Исследование «Отечественные решения Data Lakehouse Круг Громова 2026» выявило фундаментальную трансформацию отрасли: регуляторные требования стали драйвером развития, архитектура платформ разделилась на два противоположных лагеря, а вопросы информационной безопасности превратились в главный критерий выбора. А вот искусственный интеллект в российских решениях Lakehouse пока остается точечной инновацией.

Два пути развития платформ: выбор между универсальностью и простотой

Ключевой структурный сдвиг на рынке — формирование двух принципиально разных подходов к построению платформ, каждый из которых находит своего заказчика. Первая модель — «интегрированные платформы». Это решения, собираемые из набора компонентов open source (например, Spark, Trino, Impala, Airflow), которые вендор объединяет единой системой управления, мониторинга и безопасности. Такие платформы обеспечивают максимальную универсальность и гибкость, но требуют высокой квалификации команды и несут значительную операционную сложность.

Вторая модель — «унифицированные системы». Эти продукты изначально проектируются как целостная архитектура, а не конструируются из готовых блоков. Внутри может использоваться один или несколько движков, но все они глубоко интегрированы в единую среду с общим хранилищем, моделью безопасности и интерфейсом управления. Унифицированные системы проще в установке и сопровождении, однако могут уступать интегрированным платформам в широте функциональных возможностей.

Оба подхода активно развиваются, и выбор между ними определяется балансом между гибкостью и простотой, универсальностью и управляемостью. Интегрированные платформы доминируют там, где важна адаптация под существующие компетенции и избежание vendor lock-in (зависимости от одного поставщика), а унифицированные системы находят нишу в проектах, где приоритетом являются скорость запуска и снижение эксплуатационных расходов.

Регуляторика как катализатор

Уход западных вендоров и ужесточение требований к отечественному ПО ускорили формирование рынка. Реестр российского ПО, сертификация ФСТЭК, законы о КИИ и персональных данных создали понятные правила игры и сформировали платежеспособный спрос. Производители воспринимают регуляторные требования как рыночный фактор: наличие сертификатов открывает доступ к крупным государственным и корпоративным заказчикам. При этом спрос сместился от концепций к реальным внедрениям.

Безопасность и аудит: нерешенная болевая точка

Для заказчиков из регулируемых отраслей возможность организовать сквозную аутентификацию и авторизацию на основе ролевой модели RBAC (Role-Based Access Control — управление доступом на основе ролей) стала критическим фактором выбора. Интеграция нескольких open-source компонентов в единую систему управления доступом — нетривиальная задача, и не все вендоры предлагают готовое решение «из коробки».

S3-хранилище как фундамент производительности

Выбор объектного хранилища часто недооценивают, считая его второстепенным компонентом. Однако в архитектуре Lakehouse S3 — это основа всей системы.

В on-premise-сценариях этот выбор становится критическим. Экономия на S3 оборачивается деградацией производительности при работе с метаданными, нестабильностью при высокой конкуренции запросов и простое дорогих вычислительных ресурсов в ожидании I/O-операций (операций ввода-вывода). Надежность, масштабируемость и совокупная стоимость владения объектным хранилищем напрямую определяют эффективность всей платформы.

Искусственный интеллект: от копайлотов к агентам

Несмотря на глобальный интерес к ИИ, в российских Data Lakehouse полноценные ИИ-агенты, самостоятельно пишущие SQL, создающие дашборды и тестирующие гипотезы, реализованы пока только у одного производителя (среди тех, кто принял участие в исследовании) — Tengri Data. Остальные вендоры предлагают либо copilot-функции (ИИ-ассистенты) для генерации запросов, либо анонсируют агентные возможности в будущих релизах.

В перспективе пяти лет ИИ станет органичной частью самой платформы: от формирования запросов на естественном языке до автоматической оптимизации инфраструктуры и прогнозирования нагрузки.

Как отмечает Сергей Громов, руководитель аналитического проекта «Круги Громова», рынок отечественных Data Lakehouse сформировался и перешел в стадию зрелой конкуренции. Регуляторная среда создала каркас для роста десятка новых продуктов. Однако технологическая зрелость решений неоднородна. Если в области вычислительных движков и хранения данных российские платформы демонстрируют высокий уровень, то вопросы сквозной безопасности, управления метаданными и семантического слоя остаются зонами активного развития. Выбор решения должен начинаться с четкой формулировки бизнес-целей и понимания собственных компетенций. Интегрированная платформа даст гибкость, но потребует сильной инженерной команды. Унифицированная система снизит порог входа, но может ограничить в будущем. При этом нельзя рассматривать Data Lakehouse как замену DWH по умолчанию — эта архитектура оправдана при реальных объемах Big Data, разнообразии источников и потребности в ML/AI-сценариях. Без этих предпосылок целесообразнее рассмотреть альтернативные архитектурные шаблоны.