Xebia: AI-агенты терпят неудачу без правильного фундамента данных

Нилс Зейлемакер, глобальный технический директор консалтинговой компании Xebia, заявил в комментарии порталу AI News, что большинство неудачных внедрений ИИ-агентов в компаниях объясняется не слабостью самих моделей, а отсутствием подготовленного фундамента данных. По его словам, агентный ИИ масштабируется ровно настолько, насколько прочны данные, на которые опираются агенты: если организация не продумала этот вопрос заранее, проект рискует забуксовать задолго до того, как агенты начнут ускорять процессы, ради которых их внедряли.

Почему данные — это фундамент, а не деталь

В отличие от обычного программного обеспечения, которое выполняет заранее прописанный сценарий, автономный ИИ-агент сам решает, к каким источникам обратиться, какие данные прочитать и какое действие предпринять дальше. Если корпоративная информация разбросана по разрозненным системам, не размечена и недоступна через понятные интерфейсы, агент либо не найдёт нужные сведения, либо получит их в искажённом виде и совершит ошибочное действие. Зейлемакер подчёркивает: качество работы агента напрямую ограничено качеством и доступностью данных, к которым у него есть доступ, — никакая мощность самой модели этого не компенсирует. Это принципиально отличает агентные системы от классических пилотов с генеративным ИИ, где ошибка модели редко приводит к реальным последствиям вне чата.

Похожая логика уже проявлялась в волне проектов генеративного ИИ последних лет: компании массово запускали чат-ботов на внутренних данных, а затем обнаруживали, что ответы либо неточны, либо неполны, потому что модель не имела доступа к актуальным версиям документов или не могла отличить устаревшую инструкцию от действующей. Для агентов ставки выше, потому что агент не просто выдаёт текст — он совершает действия: отправляет письма, обновляет записи в CRM, инициирует платежи. Ошибка, вызванная плохими данными, в агентном сценарии конвертируется не в неточный ответ, а в реальное, потенциально дорогостоящее действие.

Что стоит за позицией Xebia

Xebia — международная ИТ-консалтинговая компания, которая помогает корпорациям с цифровой трансформацией, построением данных и внедрением ИИ в производственные процессы. Формулировка Зейлемакера обращена именно к тем, кто отвечает за ускорение бизнес-процессов организации с помощью ИИ-агентов: по его словам, начинать нужно с фундамента — сделать данные пригодными для потребления агентами — и только затем переходить к масштабированию самого внедрения. Такая последовательность звучит очевидно, но на практике именно её чаще всего нарушают: компании закупают лицензии на агентные платформы раньше, чем наводят порядок в источниках данных, которые эти агенты должны использовать.

Ключевые факты:

• Нилс Зейлемакер — глобальный CTO компании Xebia
• Комментарий опубликован порталом AI News (artificialintelligence-news.com)
• Центральный тезис: агентный ИИ масштабируется на прочности данных, а не только на мощности модели
• Xebia специализируется на консалтинге по данным и цифровой трансформации для корпоративных клиентов

Что это меняет для команд, внедряющих ИИ-агентов

Практический вывод из позиции Xebia прост: прежде чем масштабировать флот агентов, стоит провести ревизию источников данных — понять, где они хранятся, насколько они актуальны, кто ими управляет и можно ли безопасно дать агенту доступ к ним через API. Компании, которые пропускают этот этап и сразу переходят к пилотам с эффектными демо-сценариями, чаще всего сталкиваются с тем, что агент работает в песочнице, но ломается на реальных, неполных или противоречивых корпоративных данных. Инвестиции в подготовку данных — каталогизацию источников, контроль качества, разграничение прав доступа — окупаются именно на этапе масштабирования, а не на этапе первого прототипа.

Для технических руководителей это означает пересмотр приоритетов бюджета: часть средств, которые раньше уходили исключительно на подписки на модели и агентные фреймворки, должна перераспределяться на data engineering — построение конвейеров, обеспечивающих агентам доступ к актуальным и проверенным данным в реальном времени. Без этого шага даже самая продвинутая модель будет принимать решения вслепую, а сами агенты рискуют превратиться в дорогую демонстрацию возможностей, а не в рабочий инструмент, реально ускоряющий процессы компании.