Блог

Data Steward кто отвечает за то, чтобы ИИ знал ваш бизнес

Компании запускают ИИ-пилоты десятками, но до продакшна доходят единицы. И причина не слабости моделей, а в том что ИИ не знает вашего бизнеса.
Техгиганты потратили миллиарды долларов и скормили моделям половину интернета, но не ваши договоры, процессы и то, как у вас принято принимать решения. Поэтому можно подключить самую мощную LLM на рынке, спросить «что полезного мне сделать именно для нашей компании?» и получить честный ответ:
«Я бы с удовольствием помог, но для этого мне нужно больше знать о вашей компании».
Тонны денег и гигабайты данных, вложенные в модель, сами по себе пользы вам не приносят. Модель эрудирована «в среднем по интернету», но ничего не знает про ваши процессы, клиентов и как у вас принимаются решения.

Очевидное решение — дать модели ваш контекст

Логика простая: чтобы ИИ приносил пользу, нужно открыть ему знания о компании и проектах. Самый популярный способ сделать это — подключить к запросам RAG-базу.
Если упростить, RAG — это специальное хранилище, которое ищет не по буквенному совпадению, а по смыслу. Когда пользователь обращается к ИИ, текст запроса прогоняется через RAG-базу, чтобы найти фрагменты документов, наиболее близкие по смыслу к вопросу. Эти фрагменты добавляются к исходному запросу, и такой «усиленный» запрос уходит в модель. В результате вместе с вопросом в ИИ попадают и «подсказки» из ваших данных — они и помогают модели отвечать в контексте вашей ситуации.
Звучит так, будто проблема решена. Именно на этом обещании выросли десятки RAG-стартапов, а следом - волна MCP-коннекторов, которые подключают модели к корпоративным системам напрямую. Инструментов стало больше. А доля ИИ-пилотов, доходящих до продакшна, почти не изменилась.
Причина в том, что дело не в технологии.

Проблема не в RAG, а в управлении знаниями

Между «поставим RAG» и «поставим RAG и получим пользу» стоят пять последовательных вопросов. Отсутствие ответа на любой из них — это риск финансовых и репутационных потерь.
  1. Как вы будете собирать данные из неструктурированных источников — старых вики, Confluence, папок с PDF? И, что важнее, как вы будете доставать знания, которые хранятся только в головах отдельных людей?
  2. Как вы проконтролируете, чтобы в модель не ушло лишнее — имена клиентов, реквизиты, ваши ноу-хау, информация о будущих сделках?
  3. Как вы не допустите, чтобы все сотрудники внезапно получили доступ к чувствительной информации? Модель не понимает, кто именно её спрашивает — генеральный директор или стажёр техподдержки.
  4. Как вы поймёте, что кто-то из сотрудников не пытается «взломать» модель, чтобы вытащить секреты и, например, продать их?
  5. Как вы узнаете, что модель отвечает строго по данным, а не галлюцинирует?
Ни один из этих вопросов не решается покупкой ещё одного коннектора. RAG — всего лишь механизм. Настоящий вопрос в другом: какие знания вы в него загружаете, в каком виде, с какими правилами доступа и как поддерживаете их в актуальном состоянии?
Корпоративные знания почти всегда неструктурированы: это забытые страницы в Confluence, папки с PDF и docx, обрывки решений в чатах. А самая ценная часть часто лежит в головах нескольких ключевых людей и в вообще нигде не записана. Поэтому, чтобы эти знания стали полезными, их сначала нужно найти, извлечь, структурировать, очистить от лишнего и поддерживать актуальными. Это постоянная работа, которую нельзя закрыть разовой настройкой.

Значит, нужен человек, а не только технология

Чтобы ответить на пять вопросов выше, нужны люди с особым набором навыков. Нужен человек, который:
  • понимает процессы в компании и знает, какие данные важны и где их взять
  • одновременно понимает, как устроен ИИ: как уменьшить галлюцинации через правильное форматирование документов, как настроить доступы, как оценить качество ответов
  • умеет пользоваться ИИ, чтобы ускорять собственную работу, а не тонуть в ручной разметке.
Такого человека всё чаще называют Data Steward — «хранитель данных». Кто-то использует термины «менеджер знаний» или «менеджер контекста». Самое важное, что это человек, который отвечает за то, чтобы корпоративные знания были собраны, вычищены, размечены по уровню доступа и оставались пригодными для ИИ.

Чем он отличается от бизнес-аналитика или методиста

Задачи Data Steward похожи на задачи бизнес-аналитика или методиста, но между ними есть разница.
Бизнес-аналитик описывает процессы и требования под конкретный проект. Его результат — документ, который к моменту сдачи уже начинает устаревать. Data Steward работает не с проектом, а с живым потоком знаний, который нужно постоянно поддерживать.
Методист упаковывает знания в методики, регламенты и обучающие материалы, чтобы человек мог их изучить и применить. Его результат рассчитан на людей: курсы, инструкции, стандарты. Data Steward готовит те же знания для машины, а у неё другие требования: данные нужно размечать по уровню доступа, чистить от чувствительного и приводить к формату, который модель поймёт и не переврёт.
Главная разница в том, аналитик и методист готовят знания для людей. Data Steward готовит их для ИИ, с контролем доступа и защитой от утечек, и относится к ним как к активу, который питает модель.

Без фанатизма: здравый смысл вместо тотального формализма

Здесь легко скатиться в крайность и попытаться описать все процессы до атомарного уровня и превратить компанию в бесконечный регламент. Это тупик, потому что такая работа никогда не заканчивается, а знания устаревают быстрее, чем их успевают задокументировать.
Data Steward руководствуется не формализмом, а здравой логикой. Он начинает с тех знаний, которые реально создают ценность и несут риск, а не с полной инвентаризации всего подряд. Идеальный порядок ради порядка не приносит пользы. Цель - настроить работающий ИИ, которому можно доверять.

Появление таких людей — вопрос времени

Через пару лет роль вроде Data Steward будет в компаниях так же естественна, как сегодня DevOps или дата-аналитик. Как только ИИ переходит из демо в реальные процессы, кто-то обязан отвечать за знания, которыми этот ИИ пользуется. Это неизбежность.

Что мы уже сделали в Gorgona

Мы не стали ждать, пока роль оформится сама, и заранее собрали для Data Steward инструменты, дашборды и ИИ-помощников:
  • инструмент загрузки и обработки файлов, который автоматически определяет класс риска документа;
  • ИИ-агента, который помогает правильно и эффективно настроить RAG-базу;
  • мониторинг несанкционированного доступа к данным и попыток взлома;
  • инструменты оценки качества данных и ответов модели.
Технологий для внедрения ИИ уже достаточно — их даже слишком много. Не хватает того, кто наведёт порядок в знаниях и возьмёт на себя ответственность за то, что ИИ отвечает точно, безопасно и по делу. Начинать стоит именно с этого человека.
Но один Data Steward — это ещё не система. Чтобы порядок в знаниях держался не на энтузиазме одного человека, а на процессах и правилах, нужна отдельная дисциплина — data governance. О том, как она устроена и с чего её начинать, поговорим в другой раз.
А пока вот небольшой спойлер следующей статьи:

Читайте также

2026-07-22 13:54 Статьи