Даниил Зайцев, Data Sapience:
ИИ-агентам нужны справочники, которыми управляет бизнес

ИИ уже пишет код и сам предлагает изменения в процессах. Почему в крупной компании даже небольшая правка по-прежнему идет неделями?

ИИ действительно заметно упрощает разработку ПО и в отдельных случаях способен даже самостоятельно инициировать изменения. Но в крупной компании проблема часто не в том, насколько быстро можно написать код.

Даже небольшая доработка может затронуть взаимодействие нескольких систем, обработку исключений и уже работающие бизнес-процессы. Поэтому мало внести изменение, нужно еще убедиться, что оно не нарушит работу существующих сервисов. ИИ способен помочь и с тестированием, но полностью исключить риски внедрения он не может.

Поэтому в корпоративных системах мы стремимся отделять относительно стабильную логику процессов от параметров, которые бизнесу приходится регулярно пересматривать.

Например, организационную структуру, распределение ответственности, классификации клиентов или нормативные ограничения можно представить в виде управляемых данных. Тогда для их изменения не потребуется каждый раз дорабатывать программную реализацию.

Если система изначально предусматривает такую возможность, бизнес может менять эти данные через специализированные механизмы проверки и согласования, не запуская полный цикл разработки и тестирования всего процесса.

Этот подход появился задолго до ИИ. Но чем больше операций мы автоматизируем, тем важнее управлять условиями их выполнения без постоянного изменения программной логики. Справочники при этом превращаются в инструмент управления процессами.

Data Sapience чаще связывают с банками. Где еще такой подход дал результат?

Задача встречается везде, где структура бизнеса часто меняется. Показательный пример — управление территориальной структурой в крупной фармацевтической компании, где мы внедряли Ingresso One, продукт Data Sapience, для управления справочными данными.

Там существовала довольно типичная проблема: территории продаж были закреплены за конкретными сотрудниками. Когда сотрудник увольнялся или переходил на другую позицию, возникали сложности с сохранением структуры ответственности. Вакансии, временные замещения, перекрытия территорий приходилось дополнительно обрабатывать.

Мы выстроили модель, в которой территории и организационная структура привязаны к плановым ставкам, а не к конкретным людям. Информация о сотрудниках поступает отдельно из HR-системы.

В результате кадровые изменения больше не требуют перестраивать территориальную структуру. Бизнес управляет закреплениями, вакансиями и замещениями через данные, а зависимые процессы, включая CRM-систему и аналитику, используют согласованную модель.

Теперь представим, что компания внедряет ИИ для планирования визитов медицинских представителей или распределения задач. Ему по-прежнему необходимо понимать, какие территории существуют, кто за них отвечает, какие ограничения действуют.

В самом проекте ИИ не использовался. Но если компания завтра внедрит интеллектуальное планирование, ему все равно понадобится актуальная территориальная структура. А в нашей реализации бизнес уже может управлять ею независимо от алгоритмов планирования.

Но ведь изменение справочника тоже может привести к серьезной ошибке. Действительно ли управлять через данные безопаснее, чем менять код?

Само по себе такое изменение не обязательно будет надежнее. Некорректное изменение управляющих данных может иметь не менее серьезные последствия, чем ошибка в программном коде.

Разница в том, что для таких изменений мы можем заранее определить допустимые действия и выстроить отдельный процесс контроля.

Например, автоматические проверки могут контролировать обязательность атрибутов, корректность связей, уникальность значений и соблюдение бизнес-ограничений.

Но далеко не все можно проверить автоматически. Если требуется определить, к какой категории относится продукт или какое подразделение за него отвечает, это уже может потребовать решения со стороны бизнеса.

В одном из проектов Data Sapience для крупной компании процесс управления номенклатурой предусматривает участие до 15 подразделений в параллельных согласованиях. При этом маршруты и требования к данным различаются в зависимости от типа номенклатуры и стадии процесса. Только после необходимых проверок и согласований данные передаются в учетную систему.

Автоматические проверки здесь решают одну задачу, а согласование с ответственными подразделениями — совсем другую. И то и другое необходимо, чтобы бизнес мог самостоятельно управлять данными, не создавая неконтролируемых изменений в зависимых системах.

Теперь данные могут использовать ИИ-агенты. По прогнозу Gartner, к концу 2027 года более 40% проектов с ними будут отменены из-за роста затрат, неочевидной бизнес-ценности или недостаточного контроля рисков. Может ли управление справочными данными помочь снизить эти риски, или его роль ограничивается обеспечением качества данных?

Не только. Качество данных, с которыми работают ИИ-агенты, безусловно, важно. Но справочники и другие управляющие данные могут играть значительно более существенную роль. Представим, что компания внедрила ИИ-агента для закупок: он сравнивает предложения поставщиков и сам формирует заказы.

Но это не означает, что компания готова разрешить ему закупать что угодно, у кого угодно и на любую сумму. Даже если агент технически способен самостоятельно совершать операции, бизнес должен понимать, кто отвечает за их последствия.

Поэтому бизнес по-прежнему должен определять допустимые категории закупок, перечень одобренных поставщиков, финансовые лимиты, полномочия сотрудников и условия дополнительного согласования.

Значительную часть этих ограничений можно представить в виде справочников, параметров и формализованных бизнес-правил. Именно с такими данными мы работаем в Data Sapience.

Допустим, компания решила снизить лимит самостоятельных закупок со 100 до 50 тысяч рублей. Если архитектура изначально предусматривает применение такого ограничения, достаточно изменить соответствующий параметр и обеспечить его применение. Нет необходимости заново разрабатывать ИИ-агента или менять его код.

При этом критичные ограничения должна контролировать не только сама языковая модель.

Например, агент может самостоятельно подготовить заказ, но система проведения закупок должна независимо проверить его соответствие установленным лимитам и полномочиям.

Если эти ограничения нарушены, заказ не проводится, как бы убедительно ИИ-агент ни обосновал свое решение.

ИИ уже способен анализировать огромные массивы данных и предлагать варианты их классификации. Насколько далеко можно зайти в автоматизации управления справочниками, и какие решения вы не отдали бы ИИ?

Решения о том, как устроен бизнес: какие категории существуют, кто за них отвечает, какие правила действуют. Точность здесь не главный критерий. Даже верное с точки зрения модели решение кто-то должен утвердить и отвечать за его последствия. Поэтому полностью передавать ИИ полномочия по управлению корпоративными справочниками, на мой взгляд, было бы ошибкой. При этом я бы не ограничивал применение ИИ автоматизацией рутинных операций. Гораздо интереснее задачи, в которых человеку сложно разобраться самостоятельно из-за объема или разнообразия данных.

Например, в Data Sapience мы обсуждали с одним из заказчиков номенклатуру примерно из 40 тысяч позиций. Для начала нужно было определить, как вообще правильно ее классифицировать: какие группы выделить, какие характеристики должны быть обязательными для каждой из них, как организовать иерархию.

Это сложная экспертная задача, и даже специалисту с необходимыми компетенциями на это может потребоваться значительное время.

Здесь разумно поручить первоначальный анализ ИИ. Он может исследовать существующие наименования и описания, выявить группы схожих объектов, предложить структуру классификатора и наборы характеристик, обратить внимание на неоднозначные случаи.

Конечно, предложенная моделью классификация не обязательно будет соответствовать потребностям бизнеса. Ее нужно оценить, при необходимости скорректировать и утвердить. Бизнес-эксперт здесь проверяет качество работы ИИ и принимает само управленческое решение. Зато он начинает работу с подготовленного варианта, а не с пустого листа.

Здесь нужны системы управления нормативно-справочной информацией (НСИ), то есть корпоративными справочниками, с проверками данных, разграничением полномочий и согласованием изменений. В Data Sapience мы исходим из того, что предложения ИИ должны поступать в такие системы через интеграционные механизмы и проходить установленные процедуры контроля.

При этом не обязательно заставлять человека подтверждать каждую операцию. Для низкорисковых изменений можно предусмотреть автоматическое выполнение, а существенные решения оставлять на утверждение ответственным специалистам.

Причем в перспективе ИИ может помогать не только с содержимым справочников, но и с проектированием их структуры, правил заполнения и проверок качества.

Мы говорим о справочниках, но ведь бизнес управляет процессами не только через НСИ. Есть еще планы, нормативы и другие данные, которые создают сами сотрудники. Как развитие ИИ изменит работу с такими данными?

Помимо традиционных справочников, в компаниях существует большой объем данных, которые формируются непосредственно бизнес-пользователями: планы, нормативы, управленческие корректировки и другие показатели.

Для работы с ними во многом нужны те же механизмы, что и для управления НСИ. Поэтому мы изначально позиционируем Ingresso One шире классического RDM, как инструмент управления не только справочными, но и пользовательскими бизнес-данными.

Возьмем планирование продаж. ИИ может построить прогноз на основе исторических данных, сезонности, поведения клиентов и других факторов. Допустим, прогноз на следующий квартал составляет 500 миллионов рублей.

Но руководство компании утверждает план в 550 миллионов, учитывая стратегические цели, инвестиции в маркетинг или изменение коммерческой политики.

Это принципиально разные вещи. Прогноз — оценка наиболее вероятного результата, а план — управленческое решение о том, какого результата компания намерена добиться. ИИ может подготовить несколько вариантов плана, оценить их реалистичность, предложить способы достижения целей. Но решение о целевых показателях и ответственность за их выполнение я бы оставил за людьми.

После утверждения план становится входными данными для бюджетирования, распределения ресурсов, расчета мотивации и других автоматизированных процессов.

Получается практически тот же набор задач, что и при управлении справочниками: проверки качества, разграничение доступа, согласование изменений, ведение истории и интеграция с другими системами. Поэтому в Data Sapience мы с самого начала делали Ingresso One и для справочников, и для данных, которые вводят сами бизнес-пользователи: планов, нормативов, управленческих корректировок.

Если вынести в настройки всю бизнес-логику, не станет ли систему сложнее сопровождать, чем обычную программу? Где проходит граница?

Такой риск действительно существует, особенно если логика распределена между десятками таблиц, а последствия изменения отдельного значения невозможно предсказать.

Поэтому я бы не пытался все превратить в настройки. В Data Sapience мы советуем заказчикам выносить в управляемые данные прежде всего те решения, которые бизнесу действительно приходится регулярно пересматривать и для которых можно заранее определить допустимые варианты изменений.

Но если компания принципиально меняет способ обслуживания клиентов или запускает новую бизнес-модель, скорее всего, потребуется изменение самого процесса. А для сложной логики принятия решений могут лучше подходить специализированные системы управления бизнес-правилами.

Если для каждого изменения зоны ответственности или норматива требуется доработка приложения, это явно неудобно. Но переносить всю логику в справочники только ради гибкости тоже не имеет смысла.

Вы пока не встраиваете ИИ в свой продукт для справочников. Что изменится в таких системах к концу 2027 года, когда компании начнут массово подключать агентов?

Встроенного ИИ в Ingresso One действительно пока нет. Но внешние системы уже могут не только читать данные, но и изменять их, проходя те же проверки и согласования. Значит, агента можно подключить через существующие механизмы интеграции и контроля.

Агентам нужны актуальные данные о том, как устроен бизнес, какие правила действуют и какие решения уже приняты. Эти данные кто-то должен поддерживать, согласовывать и контролировать.

Я ожидаю, что по мере распространения ИИ-агентов системы управления НСИ смогут играть более значимую роль в корпоративной архитектуре. Они могут предоставлять агентам актуальные справочные и управляющие данные, а также обеспечивать контролируемое внесение изменений. Но применение ограничений и выполнение бизнес-операций должны контролироваться соответствующими корпоративными системами.

Поэтому я не думаю, что развитие ИИ сделает управление справочниками менее востребованным. Скорее наоборот: чем больше операций компании передают агентам, тем важнее становится управлять условиями, в которых эти агенты работают.

При этом наиболее интересным направлением развития мне кажется не просто появление ИИ-чата в интерфейсе, а использование ИИ для облегчения самой работы с данными — от проектирования справочников до подготовки и проверки изменений.

18 ноября в Москве пройдет конференция Data Sapience Data Day 2026. Какие из вопросов, о которых мы говорили, там будут обсуждать?

Почти все. Конференцию откроет дискуссия «ИИ в данных и в работе data-команд»: директора по данным крупных банков и ритейла обсудят, какую реальную отдачу приносит ИИ и где проходят пределы применимости моделей.

Отдельный доклад посвящен тому, как меняется управление данными с приходом ИИ. О развитии платформы Data Ocean Governance, в которую входит и Ingresso One, расскажет мой коллега Кирилл Евдокимов. А клиенты покажут, как связать бизнес-архитектуру, модели данных и интеграции в единый язык. По сути, это разговор о том, на каких правилах будут работать ИИ-агенты.