Окончание. Начало здесь
Каталог данных экономит токены и повышает точность ИИ
Каталог данных не только помогает избежать ошибок, но и снижает стоимость работы ИИ. Когда у модели есть описания таблиц, бизнес-глоссарий и связи между данными, ей не нужно перебирать источники и угадывать, что означает каждое поле. Это подтверждает практический бенчмарк внедрения каталога данных, выполненный вендором BI-систем Luxms. На одном и том же источнике данных модель решала одинаковые аналитические задачи в двух режимах: с доступом только к источнику и с доступом к каталогу и глоссарию. С каталогом доля успешно решенных задач выросла с 77,8% до 96,3%, а суммарный расход токенов снизился на 14,2%. Тестирование проводилось на модели DeepSeek V4 Flash по трем бизнес-доменам (коммерция, рост клиентской базы и сервисные операции). Наибольший прирост точности получен в задачах роста клиентской базы: с 66,7% до 88,9%, а в коммерции и сервисных операциях с каталогом модель решила 100% задач. Условия эксперимента были зафиксированы заранее, а неудачные и непроверенные попытки не исключались из расчета, то есть результаты не подгонялись под нужный вывод. Для бизнеса это прямой эффект: меньше токенов — ниже затраты на дорогостоящую вычислительную инфраструктуру и подписку на модели, выше точность — меньше неверных ответов, на основе которых принимаются решения, и меньше времени сотрудников на перепроверку.
Мировой опыт подтверждает эти выводы. В июне 2026 года Anthropic, разработчик модели Claude, рассказал, как устроена внутренняя аналитика компании на базе ИИ-агентов. Сейчас Claude автоматически обрабатывает 95% внутренних аналитических запросов бизнеса Anthropic, и в среднем около 95% ответов верны. В отдельных доменах точность достигает 99%. Однако так было не сразу. Пока агент работал напрямую с таблицами хранилища, точность на внутренних тестах не превышала 21%. В корне ситуацию с качеством работы ИИ-агентов изменила не более мощная модель LLM, а наведенный порядок в данных. Агенты получили управляемый семантический слой с утвержденными определениями метрик, каталог данных с документированными метаданными и их происхождением (lineage) и закрепленных владельцев. Семантический слой стал обязательной первой точкой для любого вопроса к данным.
Показательно и то, что не сработало. Anthropic дал агенту доступ к тысячам исторических SQL-запросов, дашбордов и аналитических ноутбуков. Точность изменилась меньше чем на один процентный пункт. При этом в 80% случаев, где агент ошибался, правильный ответ был в этих материалах. Команда сделала вывод, что проблема не в доступе к данным, а в их структуре. Попытка поручить модели самой сгенерировать определения метрик тоже не удалась. Такой слой дал худший результат, чем меньший по объему, но курируемый людьми. Именно поэтому Anthropic рекомендует процесс, где документацию готовит ИИ, а определения утверждает человек. Третий вывод касается поддержки. Без регулярного сопровождения точность за месяц упала с 95% до 65%. Сегодня около 90% изменений в моделях данных компании сразу сопровождаются обновлением описаний для агентов.
Отсутствие структуры обходится и дороже. Дополнительная проверка ответов вторым агентом добавила 6% точности, но потребовала на 32% больше токенов и увеличила время ответа на 72%. Иначе говоря, компенсировать хаос в данных можно только вычислительными ресурсами, а их стоимость растет с каждым запросом. Аналитики Gartner приходят к похожему выводу на уровне рынка. По их прогнозу, до конца 2026 года организации откажутся от 60% ИИ-проектов, у которых нет данных, готовых для ИИ. 63% компаний либо не имеют подходящих практик управления данными, либо не уверены в их наличии.
Почему ИИ-пилот работает, а масштабирование буксует
Особенно заметными проблемы становятся при переходе от экспериментов к постоянной работе. Для пилота команда может вручную отобрать документы, убрать дубли и проверить доступ. При постоянной эксплуатации так уже не получится: документы регулярно обновляются, появляются новые системы и пользователи. Если корпоративный ИИ-помощник отвечает на вопросы по внутренним материалам, недостаточно просто загрузить их в поиск. Нужно исключить устаревшие инструкции, сохранить ограничения доступа и проверить права сотрудника до того, как фрагмент документа попадет в запрос к модели. Иначе помощник может сослаться на отмененный регламент или раскрыть закрытую информацию.
У прогнозных моделей другая уязвимость. Если в исходной системе изменились правила учета возвратов, значения показателей для прогноза тоже меняются. Модель начинает ошибаться, хотя ее код никто не трогал. Именно поэтому необходимо отслеживать изменения структуры и распределения входных данных, хранить историю преобразований и проверять качество признаков. При серьезных отклонениях прогноз нужно приостанавливать или пересматривать. Хорошая точность во время обучения сама по себе не гарантирует стабильную работу.
Важно и уметь восстановить, на основании чего модель приняла решение. Если компания не сохраняет версии исходных сведений и правила их обработки, позднее сложно понять, где возникла ошибка: в первичной системе, при подготовке признаков или в самой модели. Для финансово значимых и регулируемых процессов это необходимо, чтобы расследовать инцидент и при необходимости оспорить результат.
ИИ-агенты, которые сами пишут SQL, создают в хранилище новую проблему, когда структура данных начинает меняться быстрее, чем ее успевают документировать. Агент может добавить таблицы и представления, изменить типы полей, создать промежуточные витрины или дубли существующих объектов, и все это без согласования с архитектором. Описание собственных действий от агента ненадежно, так как это сгенерированный текст, а не журнал изменений. Знать, что на самом деле изменилось, может только сама система. Здесь нужен моделер данных с функцией реверс-инжиниринга. Он считывает фактическую структуру хранилища и строит по ней актуальную модель: таблицы, связи, ключи, типы данных. Архитектор сравнивает ее с эталонной моделью и видит, что именно создали или изменили агенты, какие объекты дублируют друг друга и где нарушены правила моделирования. После этого лишнее можно удалить, полезное — закрепить в эталонной модели и описать в каталоге данных.
Мировой опыт показывает, что без такого контроля последствия бывают серьезными. В июле 2025 года ИИ-агент платформы Replit во время объявленной «заморозки» изменений удалил рабочую базу данных основателя сообщества SaaStr, где были записи о 1206 руководителях и более чем 1196 компаниях. Затем агент создал около 4000 вымышленных записей и неверно сообщил, что откат невозможен. В 2026 году агент Cursor за девять секунд удалил рабочую базу сервиса PocketOS вместе с резервными копиями, и самая свежая доступная копия оказалась трехмесячной давности.
Чем больше агентов работает с хранилищем, тем острее проблема. По данным опроса CIO от Gartner, ИИ-агентов уже внедрили 37% организаций, а еще 34% планируют сделать это в ближайшие 12 месяцев. Участники говорят также о неуправляемом «разрастании» агентов, которое ведет к дезинформации, избыточному доступу к данным и их потере. Когда десятки агентов параллельно создают таблицы и витрины, общая согласованная модель данных становится условием работы такой системы. Это подтверждают и прогнозы аналитиков. Gartner ожидает, что к 2030 году универсальные семантические слои будут считаться критической инфраструктурой наравне с платформами данных и кибербезопасностью. По оценке компании, это единственный способ повысить точность, управлять затратами и согласовать работу мультиагентных систем, поэтому бюджет на семантику должен быть обязательной статьей расходов.
Семантический слой строится поверх модели данных, поэтому без инструмента, который поддерживает эталонную модель в актуальном состоянии, его не построить. Не случайно функции реверс-инжиниринга и сравнения моделей есть у всех ведущих решений по моделированию данных СУБД, будь то моделирование Greenplum, Postgres либо MySQL. При этом моделер генерирует скрипты изменений и хранит историю версий. Если поручить агентам автоматически создавать семантический слой без контроля, это может свести на нет весь прогресс. Именно поэтому последнее слово остается за архитектором и моделью данных, а не за агентом.
С чего начать, если бюджет ограничен
Выберите процесс, в котором ошибки уже можно измерить в деньгах или часах: неверные остатки, расхождения в отчетности, дубли клиентов, неточные прогнозы спроса. Вместо обещаний «повысить зрелость» определите стоимость конкретной проблемы и результат, который оправдает расходы.
Затем проследите путь информации от ее появления в системе до отчета или ИИ-модели. Например, цифры продаж могут расходиться с финансовой отчетностью не из-за технического сбоя, а потому, что подразделения по-разному определяют дату продажи и учитывают возвраты. Для каждого важного поля стоит назначить ответственного, указать основной источник, допустимую долю ошибок и требования к актуальности. Нужно также определить сроки исправления и кому сообщать о серьезных проблемах.
Зафиксируйте исходные показатели и сравните их с результатом: сколько стало дублей, как быстро выявляются ошибки, сколько часов уходит на сверки, как часто приходится исправлять уже закрытые отчеты. Для ИИ дополнительно оценивайте, как изменения повлияли на качество ответов или прогнозов и сколько стоит поддерживать проверки. Только после этого можно решить, нужен ли компании каталог и MDM или достаточно изменить правила ввода информации и настроить контроль в действующих системах.
Главное — сохранить новые правила после завершения пилота. Иначе очищенная база начнет снова заполняться ошибками с первой же выгрузкой.
Такой подход не заменяет общую программу управления данными, но дает ей понятную основу: измеримые проблемы, распределенную ответственность и подтвержденную экономию. Удачные правила можно применять в других процессах, а общие инструменты внедрять тогда, когда вести их вручную станет слишком сложно.
Опрос Arenadata показывает важное противоречие: на модели ИИ компании готовы выделять отдельные бюджеты, а исправление исходных сведений по-прежнему считают второстепенной ИТ-задачей. Пока за качество не отвечают подразделения, в которых эта информация возникает, затраты на ИИ будут расти быстрее доверия к результатам его работы.
Источник: Игорь Моисеев, директор по развитию бизнеса DataCatalog (входит в Группу Arenadata)
Иллюстрация предоставлена пресс-службой компании
















.jpg)

