст, корректные и актуальные данные, машиночитаемая информация».

• Управление и наблюдаемость моделей с первого дня. Без встроенного контроля ИИ-системы обрабатывают больше информации, чем нужно, что увеличивает расход токенов (единиц, за которые платят при обращении к модели) и стоимость API-вызовов. ИИ расширяет поверхность атаки: утечки через промпты, уязвимости моделей, враждебные входные данные. Адил отмечает, что контроль безопасности, управление затратами и архитектурные ограничения у большинства организаций пока недостаточны.

• Человеческая экспертиза как несущая конструкция. Elastic подчёркивает: ни одна из трёх предыдущих опор не работает без людей, которые понимают бизнес-контекст, проверяют выводы моделей и принимают решения на стыке данных и стратегии.

Как попробовать эти принципы на практике?

1. Проведите аудит данных. Определите, какие источники в компании содержат дубли, пробелы и устаревшие записи. Назначьте владельца для каждого набора данных. Без этого шага любая модель будет галлюцинировать на ваших же данных.

2. Настройте контекстный слой, а не только промпт. Если вы используете RAG или подключаете корпоративную базу к языковой модели, проверьте, что модель получает минимально необходимый контекст. Лишние документы замедляют ответ и размывают точность.

3. Встройте наблюдаемость до запуска, а не после. Зафиксируйте метрики: точность ответов, расход токенов, паттерны использования. Без этих данных вы не узнаете, окупается ли ИИ-проект, пока бюджет уже не потрачен.

4. Назначьте человека, который отвечает за результат модели. Не «ИИ-комитет», а конкретного специалиста с правом остановить процесс, если модель выдаёт мусор.

Elastic и российские аналоги: что доступно в РФ?

Elastic как платформа доступна для самостоятельного развёртывания (опенсорс-ядро), но облачные сервисы Elastic Cloud для российских компаний ограничены. Из доступных в РФ инструментов для похожих задач:

Принципы из гайда Elastic не привязаны к конкретному вендору. Контекстный инжиниринг и управление данными одинаково актуальны при работе с YandexGPT или GigaChat.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Если вы подключаете ИИ для генерации черновиков или ответов на комментарии, начните с ревизии своих материалов. Удалите дубли, разметьте рубрики, обновите устаревшие тексты. Модель, подключённая к чистой базе, ошибается реже.

Маркетологу. Контекстный инжиниринг означает, что вы контролируете, какие данные модель видит при каждом запросе. Для чат-бота на сайте это разница между «бот отвечает по делу» и «бот цитирует прайс трёхлетней давности».

Предпринимателю в РФ. Принципы Elastic работают с любым стеком. Если вы уже используете YandexGPT или GigaChat, проверьте: встроен ли мониторинг расхода токенов, есть ли логирование ответов, назначен ли ответственный за качество. Эти три вещи сейчас важнее выбора модели.

Частые вопросы

Нужно ли покупать продукты Elastic, чтобы применить эти принципы?

Нет. Четыре элемента, качество данных, контекстный инжиниринг, управление и человеческая экспертиза, это архитектурные принципы, а не функции конкретного продукта. Они работают с любой платформой, включая российские решения.

Что такое контекстный инжиниринг и чем он отличается от промпт-инжиниринга?

Промпт-инжиниринг подбирает формулировку запроса. Контекстный инжиниринг проектирует всю информационную среду: какие документы подтянуть к запросу, в каком порядке, что исключить. Это следующий уровень работы с моделью, когда одного удачного промпта уже недостаточно.

Правда ли, что 60% ИИ-проектов будут свёрнуты?

Это прогноз Gartner до 2026 года, а не свершившийся факт. Прогноз касается проектов, которые запускаются без подготовленных данных. Если вы начинаете с аудита и чистки данных, вы снижаете этот риск до старта любой модели.

Главный вывод из гайда Elastic укладывается в одну фразу Аднана Адила: данные и контроль переживут любую смену моделей, а модель без чистых данных не стоит потраченных на неё токенов.