Не OpenAI, а Elastic вынесла в центр обсуждения главный тормоз корпоративного ИИ: модели уже умеют многое, но без точного и безопасного доступа к внутренним данным компания получает дорогой чат, а не рабочий инструмент. Для русскоязычных ИТ-команд сигнал простой: конкуренция смещается от гонки моделей к гонке за качественный поиск, права доступа и аудит.
Поводом стала спонсорская публикация на The New Stack от 9 марта 2026 года, где Elastic описывает проблему так называемого «гниения контекста» — ситуации, когда в ИИ-систему подают слишком много разрозненных, устаревших или конфликтующих данных. В таком режиме модель начинает терять фокус, путать приоритеты и хуже отвечать на рабочие запросы.
Проблема не в модели, а в данных вокруг нее
Elastic формулирует тезис жестко: в enterprise-сценариях сложнее не выбрать LLM, а собрать для нее правильную память, поиск, состояние сессий и контроль доступа. В блоге компании от 19 мая 2026 года эта мысль повторяется почти дословно: модель выбрать можно за неделю, а архитектуру поиска и извлечения контекста команды строят месяцами.
В The New Stack старший data scientist Elastic Абхиманью Ананд описывает один из типичных симптомов: агент зацикливается на противоречивом контексте и продолжает идти к неверному ответу. Исследователь Джеймс Кобилус добавляет, что загрязненное окно контекста может «запустить порочный круг снижения валидности модели». Перевод с корпоративного на русский простой: чем хуже устроены ваши индексы, права и свежесть данных, тем дороже обходится каждый пилот с ИИ.
Почему это важно крупным компаниям
Для enterprise-заказчика поиск, наблюдаемость и безопасность давно живут в одной связке. Корпоративные данные лежат не в одной базе знаний, а сразу в логах, тикетах, wiki, архивах документов и внутренних сервисах. Если ИИ не умеет быстро вытаскивать оттуда релевантные фрагменты и при этом соблюдать разграничение доступа, проект упрется в требования службы безопасности раньше, чем дойдет до реальной пользы.
Отсюда и сдвиг в закупках. Важным становится не только вопрос «какую модель берем», но и вопрос «кто отвечает за retrieval, трассировку запросов, актуальность индекса и проверяемость ответа». Это плохая новость для тех, кто хотел внедрить ИИ как виджет за две недели, и хорошая для платформенных команд: ценность снова на стороне инфраструктуры, а не красивых демо.
Что это меняет для российского рынка
Для России и СНГ история прикладная безо всяких скидок на зарубежный контекст. У местных компаний тот же набор проблем: разрозненные хранилища, наследованные системы, жесткие регламенты по доступу и высокий скепсис к «черному ящику». Поэтому главный вывод такой: даже если модель покупают у одного вендора, реальный успех проекта решают поиск по внутренним данным, политика прав и наблюдаемость всей цепочки.
Следующий этап рынка выглядит предсказуемо: компании будут сравнивать не только LLM, но и то, насколько надежно вокруг нее собран слой контекста, контроля и журналирования.
Оригиналы: The New Stack и Elastic Blog.