Корпоративный AI строили вокруг инженерии контекста: команды подключали системы, резали документы на чанки, делали эмбеддинги, собирали пайплайны поиска. Для одного ассистента это работало. Когда в компании появляются десятки AI-приложений и агентов, модель ломается: одни и те же документы каждая команда обрабатывает по-своему, и бизнес-знания начинают противоречить сами себе. Инженер данных Shuhua Xu объясняет, почему проблема больше не в контексте, а в управлении знаниями как общим активом.
Три причины, по которым подход «собери контекст под каждое приложение» перестаёт работать, видно уже сейчас. Первая: знания становятся несогласованными. Один и тот же продукт, клиент или процесс описан по-разному в документах, тикетах Jira, исходном коде, CRM и метаданных. Извлечение информации в контекст переносит эти противоречия внутрь AI-приложения: разные агенты начинают понимать бизнес по-разному.
Вторая причина: изменения сложно распространять. Знания компании меняются постоянно, но у каждого приложения свой конвейер контекста. Документ обновили, а чанки, эмбеддинги и индексы в пяти системах обновились независимо и в разное время. Агенты работают на разных версиях одних и тех же знаний.
Третья: команды по кругу пересобирают одинаковые пайплайны. Разные отделы обрабатывают одни и те же данные, генерируют похожие эмбеддинги, держат собственные индексы. Это дублированная инженерная работа, лишние расходы на инфраструктуру и раздробленные знания.
Четыре слоя платформы знаний
Решение, которое предлагает Xu, повторяет архитектуру корпоративных данных: общая платформа, которая управляет знаниями один раз и публикует переиспользуемые представления для всех AI-приложений. Платформа разделена на четыре слоя: Raw, Refined, Integrated и Serving.
Raw - сохранить источник. Слой захватывает информацию из корпоративных систем в исходном виде: записи баз данных, PDF, страницы Confluence, тикеты Jira, код, ответы API, письма, изображения. Его задача не подготовить данные для агента, а сохранить надёжный первоисточник, из которого платформа сможет пересобрать знания ниже по конвейеру. Поменялась логика извлечения или модель стала лучше - информацию можно обработать заново, не завися от копии внутри приложения.
Refined - нормализовать знания. Слой превращает разнородные источники в управляемые объекты знаний. Документ с требованиями к продукту становится структурой с метаданными: ID документа, ID продукта, заголовок, система-источник, автор, версия, права доступа, теги, время создания и изменения. Такой объект одинаково управляется, откуда бы он ни пришёл: из документа, тикета, репозитория или письма.
Integrated - связать в модель предприятия. Слой соединяет объекты знаний через общие бизнес-сущности. Связи строятся на идентификаторах продукта или клиента, явных ссылках между системами (Jira и Git) или AI-резолвинге сущностей. Пример из статьи: документ с требованием «Bulk Invoice Upload», стори в Jira «Implement Invoice Upload API» и релиз-нота об одной и той же функции могут не иметь явной связи, но относиться к одной бизнес-возможности. Модель описывает отношения в терминах бизнеса: implemented_by, contains, belongs_to, affects, depends_on. Это позволяет AI прослеживать знания через инженерию, продукт, поддержку и финансы.
Serving - опубликовать для AI. Слой собирает представления под конкретные задачи. Первая категория - общие корпоративные представления: SQL-вью, поисковые индексы, чанки, эмбеддинги, графовые модели, API. Создаются один раз, переиспользуются всей организацией. Вторая - представления под конкретного агента: Product Agent, Revenue Agent и Customer Support Agent потребляют одну и ту же базу знаний, но получают разный контекст под свои обязанности.
Почему это меняет правила игры
Большинство корпоративных систем знаний построены для людей, а не для машин. Страницы Confluence и документы помогают сотрудникам фиксировать и передавать знания, Jira организует планирование, метаданные помогают аналитикам. Люди ищут, интерпретируют и связывают информацию за счёт собственного опыта. Языковые модели впервые позволяют машинам делать это самим, и для этого нужна новая база данных.
Управляемая платформа знаний даёт возможности, которые недостижимы, когда каждое приложение строит собственный контекст: управление жизненным циклом знаний (инкрементальная загрузка, версии, распространение изменений без пересборки пайплайнов), сквозную прослеживаемость от ответа AI до исходного документа, переиспользуемые сервисы вместо дублирующихся индексов, а также независимую эволюцию хранилища, моделей эмбеддингов и приложений.
Модель лучше не компенсирует разрозненные документы, противоречивые определения и плохо управляемые знания. Принцип тот же, что у всех систем, работающих с данными: garbage in, garbage out.
Отдельный эффект - замкнутый контур обратной связи. Обратная связь от AI-агентов возвращается в платформу, проходит валидацию и управление, встраивается в модель знаний и снова публикуется приложениям. Агенты становятся лучше, потому что улучшается фундамент, на котором они работают.
Что это значит для бизнеса
С 2022 года индустрия вложила огромные усилия в фундаментальные модели, RAG, векторные базы, эмбеддинги, MCP и мультиагентные фреймворки. Стек приложений быстро созревает. Следующее узкое место - фундамент данных и знаний за ними.
Для компаний, которые уже запустили AI-агентов или только планируют внедрение искусственного интеллекта, вывод практический. Прежде чем масштабировать агентов, посмотрите, что лежит в их основе. Если один и тот же продукт описан по-разному в CRM, документах и тикетах, если изменения не доходят до всех систем, если каждая команда держит собственные индексы, - проблема не в модели, а в фундаменте знаний. Автоматизация с помощью ИИ даёт стабильный результат, когда агенты всех отделов опираются на единую, согласованную и управляемую базу.
Компании во Владивостоке и на Дальнем Востоке, которые внедряют нейросети для бизнеса, часто начинают с выбора модели. Опыт enterprise-проектов показывает: начинать стоит с аудита данных и знаний, которые агенты будут потреблять. Разобраться, какие процессы автоматизировать первыми и где навести порядок в данных, поможет бесплатный аудит.