Databricks: ИИ-агенты готовы, но корпоративная архитектура отстает

Сооснователь и старший вице-президент по полевому инжинирингу Databricks, Арсалан Таваколи — Шираджи, выявил ключевую проблему, препятствующую получению реальной ценности от инициатив в области искусственного интеллекта в корпоративной среде. По его мнению, многие предприятия демонстрируют значительную активность во внедрении ИИ, однако лишь немногие из них трансформируют эту активность в ощутимую бизнес-ценность. Основной барьер заключается не столько в выборе или качестве самих ИИ-моделей, сколько в фундаментальной инфраструктуре, на которой они должны функционировать, и в отсутствии стратегического подхода, ориентированного на конкретный результат.

Таваколи — Шираджи подробно останавливается на трех распространенных архитектурных ошибках, которые предотвращают успешное внедрение агентных систем ИИ в производство. Прежде всего, это проблема фрагментации данных: информация часто разбросана по десяткам разрозненных систем и заблокирована в проприетарных форматах, что делает ее недоступной для эффективного использования ИИ-агентами. Вторая критическая ошибка — это недостаточное внимание к управлению данными и процессами (governance), которое часто рассматривается как второстепенная задача, а не как фундаментальный элемент. Такое управление должно не только охватывать сами данные, но и глубоко понимать действия агентов, их разрешения, пути взаимодействия и способы подключения множества агентов из разных систем.

Наблюдая за сотнями корпоративных взаимодействий, Таваколи — Шираджи выделяет несколько категорий внедрения ИИ. Некоторые компании находятся на стадии экспериментов, тестируя модели и пилотные проекты. Другие продвинулись дальше, автоматизируя конкретные задачи, такие как генерация текстов, транскрипция заметок или ответы на вопросы по данным. Однако лишь гораздо меньшая группа организаций успешно интегрирует ИИ, изначально проектируя свои системы с учетом его возможностей. Главное различие между теми, кто генерирует активность, и теми, кто получает ценность, заключается в отправной точке: успешные предприятия начинают с желаемого результата — повышения производительности, создания новых бизнес-возможностей или снижения рисков — и затем подбирают технологию, а не наоборот.

Традиционные архитектурные решения, такие как дашборды и пакетные конвейеры, оказываются неэффективными в условиях требований агентного ИИ. Дашборды, зачастую создаваемые для ответа на разовые вопросы, быстро устаревают и не позволяют глубоко анализировать данные в реальном времени, что приводит к значительным задержкам при попытке выяснить причины тех или иных событий. Аналогично, пакетная обработка данных, которая была эффективна, когда решения принимались медленно, не соответствует скорости, необходимой для агентных систем. В мире, где окно между обнаружением события и возможностью реагировать на него стремительно сужается, рассинхронизированные системы, работающие в пакетном режиме, просто не могут обеспечить требуемую оперативность.

В свете этих вызовов, Таваколи — Шираджи настоятельно рекомендует директорам по данным (CDO) и техническим директорам (CTO) фундаментально переосмыслить свой подход к данным и ИИ-стратегии. Отход от устаревших аналитических парадигм и переход к инфраструктуре, спроектированной для агентного мира, является критически важным. Необходимо четко определить, как выглядит успех, прежде чем приступать к масштабным проектам, чтобы избежать беспорядочного распространения ИИ-систем, которое может преследовать организации годами. Построение транзакционной базы данных, способной поддерживать действия агентов, становится ключевым шагом для обеспечения реальной отдачи от инвестиций в искусственный интеллект.