Четыре из пяти организаций, увеличивших в этом году инвестиции в ИИ, не могут продемонстрировать измеримую отдачу от них. Этот показатель — вновь озвученный в понедельник утром на открытии Саммита Gartner по данным и аналитике в Сиднее в 2026 году — не нов, но объяснение, которое на этой неделе настойчиво доносят до руководителей предприятий, таково: проблема не в моделях. Проблема в инфраструктуре данных, лежащей в их основе, и, в частности, в архитектурном несоответствии между конвейерами пакетной обработки, которыми владеет большинство предприятий, и непрерывными, требующими реального времени данными, без которых автономные агенты ИИ не могут функционировать.
Двухдневный саммит открылся сегодня в Международном конгресс-центре Сиднея, став предпоследней остановкой в глобальном туре Gartner 2026 года перед Мумбаи в сентябре. Мероприятие собирает лидеров в области данных, аналитики и ИИ со всего Азиатско-Тихоокеанского региона и проходит в момент, когда предприятия APAC сталкиваются с тем же переломным моментом, который определял дискуссии в Орландо, Лондоне и Токио ранее в этом году: как извлечь выгоду из инвестиций в ИИ, которые в большинстве организаций уже существенны и в значительной степени непродуктивны.
Проблема 80% имеет конкретную инженерную причину
Вступительный ключевой доклад, представленный директором-аналитиком Gartner Джорджией О’Каллахан и вице-президентом-аналитиком Йоргом Хайценбергом, определил центральную проблему саммита как ошибку в оценке темпа, принятую за стратегию. Посыл был последовательным на протяжении всего тура этого года: ускорение развертывания ИИ не решает проблему ROI. Исследования Gartner показывают, что это не так.
Вместо этого исследования указывают на сбой на уровне данных. Согласно данным, которые Gartner представила на своей серии саммитов 2026 года, 60% проектов ИИ, которым не хватает данных, готовых для ИИ, будут заброшены до того, как принесут пользу бизнесу. Основная причина не в низкой производительности модели — отдельный опрос Gartner показал, что только 23% неудачных инициатив в области ИИ связывают свой провал с самой моделью. Остальные неудачи связаны со стратегией, управлением и — что критически важно — с архитектурой данных, которая изначально не была рассчитана на обслуживание автономных систем.
Gartner выступил с более резким предупреждением по этому поводу 26 мая, прогнозируя, что к 2027 году 40% предприятий выведут из эксплуатации или понизят в статусе автономных агентов ИИ именно из-за того, что пробелы в управлении были обнаружены только после возникновения инцидентов в рабочей среде. «Предприятия рассматривают управление агентами ИИ бинарно — либо строго ограничено, либо полностью доверенно — и это корень проблемы», — заявил Шива Варма, старший директор-аналитик Gartner.
Почему Data Lakehouse не может обслуживать агента ИИ
Наиболее технически конкретный аргумент, выдвигаемый на саммите в Сиднее, касается того, что инженеры называют проблемой «архитектуры данных, готовой для агентов» — и она начинается с ограничения, встроенного в самую широко развернутую корпоративную платформу данных за последние пять лет.
Data lakehouse, гибридная архитектура, сочетающая гибкое по стоимости хранилище data lake с производительностью управления и запросов традиционного хранилища (warehouse), была специально разработана для человеческой аналитики. Она использует открытые колоночные форматы файлов, такие как Apache Parquet, форматы таблиц, такие как Apache Iceberg или Delta Lake, и организует данные с помощью медалионной архитектуры: необработанные данные поступают в слой Bronze, очищаются и стандартизируются в слое Silver, а затем собираются в наборы данных, готовые для аналитики, в слое Gold. Каждый переход между слоями происходит по расписанию — ежедневно, ежечасно или, в крайнем случае, почти в реальном времени для требовательных конвейеров. Человек-аналитик запрашивает слой Gold и вручную сверяет любые устаревшие или неоднозначные значения, прежде чем делать выводы.
Агент ИИ этого сделать не может. Как аналитики Gartner и независимые исследователи задокументировали в этом году, рабочие нагрузки бизнес-аналитики (BI) допускают устаревшие метаданные и несогласованные определения данных, поскольку человек может исправить неоднозначность в момент анализа. Автономные агенты не могут разрешать противоречия в реальном времени — они действуют на основе того контекста, который данные предоставляют в момент вывода, распространяя любую устарелость или несогласованность по нисходящей линии через каждое принимаемое с этого момента решение. Это не исправление конфигурации. Это архитектурная несовместимость: lakehouse, оптимизированный для запланированной пакетной обработки с периодичностью отчетности, работает в неправильном темпе для агентов, которые должны действовать непрерывно.
Google Cloud явно указал на эту несовместимость в инженерной статье от 22 апреля, анонсирующей свою нативную для ИИ архитектуру lakehouse: традиционные lakehouse были разработаны для эпохи отчетности и должны эволюционировать в нативную для ИИ основу — ту, которая заменяет пакетную обработку непрерывными циклами обратной связи и потоками живых данных, предоставляя агентам надежный контекст, необходимый для преобразования необработанных данных в действия. В статье описывалась архитектура, построенная на полностью управляемом хранилище Apache Iceberg, межоблачной совместимости и постоянно обновляемом контексте — в частности, на свежести данных, которую не обеспечивают пакетные конвейеры.
Практическое следствие для предприятий, развертывающих агентов: стек данных, который был современным три года назад, теперь является основным препятствием для работы агентов в продакшене. Только 14% организаций в настоящее время имеют архитектуру данных, готовую к развертыванию агентного ИИ, согласно опросу Deloitte 2025 года.
Сколько на самом деле стоит быстрое проваливание
Масштаб разрыва между амбициями в области ИИ и результатами работы ИИ стал настолько точным, что аналитики теперь публикуют финансовые оценки. Анализ McKinsey от апреля 2026 года организаций, пытавшихся масштабировать агентный ИИ, показал, что восемь из десяти компаний называют ограничения данных основным препятствием. Организации, успешно масштабирующиеся, имеют одну общую предшествующую инвестицию: они исправили уровень инфраструктуры данных до того, как построили уровень агентов.
Финансовые последствия невыполнения этого требования конкретны. Более половины ИТ-руководителей по всему миру сообщают о беспокойстве по поводу перерасхода средств на ИИ. Gartner прогнозирует, что агенты для конкретных задач будут встроены в 40% корпоративных приложений к концу этого года — по сравнению с менее чем 5% в 2025 году — и что рынок агентного ИИ вырастет с примерно 7,8 млрд долларов сегодня до более чем 52 млрд долларов к 2030 году. Организации, оплачивающие эту инфраструктуру без основ управления и данных для ее работы, финансируют эксперименты, которые их имущество данных не приспособлено поддерживать.
Разрыв в AI FinOps усугубляет эту ситуацию. Менее половины организаций внедрили финансовые ограничители или практики управления затратами для рабочих нагрузок ИИ, согласно данным Gartner, цитируемым на серии саммитов 2026 года, — вывод, которому повестка дня в Сиднее уделяет прямое внимание посредством сессий по количественной оценке затрат на ИИ и измерению ценности.
Управление — это инженерная проблема, а не проблема политики
Сессия на саммите в Сиднее под руководством Ашвина Радживы по архитектуре данных, готовой для агентов, продвигает аргумент, который консолидировался на протяжении всего тура Gartner этого года: управление для агентного ИИ не может быть прикручено к политическим структурам, которые управляли классической аналитикой. Оно должно быть встроено в уровень данных с самого начала.
Это различие имеет архитектурное значение. Классическое управление данными проверяет качество данных и права доступа в момент приема данных конвейером — как правило, посредством запланированных проверок при переходе от Bronze к Silver и от Silver к Gold в медалионной структуре. К тому времени, когда агент запрашивает данные, они уже прошли эти контрольные точки и были сертифицированы как чистые. Но агенты работают в разных системах одновременно, запрашивают данные по нескольким конвейерам в середине вывода и могут столкнуться с данными, которые были действительны при приеме, но с тех пор ухудшились по качеству или актуальности. Управление в режиме реального времени (runtime governance) — принудительное применение политик доступа к данным и стандартов качества в момент действия агента, а не в момент поступления данных в конвейер — требует принципиально иного технического механизма: непрерывной наблюдаемости, федеративного контроля доступа, охватывающего гибридные облачные среды, и управления, которое активно во время вывода, а не пассивно при приеме.
Руководство Gartner от мая 2026 года по пропорциональному управлению добавляет второе измерение к этой проблеме. Применение одинаковых мер контроля ко всем агентам ИИ, независимо от уровня их автономии, само по себе является режимом отказа: агент, который читает документы, нуждается в ином управлении, чем агент, который вносит изменения в производственные базы данных. Четырехуровневая структура Gartner классифицирует агентов по тому, что они фактически могут делать — Наблюдать (только чтение), Консультировать (только рекомендации), Действовать с одобрением (исполнение с проверкой человеком) и Действовать автономно (исполнение без надзора) — и требует мер управления, пропорциональных каждому уровню. Предприятия, относящиеся ко всем агентам одинаково, столкнутся либо с чрезмерными ограничениями, замедляющими доставку, либо с недостаточными ограничениями, вызывающими инциденты в продакшене.
Сигнал APAC для остального поля
Саммит в Сиднее, пятая остановка в глобальном туре Gartner 2026 года, имеет значение, выходящее за рамки его региональной аудитории. Вопросы, доминирующие в повестке дня — о готовности архитектуры данных, управлении в режиме реального времени, управлении неструктурированными данными и конкретных режимах отказа архитектур lakehouse в агентных средах — это те же вопросы, которые занимали Лондон в мае и будут обсуждаться в Мумбаи в сентябре.
Региональное измерение добавляет специфический для APAC аспект: цифровой суверенитет. Требования к резидентности данных и ограничения на трансграничные потоки данных стали вопросами уровня совета директоров по всему региону, создавая ограничения для архитектур федеративного доступа, которые требуются системам, готовым к работе с агентами. Предприятие в Австралии, Японии или Сингапуре, развертывающее агентов в гибридных облачных средах, должно соблюдать местные законы о резидентности данных, одновременно обеспечивая межсистемный доступ в реальном времени, который требуется агентам, — структурное напряжение, которое формирует подход предприятий APAC к инфраструктуре, готовой для агентов, иначе, чем у их североамериканских и европейских коллег.
Послание Gartner, последовательно доносимое до шести городов в этом году, заключается в том, что организации, лидирующие в области ИИ, — это не те, у кого самые большие бюджеты на модели или самые амбициозные дорожные карты для агентов. Это те, кто выполняет архитектурную работу, которая не видна в демонстрациях продуктов: замена пакетных конвейеров непрерывными потоками данных, встраивание управления в режиме реального времени в уровень данных и рассмотрение инфраструктуры данных, готовой для ИИ, как предварительного условия для развертывания, а не как последующей инвестиции. Сессии второго дня продолжатся 17 июня и будут посвящены облачной стратегии, зрелости архитектуры данных и меняющейся роли директора по данным и аналитике.
Часто задаваемые вопросы
Почему 4 из 5 предприятий не могут показать ROI от инвестиций в ИИ?
Исследование Gartner 2026 года показывает, что неудача ROI ИИ — это в первую очередь проблема данных, а не проблема моделей. Только 23% неудачных инициатив в области ИИ связывают свой провал с низкой производительностью модели. Большинство терпят неудачу, потому что организациям не хватает инфраструктуры данных, готовой для ИИ, — данных, которые непрерывно управляются, активно проверяются на качество и доступны агентам без ручной сверки во время запроса. Архитектура data lakehouse, которую использует большинство предприятий, была разработана для запланированной пакетной аналитики, а не для непрерывного доступа к данным в реальном времени, который требуется автономным агентам.
Что делает data lakehouse несовместимым с агентным ИИ?
Data lakehouse используют медалионную архитектуру — необработанные, очищенные и готовые для аналитики слои, — где данные обрабатываются по расписанию, а проверки качества происходят в точках приема данных конвейером. Человек-аналитик может мириться с устаревшими или противоречивыми данными, поскольку он сверяет их вручную. Агент ИИ не может этого сделать: он действует на основе того контекста данных, который получает в момент вывода, и распространяет любые несоответствия вперед через каждое последующее решение. Несовместимость архитектурная — агентам нужны непрерывные потоки данных и принудительное применение управления в режиме реального времени, в то время как lakehouse предоставляют запланированные пакеты и управление на уровне конвейера.
Что такое управление в режиме реального времени (runtime governance) для агентов ИИ и почему это важно?
Управление в режиме реального времени означает принудительное применение политик доступа к данным и стандартов качества в момент действия агента ИИ, а не в момент поступления данных в конвейер. Классическое управление данными проверяет данные при их приеме. Но агенты работают в середине вывода по нескольким системам одновременно и могут столкнуться с данными, которые изменились с момента их последней проверки. Без управления в режиме реального времени агент с широким корпоративным доступом может действовать на основе устаревших, противоречивых или неавторизованных данных без срабатывания какого-либо контрольного пункта. Исследование Gartner от мая 2026 года показало, что применение одинаковых мер управления ко всем агентам — независимо от уровня их автономии — само по себе является режимом отказа, который приведет к тому, что 40% предприятий выведут агентов из эксплуатации к 2027 году.
Что должен сделать лидер данных перед масштабированием развертывания агентов ИИ?
Исследования Gartner и McKinsey сходятся в едином предварительном условии: исправить инфраструктуру данных до создания агентов. В частности, организациям следует провести аудит источников данных на предмет свежести и охвата управления, оценить, доставляет ли их текущая архитектура данные с периодичностью отчетности или непрерывно, классифицировать запланированные развертывания агентов по уровню автономии и применять пропорциональные меры управления, а также внедрить практики AI FinOps для отслеживания стоимости на развертывание перед масштабированием. McKinsey обнаружила, что организации, выполнившие эту инфраструктурную работу до развертывания, — это те, кто успешно масштабируется в 2026 году.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Kyle Belmonte
