Контекст решает: от AI-ready к agent-ready. Почему Data Management стал главной темой эпохи ИИ

27 ноября 2026 года в Алматы пройдёт CDO ExecLeaders Summit 2026 — встреча директоров по данным Казахстана и Центральной Азии на тему «За пределами данных: построение компании, ориентированной на ИИ». Почему разговор о данных сегодня важнее моделей?

В 2023 году казалось, что всё решит модель. К 2026 году модели стали товаром: доступ к GPT, Claude, Gemini или открытым Llama и DeepSeek есть у всех. А разница в результатах между компаниями только выросла. Разницу создаёт контекст — способность дать ИИ свои данные чистыми, понятными, с бизнес-смыслом, правами доступа и историей происхождения. Результат агента — функция интеллекта модели и контекста. Интеллект можно купить по подписке, а контекст можно только построить — дисциплинированной работой с данными, метаданными, качеством и ответственностью. Поэтому data governance, ещё недавно считавшийся «бэк-офисом ИТ», оказался на первой линии AI-стратегии, а CDO из хранителя справочников превращается в архитектора конкурентного преимущества.

Парадокс 2026 года: ИИ внедрён, а отдачи нет

ИИ сегодня используют почти все, но измеримый эффект видит меньшинство, и все крупные исследования называют одну и ту же причину — данные. По данным MIT, 95% пилотов генеративного ИИ в компаниях не достигают бизнес-результатов, потому что системы не удерживают контекст и плохо встроены в процессы. Gartner предупреждает: к 2026 году 60% AI-проектов без AI-ready данных будут свёрнуты. В исследовании Informatica и Deloitte 86% директоров по данным планируют наращивать инвестиции в data management, а надёжность данных остаётся главным барьером на пути от пилота к промышленной эксплуатации.

ИИ обнажил слабости дата-стратегии компаний, которые существовали и раньше. Хорошая новость в том, что бизнес это понял. Вопрос «зачем нам governance?» больше не звучит на правлениях. Теперь спрашивают иначе: как построить его быстро и так, чтобы он не тормозил ИИ?

Контекст решает: новая роль данных

Раньше данные потреблял человек. Аналитик знал, что «выручка» у финансистов и у продаж — разные цифры, помнил, что в марте меняли справочник контрагентов, и знал, кому позвонить, если цифры не сходятся. ИИ-агент видит таблицу SALES_FACT, честно считает сумму и аккуратно выдаёт неверный ответ. Корпоративные данные изначально проектировались под людей. Автономные агенты в эту логику не заложены, и пока несоответствие сохраняется, агентные внедрения будут буксовать.

Отсюда новая дисциплина — context engineering, пришедшая на смену prompt engineering. Вопрос сместился от формулировки запроса к тому, что модель должна знать в момент ответа. Надёжность агента определяет точность отбора контекста, объём вторичен. Состоит этот контекст из тех же артефактов, что специалисты по управлению данными строят десятилетиями: бизнес-глоссарий и семантический слой, онтологии и таксономии, мастер-данные, lineage, сигналы качества и политики доступа. Ничего нового для тех, кто читал DAMA-DMBOK. Ново лишь то, что теперь их читает машина, и читает в момент исполнения.

По оценкам Gartner, компании с таксономиями и онтологиями в 2,2 раза чаще достигают эффективного дата-инжиниринга для ИИ, а зрелое управление метаданными в 4,3 раза повышает шанс на высокую готовность данных к ИИ. К 2028 году большинство проектов агентной аналитики без семантического слоя, по прогнозам аналитиков, потерпят неудачу. Получается, что самая «скучная» часть управления данными — словари, описания, владельцы — стала самой ценной инфраструктурой искусственного интеллекта. И она быстро расширяется на договоры, регламенты, чертежи и переписку: к 2027 году на управление неструктурированными данными придётся около 40% всех расходов на технологии data management.

От AI-ready к agent-ready

Агентный ИИ меняет цену ошибки. Раньше плохие данные выливались в неверный ответ, который человек обычно замечал. Теперь они выливаются в неверное действие: платёж не тому контрагенту, заблокированный клиент, заказ по устаревшему прайсу. McKinsey описывает это как переход от риска ошибочного ответа к риску ошибочного действия. По их данным, лишь около 30% компаний достигли зрелости в стратегии, governance и контроле агентов, а главной сложностью при масштабировании до сих пор считаются безопасность и риски. Возможности ИИ растут экспоненциально, а управляемость — линейно.

Gartner уже говорит о том, что AI-ready data должны стать agent-ready data. Готовность данных — это непрерывная практика на всём жизненном цикле ИИ. По каждому действию агента компания должна уметь ответить, какие данные он использовал и насколько они были свежи, что именно он сделал, какая политика это разрешила и кто из людей за это отвечает. Это lineage, качество данных, безопасность и роли владельцев — классический data management. Среди потребителей данных появились нечеловеческие субъекты, и им нужны свои идентификаторы, роли и журналы аудита.

Есть и менее очевидная задача. ИИ потребляет данные и одновременно производит их: уже около трети корпоративных данных создано машинами, и эта доля растёт. Без маркировки и lineage компания рискует получить замкнутый круг, в котором следующие модели опираются на непроверенные выводы предыдущих.

DAMA International разрабатывает DAMA-DMBOK 3.0 с фокусом на AI governance, cloud-native архитектуры и data mesh. При этом в центре «колеса DAMA» по-прежнему стоит governance. ИИ не отменил ни одной области знаний, он поднял ставки в каждой. Для специалистов с сертификацией CDMP это означает, что их экспертиза не устарела, а стала дефицитной.

Повестка CDO на ближайший год

Роль директора по данным смещается от «хранителя данных» к «архитектору контекста» — человеку, который отвечает за то, чтобы ИИ в компании понимал бизнес и действовал в рамках правил. Начинать стоит не с корпоративного словаря на всё, а с трёх–пяти AI-сценариев с понятным эффектом и критичных для них элементов данных. Семантический слой нужно строить как продукт — с владельцем, бэклогом и версиями, а метаданные, каталог, lineage и observability считать базой, а не роскошью. Data governance следует расширить на ИИ: добавить реестр моделей и агентов, оценку рисков по классам из закона и правила для синтетических данных. У каждого агента, как и у каждого набора данных, должен быть один ответственный — размытая ответственность напрямую связана с низкой зрелостью. Полномочия агентам лучше выдавать постепенно: сначала чтение и рекомендации, и лишь после подтверждённого качества — запись в ERP, CRM и платёжные системы.

Измерять ценность нужно на языке бизнеса. Процент заполненности каталога совет директоров не впечатлит, а срок вывода AI-сценария в продакшн, точность ответов агента и снижение инцидентов — впечатлят. Компании с зрелым governance уже демонстрируют заметно лучшие результаты по операционной эффективности и выручке. И главное нетехническое условие — культура данных и AI-грамотность. Агент будет так же хорош, как люди, которые описали для него бизнес.

CDO ExecLeaders Summit 2026: обсудим всё это вживую.

Регистрация: https://www.apple-events.com/events/cdo-summit-2026