700 млн человек уже используют ChatGPT каждую неделю, и на этом фоне разговор об AI-агентах быстро перестает быть презентационной мантрой. Если чат-боту еще можно простить работу по верхам, то AI-агенты упираются в куда более приземленную вещь: данные в компании по-прежнему лежат кусками, в разных системах и с разными правилами доступа. Для русскоязычной IT-аудитории это важный сигнал: следующая волна AI будет не про красивый интерфейс, а про то, кто сумеет собрать нормальный фундамент данных.
Именно об этом пишет The New Stack в материале о том, что эпоха изолированных хранилищ заканчивается, а вместе с ней меняются требования к корпоративному AI. Главный тезис звучит без лишней драмы: после бума генеративных интерфейсов рынок движется к агентным сценариям, где модель уже не просто отвечает на вопрос, а выполняет последовательность действий. А значит, ей нужен не разовый доступ к одному документу, а связная картина того, что происходит в бизнесе: где актуальные данные, кому они принадлежат, насколько им можно доверять и что агент вообще имеет право с ними делать.
Это заметный сдвиг по сравнению с предыдущим этапом. Последние пару лет компании в основном проверяли, может ли LLM ускорить поиск по базе знаний, помочь с письмами, черновиками кода, резюме встреч и ответами для поддержки. Во многих случаях этого хватало, потому что задача была локальной: взять текст, сгенерировать текст, максимум что-то найти в ограниченном наборе источников. AI-агенты работают иначе. Если системе поручают, например, собрать данные из нескольких внутренних сервисов, проверить статус процесса, подготовить следующий шаг и вернуть результат в рабочий контур, то слабое место возникает мгновенно. Агент ломается не на модели, а на данных: они фрагментированы, устарели, дублируются или закрыты несогласованными правами.
Отсюда и новый акцент на так называемом data foundation, то есть на общей основе, поверх которой AI-агенты вообще могут действовать предсказуемо. Речь не обязательно о едином «суперхранилище» и не о магическом проекте, который разом вылечит весь enterprise legacy. Скорее о том, что для агентных систем компании придется наводить порядок в интеграциях, политике доступа, происхождении данных и их актуальности. Иначе AI быстро скатывается в дорогую имитацию автоматизации: агент бодро планирует, но опирается на фрагменты реальности из CRM, тикетницы, файлового архива и почты, которые между собой не совпадают.
Для разработчиков в этой истории новость не самая романтичная, зато честная. Центр тяжести постепенно уходит от одного только prompt engineering к инженерии контекста. Недостаточно просто подключить модель к API и дать ей системный промпт поумнее. Нужно понимать, откуда она берет данные, как выбирает между несколькими источниками правды, что происходит при конфликте версий и как ограничить действия агента в чувствительных контурах. В корпоративной среде это автоматически поднимает старые добрые вопросы: идентификация, аудит, журналирование, контроль разрешений, качество данных, latency и наблюдаемость. AI-агенты, по сути, заставляют бизнес заново посмотреть на те проблемы, которые годами прятались под ковром интеграционных шин и внутренних Excel-файлов.
Для продуктовых команд и IT-руководителей вывод не менее практичный. На рынке, где генеративный AI уже стал базовой функцией, конкурентным преимуществом становится не сам факт использования модели, а способность встроить ее в процессы без потери управляемости. Если у компании нет понятного слоя данных, агенту нельзя доверить ничего важнее демонстрации на квартальном митинге. Если такой слой есть, AI-агенты превращаются из витринной игрушки в рабочий инструмент: могут разбирать операционные цепочки, собирать контекст из разных систем и экономить не секунды на ответе, а часы на реальной рутине. В этом смысле новая фаза AI будет очень приземленной: выиграют не самые шумные, а самые дисциплинированные.
Для российского рынка здесь тоже нет никакой экзотики. У многих компаний данные исторически размазаны между самописными системами, коробочными решениями, локальными хранилищами, облачными сервисами и документами, живущими собственной жизнью. Поэтому разговор об AI-агентах быстро упирается не в выбор модели, а в архитектурную гигиену. Кто владеет мастер-данными? Какие источники считаются актуальными? Можно ли связать события из разных контуров? Что агенту разрешено читать и тем более менять? Пока на эти вопросы нет внятных ответов, любая агентная стратегия остается слайдом в презентации.
На этом фоне тезис об окончании эпохи разрозненных данных звучит не как футурология, а как неудобный управленческий диагноз. AI-агенты подталкивают компании к тому, что они и без того откладывали: перестать относиться к данным как к побочному продукту приложений и начать строить слой, пригодный для машинного действия, а не только для человеческого просмотра. И если первый этап генеративного бума был гонкой интерфейсов, то следующий вполне может стать гонкой за доверенный контекст, в котором AI-агенты не просто разговаривают, а действительно работают.