AI-агенты в продакшене всё чаще проваливаются не из-за слабой модели, а из-за скучной инженерной прозы: разрозненных, устаревших и плохо управляемых данных. 30 сентября об этом пишет The New Stack: демо может выглядеть убедительно, но реальная инфраструктура быстро показывает, кто в компании на самом деле владеет контекстом, правами доступа и бизнес-логикой.
Материал Kimberly Fessel привязан к сессии Arango, назначенной на 14 октября 2026 года. На ней Ravi Marwaha, COO и Chief Product & Technology Officer Arango, обещает разобрать шесть требований к данным, которые помогают перевести агента из демо-режима в рабочую эксплуатацию. Формулировка сухая, но боль знакомая: агент отлично отвечает на подготовленном наборе документов, а затем выходит в CRM, ERP, тикеты, таблицы и внутренние политики — и начинает собирать реальность по кускам, как стажёр в первый день без доступа к Confluence.
Главная мысль источника: проблему нельзя свести к «плохо настроили поиск». Команда могла уже проверить vector search или RAG, получить релевантные фрагменты и даже красивый ответ на демо. Но релевантность не равна бизнес-контексту. Агенту нужно понимать, что один и тот же клиент может по-разному называться в нескольких системах, что данные о заказе могли измениться час назад, а решение нужно не только принять, но и объяснить: на каких записях, правах и правилах оно основано.
Для разработчиков это неприятное напоминание: production readiness у агента начинается раньше промпта и не заканчивается выбором LLM. Если бизнес-логика размазана по сервисам, документации, ручным таблицам и устным договорённостям, агент будет каждый раз восстанавливать контекст на лету. Это даёт нестабильные ответы, добавляет задержки, увеличивает стоимость запросов и создаёт новые точки отказа. В демо такие проблемы часто не видны: сценарий короткий, данные свежие, права доступа заранее упрощены, исключения заботливо вынесены за скобки.
Отдельный риск — устаревшая информация. Агент не просто читает данные и выдаёт ответ; в агентных сценариях он может несколько раз искать информацию, принимать промежуточные решения, запускать действия и использовать их результат в следующих шагах. Если на раннем этапе в цепочку попала неверная или старая запись, ошибка начинает размножаться. В обычном отчёте это неприятно. В агенте, который меняет статус заявки, готовит коммерческое предложение или работает с клиническими данными, это уже операционный риск, а не косметический дефект интерфейса.
Arango продвигает идею постоянного унифицированного бизнес-контекста: не заставлять агента каждый раз заново склеивать картину мира из десятка источников, а дать ему контекстный слой данных, на который можно опираться. В терминах архитектуры это ближе к отдельному слою представления сущностей, связей, прав, актуального состояния и истории изменений. В терминах бизнеса — к вопросу, который обычно откладывают до последнего: кто отвечает за то, что агент считает «правдой»?
Для IT-директоров и продактов здесь есть практичный вывод. Пилот AI-агентов в продакшене стоит оценивать не только по качеству ответов, но и по качеству окружающей системы: есть ли единая идентичность клиентов, поставщиков или пациентов; можно ли отследить источник решения; обновляется ли контекст достаточно быстро; применяются ли права доступа до генерации, а не после; понятно ли, как откатить ошибочное действие. Без этих пунктов агент остаётся красивой витриной поверх старого дата-хаоса.
Рынок уже смещается от восторга по поводу «самостоятельных» агентов к менее эффектной, но более взрослой теме: агенту нужен не только инструмент и память, а проверяемая среда для принятия решений. Финансовые сервисы и клинические исследования, которые Arango называет среди примеров для своей сессии, хорошо показывают ставку: там нельзя отделаться фразой «модель так решила». Нужны трассировка, контроль доступа, актуальность данных и возможность объяснить цепочку действий человеку, аудитору или регулятору.
Похоже, следующий этап внедрения AI будет измеряться не количеством демо, а числом компаний, которые готовы привести данные в состояние, пригодное для автономных действий. AI-агенты в продакшене не отменяют старые задачи data engineering и governance — они просто делают их видимыми быстрее и болезненнее.