GenAI постепенно перестает быть инструментом для ускорения отдельных операций с данными. Следующий этап — перестройка самого жизненного цикла data-продукта, в котором значительная часть работы выполняется ИИ-агентами, а человеку остаются ключевые точки принятия решений. Такой подход описывает Axenix в методологии AI-Powered Data Delivery.
Сегодня внедрение GenAI в проекты по интеграции данных чаще всего выглядит достаточно традиционно: ИИ помогает написать SQL, подготовить документацию, создать маппинги или автотесты. Производительность отдельных специалистов при этом растет, но сам процесс практически не меняется. Axenix предлагает перейти на следующий уровень — от AI-assisted разработки к полуавтономному конвейеру, а затем к модели, где большинство операций выполняют агенты.
От 13 этапов к непрерывному процессу
Классический жизненный цикл создания data-продукта включает 13 этапов, объединенных в пять фаз: анализ, проектирование, разработка, стабилизация и ввод в эксплуатацию, эксплуатация и развитие. В традиционной модели эти этапы последовательно выполняют люди.
В предлагаемой модели сами задачи никуда не исчезают, но меняется способ их выполнения. Последовательность из 13 этапов превращается в замкнутый конвейер. Любое изменение — новое требование, источник данных или инцидент — может запустить новый цикл обработки. Человек при этом остается на «золотых точках»: утверждает требования и контракты, принимает архитектурные решения, подтверждает результаты и разрешает ввод в промышленную эксплуатацию.
Иными словами, речь идет уже не столько об ускорении существующего SDLC, сколько о его изменении. На зрелом уровне понятие отдельного этапа постепенно растворяется: большая часть работы становится непрерывным машинным потоком.
Экономия может измеряться десятками процентов
Именно здесь появляется потенциально наиболее существенный эффект от агентного подхода. По данным и оценкам, приведенным Axenix со ссылкой на отраслевые практики, миграция legacy-ETL может ускоряться в
Еще один показатель — сокращение времени на разбор инцидентов на
Есть и еще одна показательная тенденция: каталог данных постепенно перестает быть исключительно инструментом для людей и превращается в контекст для ИИ-агентов. В документе приводится оценка, согласно которой MCP уже используется в продуктивной среде примерно у 40% организаций.
Таким образом, основной эффект возникает не от одного Copilot или отдельного агента, а от объединения нескольких технологий в единую цепочку.
Что именно уйдет от людей к машинам
При переходе к AI-driven модели 13 этапов начинают развиваться по-разному.
Например, поиск источников для уже известных систем может существенно сократиться за счет использования накопленного контекста. Типовые архитектурные решения также могут автоматически подбираться из библиотеки референсных паттернов.
Моделирование данных, написание S2T-кода и unit-тестов в значительной степени переходят в машинный конвейер. То же относится к формированию правил контроля качества, workflow загрузки и значительной части тестирования.
При этом некоторые функции, наоборот, становятся более важными для человека. Прежде всего это формулирование требований, снятие неоднозначностей, принятие архитектурных решений и бизнес-приемка результата.
Показательно, что мониторинг и работа с инцидентами, напротив, становятся более значимой человеческой дисциплиной, хотя сами операции по поиску аномалий и анализу причин могут выполнять агенты. Человек должен утверждать нетиповые исправления и принимать решения в нестандартных ситуациях.
Главная проблема — не скорость ИИ, а скорость принятия решений
Ускорение машинных операций создает неожиданный эффект. Если агенты способны генерировать результаты в разы быстрее, узким местом становится их проверка человеком.
Axenix называет это «усталостью от одобрений». Если количество человеческих согласований не контролировать, именно очередь на проверку может остановить весь конвейер. Поэтому пропускная способность human-in-the-loop становится самостоятельной метрикой.
Это меняет и требования к организации. На зрелых уровнях появляются новые роли: владельцы данных, кураторы опорного слоя, специалисты по управлению зоной автоматизации и пропускной способностью человеческих quality gates.
Фактически ИТ-компаниям придется учиться управлять не только парком ИИ-агентов, но и тем, какие задачи им разрешено выполнять без человека.
Без «опорного слоя» автономность становится рискованной
Еще одна тенденция — переход от обычного каталога данных к так называемому опорному, или grounding layer. Его задача — дать агенту проверенный контекст, чтобы он не угадывал значение поля или показателя.
Такой слой объединяет три компонента: онтологию, семантику и контур доверия. Последний включает статусы объектов, версии, подписи ответственных и контрольные гейты. Поэтому агент получает не просто данные, а данные с понятным уровнем доверия.
Это принципиально важно для корпоративных данных. Ошибка в коде может быть обнаружена при тестировании, тогда как неправильно интерпретированное поле способно привести к ошибочной бизнес- или регуляторной отчетности.
В этой модели lineage становится одним из ключевых элементов архитектуры: каждая цифра должна быть прослеживаема до исходных данных, требований и логики ее расчета.
Опорный слой будет расти вместе с проектами
Интересно, что такой слой не обязательно создавать целиком до начала автоматизации. По подходу Axenix, его часть может формироваться непосредственно в ходе проектов.
Инвентаризация и профилирование данных могут выполняться практически автоматически и подниматься за считанные дни. А доверенная, или curated, часть — определения, контракты и бизнес-правила — накапливается постепенно: каждый новый поток данных расширяет общий контекст для следующих проектов.
Получается своеобразный эффект накопления: чем больше data-продуктов проходит через такую архитектуру, тем больше готового контекста остается для последующих задач.
Рынок движется к полуавтономной модели
Axenix выделяет несколько уровней зрелости — от преимущественно ручной работы до замкнутого автономного конвейера. Между ними находятся модели с AI-ассистентами и полуавтономным выполнением задач.
На верхних уровнях ключевые действия выполняют ИИ-агенты, все артефакты становятся машиночитаемыми, а размер команд может заметно сокращаться. Человек при этом не исчезает из процесса: его роль смещается от непосредственного выполнения операций к контролю, валидации, управлению исключениями и принятию принципиальных решений.
То есть речь идет не о классической автоматизации, когда машина просто выполняет заранее заданную операцию. Меняется сама организация работы: агент получает возможность пройти несколько этапов самостоятельно, используя накопленный контекст и встроенные правила контроля.
Но «зеленый» pipeline еще не означает правильные данные
Главный риск такой модели заключается в том, что технически успешный процесс может выдавать неверный результат. Axenix отдельно выделяет проблему «тихих сбоев» данных: pipeline может завершиться без ошибок, но итоговые цифры окажутся неправильными.
Один из рисков — так называемый reward hacking, когда агент учится проходить формальные проверки, не решая исходную задачу. Поэтому необходимы независимые критерии контроля, тестовые наборы, которые агент не видел, и теневой запуск рядом с действующим процессом до передачи управления.
К этому добавляются другие риски: потеря понимания происхождения решений, недостаточная готовность организации, зависимость от меняющихся версий и API вендоров, а также возможность инъекций через внешние источники и инструменты.
Что это означает для рынка
Главный вывод исследования состоит в том, что GenAI постепенно перестает быть отдельной функцией внутри процесса разработки данных. Конкуренция будет смещаться в сторону архитектур, способных объединить агентов, проверенный контекст, lineage и автоматизированные quality gates.
При этом наиболее значимым ресурсом может оказаться уже не вычислительная мощность и даже не количество доступных моделей, а корпоративное знание — определения, контракты, правила и решения экспертов, накопленные в машиночитаемом виде.
Для бизнеса это означает постепенный переход от проектов с четкими началом и концом к постоянному конвейеру изменений. На зрелом уровне человек будет все меньше заниматься непосредственным производством артефактов и все больше — смыслом, контролем и ответственностью за результат.
При этом приведенные в материалах оценки эффективности — 5—10-кратное ускорение миграций, снижение времени RCA на
В этом и заключается ключевая тенденция: ИИ в работе с корпоративными данными переходит от роли «помощника программиста» к роли участника непрерывного жизненного цикла data-продукта. А главным условием такого перехода становится способность компании сделать свои данные, правила и накопленные знания доступными для машин — но одновременно проверяемыми и управляемыми.
Источник: IT Channel News по материалам исследования Axenix
