На профильных комитетах часто звучит фраза: "Данные – это новая нефть". Но давайте честно: у большинства крупных компаний эти данные лежат мертвым грузом в огромных корпоративных хранилищах (DWH). ИТ-директора годами строили эти "цифровые музеи", чтобы потом бизнес-заказчик неделями ждал от аналитиков простейшую выгрузку по SQL-запросу.

В 2026 году такой подход уже не отвечает требованиям рынка. Когда новые гипотезы нужно проверять за дни, а не за недели, старый бэкенд и постоянное наращивание команд аналитиков начинают тормозить бизнес. Перед ИТ-блоком нашей группы стояла задача обеспечить кратный рост эффективности без расширения штата аналитиков. На прежней платформе решить ее было невозможно.

От хранилищ к агентной модели

Ключевой вывод оказался простым: бизнесу нужны не данные как таковые, а быстрые и прикладные инсайты в момент принятия решения.

Мы перевели платформу на архитектуру Agentic AI, отказавшись от части монолитных решений в пользу микросервисного подхода и агентной модели. Теперь пользователь может формулировать запрос на естественном языке, центральный оркестратор распределяет задачи, а специализированные ИИ-агенты обращаются к Data Lakehouse, формируют витрины данных и возвращают результат.

Но внедрение ИИ в корпоративный контур — это не подключение очередной языковой модели через API. Без глубокой переработки инфраструктуры, процессов управления данными и модели эксплуатации такой подход не работает.

За счет чего достигается экономический эффект

Когда мы говорим о снижении совокупной стоимости владения платформой на 25--40%, за этим стоит вполне конкретная механика, которая требуют пояснения. Этот эффект формируется не за счет одного решения, а за счет комплекса изменений.

Во-первых, мы начали переход с дорогостоящих проприетарных западных систем (уровня Oracle) на независимые распределенные кластеры с разделением хранения и вычислений. Во-вторых, на фоне ужесточения требований информационной безопасности отказались от передачи чувствительных клиентских данных во внешние облачные контуры. Вместо этого сделали ставку на собственную GPU-инфраструктуру, локальное развертывание моделей и FinOps-подход к управлению нагрузкой.

В результате стало возможно видеть стоимость каждого обращения к модели, распределять ресурсы между бизнес-доменами и выбирать оптимальный сценарий использования.

Как это работает "в полях": изнанка "Клиент 360"

Один из наиболее показательных сценариев — наш проект "Клиент 360" для фронт-линии по работе с корпоративными клиентами.

Ранее менеджеру для подготовки к встрече было недостаточно данных из CRM. Ему приходилось вручную анализировать отраслевой контекст, отслеживать новости о компании, сопоставлять их с макроэкономической ситуацией и актуальной продуктовой линейкой банка. Эта работа у специалиста занимала часы.

Мы решили посадить поверх платформы данных ИИ-агента, который автоматизирует этот процесс. На раннем этапе одной из основных проблем стали риски некорректных рекомендаций со стороны модели. Для их снижения была выстроена модель Data Governance by Design: внедрен RAG-подход (Retrieval-Augmented Generation) на базе актуальных транзакционных данных и внешних новостных источников, а также настроены guardrails — правила контроля и безопасности.

При этом человек остается в контуре принятия решений. Агент не заменяет менеджера, а формирует обогащенное досье по клиенту, анализирует новостной фон, оценивает потенциал сделки и предлагает рекомендуемое следующее действие (Next Best Action) за несколько секунд.

Результат? Мы не просто сократили время подготовки ко встрече с часов до секунд. Мы высвободили тысячи часов мощности команды клиентского сервиса.

Прагматичный прогноз

Распространенный тезис о том, что развитие ИИ неизбежно приведет к массовому сокращению ИТ-специалистов, мы не разделяем. Скорее, речь идет о перераспределении ролей: рутинные операции автоматизируются, а спрос на специалистов, способных проектировать архитектуру, управлять данными и контролировать качество ИИ-сервисов, будет расти.

Опираясь на этот принцип, мы выстраиваем стратегию на более прикладной горизонт в 1-1,5 года, чтобы шаг за шагом давать сотрудникам новые удобные инструменты для работы. Уже в этом году мы хотим, чтобы половину типовых запросов к данным бизнес закрывал сам — через простые инструменты и ИИ-помощников, без обращения к аналитикам. Для финансового сектора это уже не эксперимент, а вопрос операционной эффективности и конкурентоспособности. Архитектуры Data Mesh в связке с локальными ИИ-агентами — это уже не инновация, а вопрос конкурентоспособности на рынке.