ИИ-агент уже умеет подключаться к CRM, хранилищу данных и корпоративным отчётам, но это ещё не делает его полезным сотрудником. Семантические слои должны объяснить модели, что именно в компании называют выручкой, активным клиентом или просроченной сделкой — иначе агент быстро найдёт данные, но может ответить не на тот бизнес-вопрос.
Этой проблеме посвящён материал The New Stack: издание разбирает, почему для корпоративного ИИ недостаточно дать модели доступ к источникам данных. Главный дефицит — не очередной коннектор и не объём контекста, а согласованное описание смысла показателей, сущностей и правил их расчёта.
В типичной компании один и тот же термин живёт в нескольких системах. Продажи могут считать клиентом организацию с подписанным договором, маркетинг — любой лид, а финансы — плательщика с проведённым счётом. «Выручка за квартал» тоже не универсальная величина: где-то это сумма заказов, где-то оплаченные счета, где-то признанный доход после вычета возвратов. Человек с опытом работы в компании обычно знает эти различия или хотя бы понимает, кому задать вопрос. Модель, получившая доступ к таблицам, такой интуицией не обладает.
Именно здесь появляются семантические слои: прослойка между сырыми данными и инструментами аналитики либо ИИ. В ней фиксируют определения метрик, связи между объектами, допустимые фильтры, владельцев показателей и правила доступа. Вместо самостоятельного выбора между десятком похожих полей агент получает управляемый словарь: какую таблицу использовать, как связать заказ с клиентом и по какой формуле считать нужный KPI.
Для разработчиков это меняет постановку задачи. Корпоративного ассистента нельзя оценивать только по качеству диалога или способности сгенерировать SQL. Даже синтаксически корректный запрос бесполезен, если он обращается к неправильной версии метрики. Нужны проверки на бизнес-смысл: совпадает ли результат с утверждённым определением, не смешаны ли периоды, валюты и статусы, имеет ли пользователь право видеть детализацию. Иначе красивый ответ в чате станет ещё одним источником спорных цифр на встречах.
Для владельцев данных семантический слой — не косметика для BI-панелей. Он заставляет договориться о том, что именно измеряет бизнес, и оформить договорённости в машиночитаемом виде. Это работа не только дата-инженеров: в ней нужны финансовые команды, продажи, продуктовые аналитики и специалисты по безопасности. Чем раньше в проекте ИИ появляются владельцы метрик, тем меньше шансов, что агент начнёт уверенно пересказывать конфликтующие версии одной реальности.
В российской практике проблема особенно заметна там, где данные годами росли вокруг разных учётных систем, самописных выгрузок и отдельных витрин для подразделений. Добавить к такому ландшафту чат-интерфейс сравнительно легко; добиться повторяемых ответов — сложнее. Семантические слои не устранят дубли, пропуски и устаревшие справочники сами по себе, но сделают эти ограничения явными. Это важнее, чем позволить модели молча выбирать наиболее похожую колонку.
Следующий этап корпоративного ИИ будет зависеть не столько от того, сколько систем агент способен открыть, сколько от того, может ли организация доказать смысл его ответа. Компании, которые превратят определения метрик и правила доступа в поддерживаемый слой данных, получат не просто более разговорчивую аналитику, а основу для агентов, которым можно поручать задачи без ежедневной ручной расшифровки результатов.
