Разработчики корпоративных ИИ и дата-менеджмент платформ теряют $2,5 трлн рынка: данные не готовы к агентам

Материал MIT Technology Review, подготовленный совместно с Uniphore, фиксирует структурный разрыв: модели дешевеют и умнеют быстрее, чем организации успевают перестроить процессы. Продажи не видят открытых обращений в поддержку, маркетинг персонализирует контент без данных из финансового отдела. Каждый отдел работает неплохо сам по себе, но компания в целом не учится. Авторы называют это «агентным сдвигом» (agentic shift): переход от ИИ как инструмента к ИИ как операционной модели, где люди, процессы и данные связаны в реальном времени.

Ниже разберём, как подступиться к этому сдвигу на практике, особенно если вы работаете в российской компании, где суверенитет данных не пожелание, а требование закона.

Что понадобится для старта?

• Аудит данных внутри компании. Не объём важен, а готовность: могут ли ваши данные быть обработаны ИИ-агентом без ручной подготовки. На это уходит от одной до четырёх недель в зависимости от числа систем.
• Компосабельная архитектура (composable architecture, набор модулей, которые можно менять и комбинировать без переписывания всей системы). Фиксированный стек технологий, по выводам MIT Technology Review, становится тормозом, когда модели обновляются каждые несколько месяцев.
• Решение о локализации. Где физически будут работать модели и храниться данные. Для российских компаний это означает серверы на территории РФ и соответствие 152-ФЗ (закон о персональных данных). Без этого решения масштабирование агентов рискованно.
• Команда или подрядчик. Разработчики корпоративных ИИ и дата-менеджмент платформ, способные связать существующие системы, а не построить с нуля.
• Пилотный процесс. Один конкретный бизнес-процесс, где ИИ-агент заменит ручную координацию между отделами. Не «внедряем ИИ везде», а «автоматизируем передачу данных из поддержки в продажи».

Пошаговая инструкция: от фрагментации к агентной модели

1. Опишите текущие информационные разрывы. Где один отдел не видит данных другого? MIT Technology Review приводит конкретный пример: отдел продаж не знает об открытых тикетах поддержки. Составьте свой список таких разрывов, это ваша карта точек входа для ИИ-агентов.

2. Оцените готовность данных, а не их количество. Авторы отчёта подчёркивают: иметь данные и иметь данные, готовые для ИИ, это разные вещи. Проверьте: данные структурированы? Доступны через API (программный интерфейс, позволяющий одной системе запрашивать информацию у другой)? Или лежат в таблицах Excel на локальных дисках?

3. Выберите суверенную модель запуска. Данные обрабатываются там, где хранятся, без миграции в облако за рубежом. MIT Technology Review называет это «sovereign, composable foundation»: запросы идут к данным на месте, а не данные переезжают к модели. Для России это не опция, а обязательное условие.

4. Замените монолитный стек на компосабельный. Вместо одного большого решения соберите систему из модулей, каждый из которых можно обновить или заменить отдельно. Когда выйдет новая модель через полгода, вы поменяете один блок, а не перестроите всю инфраструктуру.

5. Перепроектируйте процесс до выбора модели. Ключевой вывод отчёта: компании, которые получают устойчивую отдачу от ИИ, сначала перестраивают процесс и только потом подбирают модель. Не наоборот. Если вы начинаете с «давайте подключим GPT», вы уже опоздали с главным шагом.

6. Запустите пилот на одном процессе. Дайте агенту одну задачу: например, при создании нового тикета в поддержке автоматически проверять, есть ли у клиента открытые сделки в CRM, и уведомлять менеджера по продажам.

7. Настройте управление и контроль. Агентная модель без governance (набора правил, кто принимает решения, какие действия агент выполняет автономно, а какие требуют подтверждения человека) создаёт риск неконтролируемых действий. Определите границы автономии агента до масштабирования.

Что делать с этим прямо сейчас, по ролям?

Автору на Дзене. Если вы пишете о технологиях или бизнесе, тема корпоративного ИИ даёт устойчивый поток контента. Можно разбирать конкретные кейсы «до и после» автоматизации процессов, это понятный и востребованный формат.

Маркетологу. Обратите внимание на разрыв, описанный в отчёте: маркетинг персонализирует контент, не зная, что финансовый отдел уже владеет информацией о клиенте. Если в вашей компании маркетинг и продажи работают в разных системах без обмена данными, агентная модель решает именно эту проблему.

Предпринимателю в РФ. Суверенитет данных для вас не абстракция. Выбирайте решения, где модель работает на ваших серверах или на серверах российского провайдера. Из доступных в РФ платформ можно рассматривать YandexGPT и GigaChat как базовые модели для агентов, хотя экосистема агентных решений на их основе пока развивается.

Компании, которые сегодня перестраивают процессы до выбора модели и решают вопрос суверенитета данных, через год будут в другой весовой категории. Остальные продолжат покупать модели и удивляться, почему ничего не меняется.