Метаданные — долгое время считавшиеся скучной частью data governance — становятся фундаментом для корпоративных AI-агентов. Причина проста: агент может иметь доступ к огромному хранилищу данных, но без описаний, бизнес-определений, связей и ограничений он не понимает, какие данные использовать и как их интерпретировать.

В эпоху AI сами данные становятся менее полезны без метаданных; для AI-агента метаданные — это язык контекста. Пример:

Финансовая компания внедрила систему, в которой пользователь задаёт вопрос на естественном языке, LLM генерирует SQL, хранилище выполняет запрос и возвращает ответ.

Схема была стандартной:

вопрос пользователя → LLM → SQL → data warehouse → ответ

Несмотря на сильную модель и несколько итераций prompt engineering, точность оказалась ниже 40%.

Проблема была не в модели. Она заключалась в том, что у компании было несколько «продажных» таблиц, разные трактовки региона, разные определения выручки — с НДС или без, по счёту или по фактической оплате, и т. д. Человек знает это из опыта, документации и общения с коллегами; AI-агент — нет.

После того как в платформу метаданных внесли:

бизнес-термины и определения;

значение полей;

владельцев таблиц;

правила качества;

связи и происхождение данных;

контекст использования;

агент стал перед генерацией SQL извлекать нужный контекст из этой системы. Точность выросла с 40% до 87%.

Четыре этапа эволюции метаданных, как переход через четыре поколения.

Эпоха документации: 1990-е — 2000-еМетаданные были в основном технической справкой для IT: описание схем баз данных, полей и таблиц. Их вводили вручную, обновляли редко, и они быстро устаревали.

Эпоха data governance: 2010-е — начало 2020-хС ростом data lakes появились каталоги данных, инвентаризация активов и базовые графы lineage. Но метаданные всё ещё были пассивным справочником, который человек открывал, когда хотел найти таблицу.

Эпоха активных метаданных: середина 2020-хМетаданные начали обновляться через события, автоматически использоваться в инструментах аналитики и пайплайнах. Они стали частью операционной инфраструктуры данных, а не просто страницей каталога.

Эпоха контекстных графов: с 2026 годаМетаданные превращаются в контекстный слой для AI-агентов. Таблицы, столбцы, определения, владельцы, качество, классификация и lineage связываются в единую машиночитаемую сеть, по которой агент может рассуждать и искать нужную информацию.

Ключевой переход: раньше главным потребителем метаданных был человек, теперь им всё чаще становится AI-агент.

В старой логике компании сначала создавали данные, а документацию и метаданные добавляли потом — часто частично и с опозданием. В новой AI-логике процесс выглядит так:

бизнес-задача → задача для AI-агента → определение нужного контекста → проверка полноты метаданных → дополнение метаданных → запуск агента

Данные могут уже существовать в десятках систем, но для агента они останутся «тёмной материей», если неизвестны:

их смысл;

достоверность;

актуальность;

связь с другими объектами;

допустимые способы использования;

бизнес-правила интерпретации.

В статье используется удачная аналогия: данные — это топливо, а метаданные — одновременно карта, навигация, приборная панель и помощник водителя.

Agentic Metadata — автономными, рассуждающими и двусторонне взаимодействующими метаданными:

Стандартизированный доступ агентов к метаданным.MCP рассматривается как возможный стандартный интерфейс, через который AI-агенты смогут обращаться к корпоративным каталогам данных, получать контекст и выполнять управляемые действия.

Использование агентов для поддержки самих метаданных.Метаданные могут автоматически пополняться: AI выявляет структуру таблиц, предлагает описания, строит lineage, находит аномалии, маркирует чувствительные поля и обнаруживает зависимости.

Появление Context Engineering.Это проектирование того, какой контекст агент должен видеть, когда он должен его получать, как контекст обновляется, как отсекается лишняя информация и как знания используются в многошаговом рассуждении.

Опытные data engineers могут иметь преимущество в этой области: они уже понимают реальные бизнес-смыслы таблиц, качество данных, скрытые зависимости и исключения, которые редко отражены в коде.

Современное управление метаданными не сводится к схемам таблиц. Выделяются пять категорий:

технические метаданные — схемы, типы полей, форматы, расположение данных;

бизнес-метаданные — термины, KPI, определения и правила расчёта;

операционные метаданные — обновление, задержки, качество, выполнение пайплайнов;

метаданные происхождения — откуда данные пришли, какие преобразования прошли и куда попали;

поведенческие метаданные — кто и как использует наборы данных, включая обращения AI-агентов.

Последний тип особенно важен: если один датасет регулярно вызывает AI-агент, а другой месяцами не используется, это помогает разумнее расставлять приоритеты по качеству, поддержке и развитию.

В AI-системах классического data lineage уже недостаточно. Раньше нужно было знать путь данных:

источник → преобразования → витрина → отчёт

Теперь появляются дополнительные виды происхождения:

ML lineage: обучающие данные → признаки → версия модели → inference → бизнес-решение;

RAG lineage: документ → фрагмент текста → embedding → векторная база → ответ AI;

prompt lineage: какая версия промпта, политики и контекста повлияла на ответ;

agent behavior lineage: какие инструменты, источники и шаги использовал агент при выполнении задачи.

Это необходимо для аудита и расследования ошибок. Если AI выдал неверный финансовый ответ, нужно понимать не только итоговый SQL, но и откуда он взял определение показателя, какие таблицы выбрал и какой контекст использовал.

Практический смысл:

Для data engineers:

подробно описывать таблицы и поля;

фиксировать бизнес-определения;

поддерживать lineage;

указывать владельцев, SLA и уровни качества;

делать пайплайны и dbt-модели понятными не только людям, но и AI-агентам.

Для разработчиков AI-продуктов:

не хранить весь бизнес-контекст в длинных промптах;

выносить знания в управляемый метаданный/контекстный слой;

давать агенту возможность получать нужный контекст во время выполнения задачи;

связывать доступ к данным с governance, правами и проверяемыми источниками.

Для руководителей:

перестать считать data governance и AI-программы независимыми направлениями;

рассматривать инвестиции в каталог, качество, определения и lineage как часть AI-стратегии;

измерять готовность AI не только качеством модели, но и зрелостью контекстного слоя.

Раньше данные строили прежде всего для людей — аналитиков, разработчиков, менеджеров. Теперь всё больше данных потребляют AI-агенты, а им нужна не просто информация, а понятный, проверяемый и структурированный контекст.

Поэтому метаданные перестают быть второстепенной документацией. Они становятся инфраструктурой, которая позволяет AI понимать предприятие: его показатели, процессы, правила, ограничения, источники истины и допустимые действия.