Несмотря на стремительное развитие искусственного интеллекта, большинство корпоративных AI-проектов так и не приносит ожидаемых результатов. Причина часто кроется вовсе не в недостаточной мощности моделей или вычислительных ресурсов, а в качестве данных, на которых эти модели обучаются.

Именно поэтому в 2026 году акцент в развитии AI постепенно смещается от принципа «модель прежде всего» к подходу «данные прежде всего».

Одним из наиболее известных примеров стала история фармацевтической компании, разрабатывавшей систему распознавания злокачественных новообразований кожи.

Во время тестирования модель показывала высокую точность, однако в реальной клинической практике выяснилось, что она слишком часто связывает наличие обычной измерительной линейки на фотографии с высоким риском рака.

Причина оказалась простой: врачи традиционно фотографировали подозрительные опухоли с линейкой для измерения размеров, тогда как доброкачественные образования чаще снимали без нее. В результате алгоритм научился распознавать не признаки заболевания, а наличие измерительного инструмента.

Этот пример хорошо иллюстрирует принцип «мусор на входе — мусор на выходе» (Garbage In, Garbage Out): даже самая совершенная модель не сможет принимать качественные решения, если обучается на некорректных данных.

По оценкам MIT, около 95% корпоративных AI-проектов оказываются неудачными. Основная причина — не слабые алгоритмы, а низкое качество исходной информации.

Большой объем данных сам по себе не гарантирует успеха. Интернет содержит огромное количество дублирующейся информации, устаревших материалов, предвзятых публикаций и просто ошибочных текстов. Если все это без отбора используется для обучения модели, она неизбежно начинает воспроизводить те же ошибки.

Поэтому все больше внимания уделяется созданию так называемых AI-Ready-наборов данных — подготовленных массивов информации, пригодных для обучения искусственного интеллекта. Они должны обладать четырьмя ключевыми характеристиками:

полнотой структуры;

разнообразием содержания;

точной разметкой;

совместимостью с моделями AI.

Качественные данные не возникают сами по себе. Они являются результатом системной работы по управлению данными (Data Governance).

Эта работа включает несколько ключевых направлений:

стандартизацию данных, чтобы одинаковые показатели трактовались одинаково во всех системах;

контроль качества с устранением пропусков, дубликатов и ошибок;

отслеживание происхождения данных и всех этапов их обработки;

управление метаданными, позволяющее понимать происхождение и назначение каждого показателя.

Без этих процессов даже самые современные AI-модели будут строить выводы на противоречивой информации.

В Китае все чаще используется концепция «маховика данных». Ее идея заключается в непрерывном цикле улучшения:

Компания собирает реальные данные и очищает их.

На качественных данных обучается специализированная модель.

После внедрения AI появляются новые пользовательские данные.

Они снова проходят обработку и используются для следующего этапа обучения.

Каждый новый цикл делает данные лучше, модели — точнее, а бизнес — эффективнее.

Однако этот механизм работает только при условии качественного управления данными. Если исходная информация содержит большое количество ошибок, маховик не ускоряет развитие, а лишь быстрее распространяет неточные результаты.

Многие компании до сих пор неправильно расставляют приоритеты. Основные инвестиции направляются на покупку вычислительных мощностей и современных моделей, тогда как работе с данными уделяется минимум внимания.

На практике именно предприятия, которые заранее выстроили единые стандарты данных, очистили историческую информацию и наладили контроль качества, значительно быстрее внедряют AI в производство и получают реальные результаты.

В отличие от них организации, пренебрегавшие управлением данными, вынуждены месяцами заниматься очисткой информации уже после запуска проектов.

Эксперты предлагают три практических шага для компаний, внедряющих AI.

Во-первых, не пытаться сразу привести в порядок все корпоративные данные. Гораздо эффективнее сосредоточиться на тех наборах информации, которые необходимы для ближайших AI-проектов.

Во-вторых, сначала унифицировать определения ключевых бизнес-показателей — клиентов, выручки, заказов, коэффициентов конверсии. Без единого стандарта любые аналитические результаты будут противоречивыми.

В-третьих, использовать AI не только для бизнеса, но и для самого управления данными. Современные Data Agent-платформы способны автоматически выявлять ошибки, отслеживать происхождение данных, анализировать качество информации и значительно сокращать объем ручной работы.

В 2026 году становится очевидно, что главным конкурентным преимуществом компаний становится уже не доступ к самым современным моделям искусственного интеллекта, а способность создавать качественные данные для их обучения.

Как отмечают авторы, управление данными и создание высококачественных датасетов — это две стороны одного процесса: грамотное управление формирует надежную основу, без которой даже самые мощные AI-системы не смогут раскрыть свой потенциал.