«Управление данными 2026»: данные в эпоху ИИ-агентов

В Москве в 11-й раз прошел форум «Управление данными», организованный издательством «Открытые системы», за годы проведения ставший главной площадкой для обсуждения стратегий работы с данными, проблем импортозамещения в Data Governance и внедрения ИИ в различных отраслях. В его ходе участники обсудили такие актуальные проблемы, как ИИ-агенты в управлении данными, архитектуры платформ данных, культура работы с данными, оценка эффективности проектов, а также демократизация и защита данных.

Также на форуме была представлена книга «Данные решают» – сжатый материал, охвативший гигантский опыт ее авторов: Светланы Бовы, Натальи Стрекаль и Алексея Луковникова.

Михаил Александров: «Поиск данных – до сих пор самая большая боль аналитиков. Во многом из-за этого работа с данными по-прежнему остается для компаний серьезным вызовом»

«Поиск данных – до сих пор самая большая боль аналитиков. Во многом из-за этого работа с данными по-прежнему остается для компаний серьезным вызовом», – признал Михаил Александров, технический руководитель Центра развития аналитических продуктов Axenix. Его выступление было посвящено обсуждению эволюции подходов к управлению данными и перехода Data Governance от ИТ-рутины к основе для корпоративного ИИ, а также анализу системных барьеров, блокирующих ценность аналитики self-service .

Александров перечислил задачи, становящиеся актуальными для большинства предприятий. С точки зрения внедрения платформ активно идет внедрение архитектур Lakehouse и решаются недоделанные задачи из области импортозамещения. С точки зрения процессов идет демократизация данных и внедряется ответственность за данные – во многом это не технические, а именно организационные вопросы. Наконец, в задачи обработки данных включаются возможности генеративного ИИ, в том числе интеллектуальная работа со справочниками, управление каталогом данных, внедрение семантического слоя и использование естественного языка в бизнес-аналиитике.

Главным вызовом, по словам Александрова, становится переход от внедрения ИИ-инструментов к достижению доверия им с целью обеспечения их автономной работы. Для этого необходимо перестроить как операционную модель, так и процессы и архитектуру, чтобы работа ИИ-агентов была эффективной.

Именно архитектура часто является узким местом и определяет, заработают ли ИИ-агенты полноценно или останутся разрозненными экспериментами.

«Внедрить и забыть» не получится

Андрей Обухов: «Работа с ИИ – это всегда системный проект, требующий зрелой культуры работы с данными, выстроенного диалога внутри команды и готовности учиться на ошибках»

Как отметил Андрей Обухов, управляющий директор Сбера, фокус предприятий в области ИИ смещается от простых решений – генерации текста и изображений, разбора обращений – к более сложным, работающим в связке с другими корпоративными системами. Однако зачастую его внедрение воспринимается как самоцель или «волшебная таблетка» от всех вызовов и болезней. Однако на практике работа с ИИ – это всегда системный проект, требующий зрелой культуры работы с данными, выстроенного диалога внутри команды и готовности учиться на ошибках.

Обухов перечислил типичные ошибки при внедрении ИИ-инструментов. Главная из них – «внедрить и забыть». В результате инструмент не учитывает потребности бизнеса и в реальности не используется. Вторая частая ошибка – неготовность команды, находящая отражение в сопротивлении и отсутствии экспертизы. Наконец, реализации проектов вредит отсутствие четких целей или их не связанность с бизнес-задачами. В результате такого подхода внедряемые решения никто не воспринимает всерьез.

Дмитрий Кулагин: «Спецификации описывают, что и как считается, но ничего не говорят о том, зачем это делается. Это приводит к снижению дисциплины в управлении данными и падению качества данных»

Дмитрий Кулагин, директор Центра управления данными «Инфосистемы Джет» рассказал о трех жизненных циклах данных: смысловом инженерной и договорном. У каждого из них свой владелец – бизнес, ИТ, пользователи – и темп изменений, и вручную синхронизировать их обычно не удается.

«Корень проблемы заключается в том, что спецификации описывают, что и как считается, но ничего не говорят о том, зачем это делается. Это приводит к снижению дисциплины в управлении данными и падению качества данных», – уверен Кулагин. ИИ здесь может помочь в археологии смысла, определении требований к показателям и создании их реестра, а также разработке дата-контрактов, которые и становятся центром синхронизации. С появлением ИИ меняется и роль инженера данных – от непосредственной работы с данными в сторону определения бизнес-смысла и постановки задач, то есть написанию промптов. Именно он должен контролировать рой ИИ-агентов, работающих в его интересах.

Дмитрий Красников: «Давая ИИ доступ к корпоративным данным, следует обеспечить и понятную навигацию по ним. ИИ не заблудится в ваших данных, если у него есть карта»

Дмитрий Красников, руководитель направления Big Data & BI K2Tex, поделился причинами того, что ИИ иногда дает корректные, но на самом деле бесполезные ответы. Дело в том, что качественных и доступных данных недостаточно, чтобы корпоративный ИИ выдавал правильные ответы. Даже при наличии зрелой дата-платформы ИИ может по-разному интерпретировать один и тот же запрос, обращаться к разным источникам и получать формально корректные данные, не соответствующие бизнес-контексту. В данных часто возникают смысловые разрывы и важную роль в их устранении играет корпоративная модель данных.

«Давая ИИ доступ к корпоративным данным, следует обеспечить и понятную навигацию по ним. ИИ не заблудится в ваших данных, если у него есть карта», – сказал Красников.

Александр Тарасов: «Каталог данных позволяет решить одну из ключевых проблем – потребность в сокращении времени разработки дата-продуктов при остром дефиците времени и ресурсов»

«Каталог данных превратился в ключевой инструмент, позволяющий данным быть актуальными и управляемыми. Он позволяет решить одну из ключевых проблем – потребность в сокращении времени разработки дата-продуктов при остром дефиците времени и ресурсов», – заявил Александр Тарасов, директор по развитию сервисного бизнеса «Аренадата Софтвер».

Его выступление было посвящено переосмыслению места и роли каталога данных в бизнес-архитектуре. Как подчеркнул Тарасов, роль каталога данных уже вышла за пределы самих данных. Его будущее – управление единой интегрированной метамоделью бизнеса цифровой компании и поддержание ее в актуальном состоянии.

Данные – для ИИ, а ИИ – для данных

Алексей Шокуров: «Часто получается, что с помощью созданных ИИ-инструментов те же люди делают ту же самую работу, только немного эффективнее»

«ИИ начал входить в жизнь людей, и многие начали активно проверять гипотезу, что он может упростить жизнь и работу. На предприятиях эти эксперименты охватывают и процессы Data Governance», – констатировал Алексей Шокуров, руководитель направлений Data governance и Data quality «СИБУР». В Сибуре используется агентский подход к созданию решений. Проверяется много гипотез, но дальше этапа MVP, по признанию Шокурова, проходит очень мало из них по причине низкой эффективности. Часто получается, что с помощью созданных ИИ-инструментов те же люди делают ту же самую работу, только немного эффективнее. Шокуров предложил при выборе проектов обращать особое внимание на те из них, где сильно сокращаются затраты или решается ранее невозможная задача.

«Управление мастер-данными становится краеугольным камнем любой ИИ-инициативы; можно сказать, что из-за ИИ оно переживает второе рождение. Ведь если не доверять данным, то и ИИ доверять не получится», – сказал Александр Константинов, директор по развитию Arenadata Harmony MDM. Важно понимать, что с появлением ИИ меняется и основной потребитель данных. Теперь это ИИ-модели, и поэтому ошибки в данных из аналитических становятся операционными. Как следствие, меняется и режим, в котором приходится функционировать MDM: если раньше он был неторопливым, то теперь работает в реальном времени. Рынок это уже понял: MDM теперь встраивается не в ERP, а в платформы данных.

Алина Романовская: «Уверенный и быстрый ответ ИИ – не всегда верный. Ответ получить легко, гораздо важнее уметь проверить его»

«Уверенный и быстрый ответ ИИ – не всегда верный. Ответ получить легко, гораздо важнее уметь проверить его», – напомнила Алина Романовская, руководитель продуктового направления Т-Банка. ИИ-агенты дают огромный рост производительности: они отвечают за секунды и в масштабе, недостижимом для оператора. Но вместе со скоростью приходит и самонадеянность. Агент читает контент буквально и, столкнувшись с неполными, противоречивыми или устаревшими данными, не сомневается: сразу уверенно выдает неверный ответ. Именно поэтому важно подготовить данные к работе с ИИ-агентом, обеспечив их связность и непротиворечивость, и выстроить контроль качества ответов.

Дмитрий Коровин: «ИИ хорошо работает не только за счет мощной инфраструктуры, но и за счет качественных данных, которым можно доверять. Поэтому сначала данные, потом – ИИ»

«ИИ хорошо работает не только за счет мощной инфраструктуры, но и за счет качественных данных, которым можно доверять. Поэтому сначала данные, потом – ИИ», – согласился Дмитрий Коровин, CDO Hoff. Он сравнил хранилища данных со старым шкафом, где многое есть, но трудно найти нужную вещь. Важно встроить порядок в архитектуру компании, описание данных должно стать их частью – это составляющая корпоративной культуры.

Три вопроса, которые, по мнению Коровина, обязательно должны быть заданы перед стартом ИИ-проекта: кто владелец данных, откуда берутся цифры и как считаются значения показателей, а также можно ли объяснить происхождение данных и доверять им. Если на все вопросы удается получить положительные ответы, проблем не будет. Но гораздо чаще это не так, и коллегам, пришедшим с ИИ-инициативой, приходится отказывать и отправлять готовиться.

Данные и культура

Екатерина Яковлева: «Для многих компаний важно снизить порог входа и барьеры Data Governance. Полезнее всего для этого сократить уровень рутины, и ИИ здесь очень помогает»

«Для многих компаний важно снизить порог входа и барьеры Data Governance. Полезнее всего для этого сократить уровень рутины, и ИИ здесь очень помогает», – поделилась опытом Екатерина Яковлева, руководитель Центра управления данными МТС. Она перечислила основные принципы создания ИИ-агентов в Data Governance. Агенты должны опираться на единый слой метаданных, действовать в рамках явных политик и ролей, а их действия обязательно должны логироваться. Кроме того, агенты должны быть интегрированными непосредственно в инструменты DG, а их эффективность должна оцениваться бизнес-метриками, а не просто активностью. И конечно, в контуре работы должен быть человек для принятия критичных решений.

Ольга Ортега: «Само со себе наличие данных не приносит денег. Они полезны лишь тогда, когда ведут к измеримому финансовому результату»

«Само со себе наличие данных не приносит денег. Они полезны лишь тогда, когда ведут к измеримому финансовому результату», – подчеркнула Ольга Ортега, CDO «ВсеИнструменты.ру». Ортега поделилась рекомендациями, как превратить офис данных из сервисной функции в центр прибыли. Она напомнила, что офис данных – единственное подразделение, которое работает со всеми корпоративными данными. Он видит аномалии и точки роста раньше, чем они превращаются в пользовательский запрос, поэтому вполне может и не ждать поступления заявки. Конечно же, при этом следует развивать клиентоцентричность: нужно понимать, что менеджерам нужны бизнес-ответы, а не еще один способ открыть отчет.

Не менее проблематична ситуация, когда данные в компании есть, но у них нет владельцев, которые могут гарантировать их качество. Маргарита Волкова, руководитель направления по процессам и инструментам управления данными T2, рассказала, как в компании решали проблему ответственности за данные.

Маргарита Волкова: «Данные будут полезными только если понятно, для чего они существуют и в каких процессах участвуют»

«Данные будут полезными только если понятно, для чего они существуют и в каких процессах участвуют», – отметила она. С этой целью в Т2 была введена роль куратора (офицера) данных, координирующего взаимодействие между владельцами, офисом данных и ИТ.

В ситуации «бесхозных» данных важен порядок определения их владельцев. Он представляет собой комплексный анализ объектов по заказам, истории использования и назначению, а также связи данных с бизнес-процессами. В результате владение данными стало в Т2 работающим процессом, оно встроено в жизненный цикл данных и процессов управления ими. Как следствие, появилась основа для расчета экономики данных и внедрения дата-контрактов.

В ходе форума также состоялось несколько дискуссий: «Как ИИ меняет культуру управления данными?», «Эпоха GenAI: управление данными в промышленности» и «Перезагрузка дата-стратегии финанcового сектора в эпоху интеллектуальных агентов». Кроме того, огромный интерес участников вызвал архитектурный баттл «Оптимальная для ИИ архитектура управления данными». В его рамках с помощью руководителя центра разработки дата-продуктов «Газпромнефть – ЦР» Антона Сичинского, выступившего модератором, участники разобрали три подхода: Data & AI Platform – централизованная архитектура; Data Mesh – децентрализованная доменная архитектура; AI-native – архитектура данных на основе графа знаний. По итогам баттла удалось создать чек-лист для выбора оптимального архитектурного подхода с учетом бизнес-сегмента и задач компании, оргструктуры и уровня зрелости управления данными.