Четыре элемента AI-архитектуры, которые останутся актуальными при любых моделях

Организации по всему миру наращивают AI-инициативы, но большинство из них сталкиваются с одной и той же проблемой: технология развивается быстрее, чем успевает окупиться предыдущий раунд инвестиций. По данным Gartner, 60% всех AI-проектов будут закрыты к концу 2026 года — именно потому, что компании не подготовили данные и инфраструктуру. Адnan Адил, CIO компании Elastic, вместе с редакцией MIT Technology Review сформулировал четыре архитектурных элемента, которые останутся актуальными независимо от того, какая модель придёт следующей.

Данные и контекст: фундамент, без которого модели не работают

Первый и самый очевидный элемент — качество данных. Модели галлюцинируют, выдают предвзятые результаты и теряют доверие пользователей не потому, что они плохи сами по себе, а потому что получают плохие входные данные. Большинство крупных компаний работают с устаревшими системами, фрагментированными хранилищами и несогласованными структурами данных — и AI не решает эти проблемы автоматически.

««Данные — это долговечная часть AI-архитектуры, потому что без них модели не запустятся, не получат нужный контекст и не обеспечат тот уровень сервиса, который мы хотим реализовать», — говорит Адил.»

Эффективная AI-стратегия начинается с подключения данных со всей организации, их стандартизации, разметки и обеспечения доступа в реальном времени. Это не разовая задача — это архитектурное решение, которое нужно закладывать с самого начала, а не добавлять поверх готовой системы.

Второй элемент — контекстная инженерия. Её часто путают с prompt engineering, но это разные вещи. Prompt engineering отвечает за формулировку запроса, тогда как контекстная инженерия проектирует всю информационную среду вокруг модели: какие данные извлекать, в каком порядке их подавать, что исключать. Инструменты здесь — RAG (retrieval augmented generation) и векторные базы данных.

Переизбыток контекста так же вреден, как его нехватка: он размывает релевантные детали, увеличивает стоимость запросов и замедляет ответы. «Минимальный контекст, актуальные и корректные данные, машиночитаемый формат — вот критерии эффективной контекстной инженерии», подчёркивает Адил. Для белорусских IT-команд, работающих с enterprise-клиентами через ПВТ, это особенно актуально: стоимость API-вызовов напрямую влияет на маржинальность проектов.

Governance, наблюдаемость и человеческая экспертиза

Третий элемент — встроенное управление и наблюдаемость (LLM observability). Без чётких правил доступа к данным, мониторинга и контроля AI-системы обрабатывают значительно больше информации, чем необходимо. Это не только риск безопасности — prompt-based утечки данных, уязвимости моделей, adversarial inputs — но и прямые финансовые потери через избыточное потребление токенов и API-расходы.

По данным отчёта Elastic за 2026 год, 85% IT-руководителей планируют внедрить LLM observability для внутренних генеративных AI-приложений. Наблюдаемость позволяет в реальном времени отслеживать точность ответов, паттерны использования, отклонения от ожидаемого поведения — и корректировать системы до того, как проблемы затронут бизнес-процессы. Адил прямо называет её инструментом управления затратами: «Мы используем данные наблюдаемости для контроля расходов, принятия решений и повышения инженерной эффективности».

Govern­ance нельзя добавить постфактум — оно должно быть вшито в архитектуру, рабочие процессы и механизмы принятия решений с самого начала. Иначе организация получает непрозрачную систему, которую сложно аудировать, дорого обслуживать и почти невозможно масштабировать без накопления технического долга.

Четвёртый элемент — люди. Вопреки нарративу об AI как замене специалистов, почти 70% респондентов в опросе Deloitte Tech Executive Survey 2025 сообщили о планах расширить команды именно в ответ на рост генеративного AI. Это не противоречие: чем автономнее становятся AI-агенты, тем важнее люди, способные проектировать рабочие процессы, оценивать качество выходных данных и адаптировать системы при изменении условий.

Востребованы специалисты с навыками prompt engineering, оркестрации агентов и управления изменениями. Но не менее ценна институциональная память — понимание того, как устроены данные конкретной организации, какие процессы они обслуживают и где исторически возникали сбои. Высокая текучесть кадров в AI-командах обходится дорого именно потому, что разрушает этот контекст.

Что это означает для белорусского рынка

Для белорусских IT-компаний и предпринимателей, работающих в периметре ПВТ, описанная архитектурная рамка имеет практическое измерение. Многие резиденты парка уже реализуют AI-проекты для западных заказчиков — и именно вопросы data governance, соответствия требованиям GDPR и контроля над LLM-поведением становятся ключевыми при продаже enterprise-решений в Европу и США.

Внутри страны ситуация иная: большинство компаний находятся на этапе экспериментов, а не production-деплоя. Это создаёт окно возможностей — заложить правильную архитектуру до того, как накопится технический долг. Компании, которые сейчас инвестируют в качество данных и governance, через год-два окажутся в принципиально другой позиции относительно тех, кто запускал пилоты без инфраструктурной базы.

Общий вывод авторов материала прост: по мере того как AI-системы эволюционируют от узкоспециализированных инструментов к автономным агентам, выигрывают не те, кто первым внедрил новую модель, а те, кто построил надёжную инфраструктуру под неё. Четыре описанных элемента — данные, контекст, governance и экспертиза — не зависят от конкретного поколения моделей и останутся актуальными при любом следующем технологическом скачке.

— По материалам MIT Technology Review: оригинальная статья. Перевод и адаптация — редакция Digital Business.