Проблема корпоративного AI — не в модели и не в данных, а в том, что система не понимает, что эти данные вообще означают.

У большинства компаний уже есть хранилища, витрины, SQL-запросы, BI-панели, коннекторы и даже AI-агенты. Но когда AI начинает работать с реальными корпоративными таблицами, выясняется неприятная вещь: одно и то же слово в разных отделах может означать совершенно разные сущности.Например:

«выручка» в финансах — одно;

«выручка» в продуктовой аналитике — другое;

«активный пользователь» у growth-команды — это одно,

а у продукта — совсем другое.

И если AI этого не знает, он уверенно выдаёт неверный ответ — с таблицей, графиком и полной иллюзией правдоподобия.

В чём настоящая проблема

За последние годы компании вложили огромные деньги в то, чтобы AI мог получить доступ к данным:

улучшали коннекторы;

строили text-to-SQL;

запускали агентов;

подключали большие модели.

Но сама по себе доступность данных ничего не решает.AI нужно не просто прочитать таблицу — ему нужно понимать смысл этой таблицы в контексте бизнеса.

Именно здесь возникает «контекстный слой» — missing layer между данными и моделью.

Обычные корпоративные системы строились для мира BI и дашбордов.Они хорошо работают, когда есть:

фиксированные метрики;

заранее определённые поля;

понятная схема;

ручная поддержка.

Но в реальном бизнесе всё иначе:

правила меняются посреди квартала;

разные команды по-разному определяют churn;

колонка с историческим названием может жить годами;

бизнес-логика разбросана по Slack, Confluence и знаниям ушедших сотрудников.

В такой среде AI без контекста не просто ошибается — он ошибается убедительно. А это опаснее, чем явная поломка.

Почему это особенно критично для трёх сценариев

Материал выделяет три ключевых сценария, и во всех трёх проблема контекста становится всё жёстче.

1. Разговоры с корпоративными данными

Пользователь задаёт вопрос на естественном языке:«Какой был retention в четвёртом квартале?»Но AI не знает:

что именно означает retention в этой компании;

какой источник считать authoritative;

идёт ли речь о календарном или финансовом квартале.

В итоге точность таких систем часто остаётся на уровне 20–30%.

2. AI-автоматизация рабочих процессов

Здесь ошибка уже не просто неловкая, а дорогая.Если AI неправильно трактует правило, он может:

не туда отправить заявку;

неверно обработать claim;

ошибочно пометить аккаунт;

запустить неправильное действие в цепочке.

И поскольку автоматизация предполагает, что человек не следит за каждым шагом, такие ошибки могут долго оставаться незаметными.

3. AI-агенты

Это самый опасный уровень.Если агент может действовать сам, то ему нужно не просто знать данные, а понимать:

чему доверять;

какие поля актуальны;

какие правила уже устарели;

где есть ограничения по безопасности.

Если этого нет, агент либо постоянно просит помощи у человека, либо действует по ложным предпосылкам. И то и другое плохо.

Что такое контекстный слой

Контекстный слой — это не дашборд, не каталог данных и не классическая BI-«semantic layer» в старом смысле.

Он должен:

понимать бизнес-определения;

связывать данные между собой;

отслеживать изменения;

быть машинно-читаемым;

обновляться автоматически;

работать не только для людей, но и для AI.

Идея в том, чтобы AI не просто видел таблицы, а понимал, какой смысл вложен в эти таблицы именно в этой компании.

Почему ручная поддержка уже не работает

Раньше компании пытались решить это руками:

нанимали аналитиков;

писали документацию;

вели вики;

фиксировали метрики вручную.

Но на масштабе это перестаёт работать. Документация устаревает. Люди уходят. Определения расходятся. И через некоторое время у компании появляются не только старые таблицы, но и старые, противоречивые версии смысла.

Что предлагают новые решения

Пример Solid — компании, которая строит именно такой контекстный слой.

Её идея в том, чтобы:

анализировать реальные запросы и использование данных;

смотреть на SQL, BI-определения, документацию, Slack;

автоматически строить и обновлять семантические связи;

подбирать правильное значение в зависимости от роли пользователя.

Например:

финансовый отдел получает GAAP revenue;

продуктовая команда — MRR;

совет директоров — утверждённые числа для board-level отчётности.

То есть одно и то же слово — разные корректные ответы, в зависимости от того, кто спрашивает.

Многие компании думают, что контекстный слой — это «позже», когда AI уже заработает.Но автор материала предупреждает: без него AI и не заработает нормально.

Если CFO один раз получит неверное число, доверие к системе рушится. Если рабочий процесс даст неправильный результат, команда вернётся к ручной работе. Если топ-менеджмент решит, что AI не понимает их данных, бюджет на исправление потом выбить уже очень трудно.

Главный вывод

В корпоративном AI настоящая инфраструктура — это не только модель, хранилище и агент.Есть ещё один критически важный слой: слой смысла.

Именно он превращает сырые таблицы в надёжную основу для принятия решений и автоматизации. Компании, которые начнут строить его сейчас, получат серьёзное преимущество в будущем.А те, кто пропустит этот этап, будут ещё долго спрашивать: почему AI на один и тот же вопрос каждый раз отвечает по-разному?