AI-агенты в бизнесе начинаются не с модели, а с данных
Большинство компаний заходят в тему AI не с того конца. Они обсуждают модель, интерфейс, скорость ответа, провайдера, стоимость токенов. Всё это важно, но только на верхнем слое. Реальный вопрос глубже: есть ли у бизнеса данные и архитектура, на которых AI вообще способен зарабатывать результат?
Именно поэтому история Databricks и Snowflake для меня важна не как соревнование двух технологических брендов. Это очень понятный управленческий сигнал. В AI-эпоху ценность начинает смещаться туда, где лежит живой, messy, неструктурированный контекст бизнеса. А значит выигрывает не тот, кто красивее показывает демо, а тот, кто лучше построил фундамент.
Почему разговор про AI-агентов почти всегда начинается слишком поздно
Когда собственник говорит хочу AI-агента, на самом деле он часто хочет готовый результат: меньше рутины, быстрее процессы, умнее поддержка, лучше аналитика, автономные действия внутри повторяемых задач. Но между желанием и результатом стоит неудобный слой, который многие пытаются перескочить, - данные.
Если данные разбросаны по чатам, документам, CRM, Google Sheets, головам сотрудников и старым системам без нормального доступа, никакой агент не станет реальным рабочим инструментом. Он превратится либо в красивый чат поверх хаоса, либо в дорогую пилотную игрушку, которую команда всё равно будет страховать вручную.
Поэтому я бы вообще запретил себе начинать обсуждение AI с вопроса какую модель выбрать. Намного полезнее спрашивать: какую часть контекста нашей компании система сможет получить, понять и использовать без ручного героизма команды?
Что показал разворот Databricks и Snowflake
Snowflake долго символизировала старую логику ценности: чистые таблицы, понятные SQL-запросы, аккуратная аналитика, ответы, которые легко читать руководителю. Databricks строила более сложную архитектуру и делала ставку на неструктурированные данные: документы, логи, изображения, аудио, большие массивы контента, которые раньше считались слишком грязными и тяжёлыми для быстрой бизнес-пользы.
Потом пришёл AI, и актив внезапно переоценился. То, что раньше было неудобным складом, стало стратегическим сырьём. Моделям нужен именно этот слой жизни компании, а не только идеальная отчётность. Отсюда и разворот: AI оказался не новой функцией внутри старой архитектуры, а сменой самой логики ценности.
Для собственника это важный урок. Если твой бизнес годами строил только красивую отчётность, но не готовил живой операционный контекст к использованию, у тебя может быть сильный BI и слабая база для реальной AI-автоматизации.
Где бизнес недооценивает архитектурный долг
Архитектурный долг в AI редко выглядит как технический термин. Обычно он проявляется очень по-земному. Система не видит нужный документ. У отдела нет нормальных прав доступа. Данные противоречат друг другу. В карточке клиента нет критичного контекста. Решение зависит от переписки в мессенджере или от одного сотрудника, который всё помнит у себя в голове.
В этот момент компания начинает обвинять модель, подрядчика или качество промпта. Хотя проблема возникла намного раньше. AI просто сделал долг видимым.
Вот почему я говорю, что AI - это тест на архитектурную честность бизнеса. Он быстро показывает, где у тебя фундамент, а где фасад. И этот тест невозможно пройти маркетингом.
Почему неструктурированные данные стали главным активом
Большая часть реальной жизни компании никогда не жила в идеальных таблицах. Заявки клиентов, звонки, переписки, внутренние комментарии, договоры, презентации, техподдержка, коммерческие предложения, логи продукта - именно там лежит причинно-следственный контекст, который нужен AI, чтобы быть полезным.
Раньше этот слой было тяжело обрабатывать. Теперь он стал основой новых интерфейсов, поиска по знаниям, агентных сценариев, автоматизации продаж, поддержки и внутренних операционных задач. То, что вчера считалось беспорядком, сегодня стало источником конкурентного преимущества.
Поэтому слабая работа с неструктурированными данными теперь уже не техническая недоработка. Это стратегическое ограничение.
С какого вопроса я бы начинал любой AI-проект
Не с модели. Не с вендора. Не с демо.
Я бы начинал с трёх вопросов.
- Где лежит контекст, без которого система не сможет принимать полезные решения?
- Можно ли этот контекст быстро, безопасно и стабильно доставать?
- Что в наших процессах уже достаточно структурировано, чтобы автономия давала экономический эффект?
Если на эти вопросы нет внятного ответа, внедрение AI почти наверняка станет серией дорогих красивых экспериментов.
Что делать owner'у вместо гонки за модными словами
Собственнику полезно смотреть на AI не как на отдельную инновационную инициативу, а как на проверку всей цифровой архитектуры. Если фундамент сильный, AI-агенты действительно могут разгружать команду, поднимать скорость, собирать знания и убирать рутину. Если фундамент слабый, любая демонстрация быстро упирается в человеческие подпорки.
Поэтому зрелая позиция здесь звучит не как давайте скорее внедрим AI. Она звучит жёстче: что в нашей компании уже готово к тому, чтобы автономная система на этом работала без самообмана?
Это менее эффектная постановка вопроса. Но именно она отделяет реальную трансформацию от корпоративного спектакля.
Где на самом деле начинается ценность
AI-агенты в бизнесе начинаются не в окне чата и не в модели. Они начинаются в данных, доступе, связности процессов и дисциплине архитектуры. Всё остальное - верхний слой.
Если ты хочешь понять, где именно у компании узкое место перед AI-внедрением и как превратить тему из красивого интереса в реальную экономику, можно получить мою личную консультацию.
