Представьте, если бы ваши сообщения в Teams или Slack автоматически превращались в безопасный контекст для ваших ИИ-агентов — PromptQL воплотила это в жизнь

Для современного предприятия цифровое рабочее пространство рискует превратиться в «театр координации», где команды тратят больше времени на обсуждение работы, чем на ее выполнение.

Хотя традиционные инструменты, такие как Slack или Teams, отлично подходят для быстрого обмена сообщениями, они структурно не смогли стать надежной основой для ИИ-агентов. Так, в феврале 2026 года на Hacker News завирусилась ветка обсуждения, в которой пользователи призывали OpenAI создать собственную версию Slack для поддержки ИИ-агентов (она собрала 327 комментариев).

Причина в том, что агентам часто не хватает контекста в реальном времени и безопасного доступа к данным, необходимых для реальной пользы, что приводит к «галлюцинациям» или необходимости постоянно заново объяснять устройство кодовой базы.

PromptQL, ответвление компании Hasura (единорога в сфере GraphQL), решает эту проблему, трансформируясь из ИИ-инструмента для работы с данными в полноценное ИИ-нативное рабочее пространство. Оно создано для того, чтобы превращать непринужденное общение команды в постоянную и безопасную память для агентных рабочих процессов. Это гарантирует, что беседы не канут в лету и пользователям либо агентам не придется искать их заново — напротив, они дистиллируются и сохраняются в виде полезных проприетарных данных в организованном формате (внутренней вики), на который компания сможет опираться вечно, утверждая и редактируя материалы вручную по мере необходимости.

Представьте, что два коллеги переписываются по поводу бага, который нужно исправить: вместо того чтобы вручную назначать задачу инженеру или агенту, ваша платформа для обмена сообщениями автоматически помечает ее, назначает исполнителя и документирует всё в вики в один клик. А теперь масштабируйте это на каждую проблему или тему для обсуждения на вашем предприятии — и вы получите представление о том, к чему стремится PromptQL. Идея проста, но эффективна: превратить обсуждение, неизбежно предшествующее работе, в реальное задание, которое автоматически запускается вашей собственной системой обмена сообщениями.

«Мы больше не ведем разговоры о работе, — отметил генеральный директор Танмай Гопал (Tanmai Gopal) в недавнем видеоинтервью для VentureBeat. — Вы ведете беседы, которые эту работу делают».

Изначально позиционируясь как ИИ-аналитик данных, компания — ответвление GraphQL-единорога Hasura — переориентируется на полноценное ИИ-нативное рабочее пространство.

Это не просто «Slack с чат-ботом»; это фундаментальная перестройка того, как команды взаимодействуют со своими данными, инструментами и друг с другом.

«PromptQL — это рабочая лошадка на заднем плане, круглосуточный стажер, который непрерывно выполняет реальную работу: изучает код, проверяет гипотезы, обращается к разным источникам и действительно делает дело», — говорит Гопал.

Технологии: сообщения, которые автоматически превращаются в общий, постоянно обновляемый контекстный движок

Технической основой PromptQL является его Общая вики (Shared Wiki). Традиционные языковые модели (LLM) страдают «проблемой памяти»: они забывают предыдущие взаимодействия или галлюцинируют на основе устаревших обучающих данных.

PromptQL решает эту проблему, фиксируя «общий контекст» по мере работы команд. Когда инженер исправляет баг или маркетолог дает определение «повторно вовлеченного лида», они пишут не в пустоту. Они обучают живую внутреннюю Википедию. Эта вики не требует «спринтов по документированию» или ручного обновления файлов YAML — она накапливает контекст органично.

«В ходе каждого разговора вы обучаете PromptQL, и эти знания отправляются в вики, которая развивается со временем. Так постепенно объединяются знания всей нашей компании».

• Взаимосвязь: Подобно клеткам в чашке Петри, небольшие «островки» знаний — например, интеграция с Salesforce — со временем соединяются с другими островками, такими как данные об использовании продукта в Snowflake.

• Человек в контуре (Human-in-the-Loop): Чтобы ИИ не обучался на «мусоре» (вроде напоминания о визите к врачу из 2024 года), люди должны явно нажимать «Добавить в вики», чтобы зафиксировать факт.

• Виртуальный слой данных: В отличие от традиционных платформ, требующих репликации данных, PromptQL использует виртуальный уровень SQL. Он запрашивает данные непосредственно в базах (Snowflake, Clickhouse, Postgres) и SaaS-инструментах (Stripe, Zendesk, HubSpot), гарантируя, что ничего никогда не извлекается и не кэшируется.

PromptQL разработан как легко интегрируемый слой оркестрации, который поддерживает как ведущих провайдеров ИИ-моделей, так и огромную экосистему существующих корпоративных инструментов.

• Поддержка ИИ-моделей: Платформа позволяет пользователям делегировать задачи конкретным агентам по написанию кода, таким как Claude Code и Cursor, либо использовать кастомные агенты, созданные под специфические внутренние потребности.

• Совместимость с рабочими процессами: Система создана для унаследования контекста из уже используемых командой инструментов, позволяя ИИ-агентам понимать соглашения о кодовой базе или паттерны развертывания из существующей инфраструктуры без повторных ручных объяснений.

От болтовни к делу

Интерфейс PromptQL выглядит знакомо — треды, каналы и упоминания, — но функциональность носит трансформационный характер. В ходе демонстрации инженер обнаруживает сбой в процессе оформления заказа в канале #eng-bugs.

Вместо того чтобы отмечать коллегу из SRE, он делегирует задачу Claude Code через PromptQL. Агент не просто смотрит на код — он наследует общий контекст команды.

Он знает, например, что «платежи в ЕС переведены на Adyen 15 января», потому что этот факт был добавлен в вики неделями ранее.

Спустя считанные минуты ИИ выявляет несоответствие валют, отправляет исправление, открывает запрос на слияние (PR) и обновляет вики для справки в будущем. Именно такой «многопользовательский» подход к ИИ выделяет платформу среди остальных.

Он позволяет технически не подкованному менеджеру спросить: «У каких аккаунтов растет биллинг в Stripe при неизменном использовании Mixpanel?», — и мгновенно получить объединенную таблицу данных из двух разрозненных источников. Затем пользователь может настроить регулярную отправку этих результатов в личные сообщения Slack с помощью одной дополнительной команды.

Кроме того, пользователям даже не нужно думать о целостности и чистоте своих данных — PromptQL берет это на себя: «Подключайте любые данные в каком угодно хаотичном состоянии, и пусть общий контекст настраивается на лету по мере их использования», — говорит Гопал.

Высокий уровень безопасности

Для компаний из списка Fortune 500, таких как McDonald’s и Cisco, фраза «просто подключите свои данные» звучит пугающе. PromptQL решает эту проблему с помощью детального контроля доступа

. Система обеспечивает политики на основе атрибутов (ABAC) на уровне инфраструктуры. Если региональный операционный менеджер запрашивает расценки поставщиков по всем регионам, ИИ отредактирует столбцы или строки, на просмотр которых у него нет прав, даже если сама LLM «знает» ответ. Более того, любые рискованные действия — например, обновление 38 статусов платежей в Netsuite — требуют явного подтверждения («Одобрить/Отклонить») со стороны человека перед выполнением.

Лицензирование и ценообразование

В отличие от устоявшейся SaaS-модели с оплатой «за каждое рабочее место», PromptQL работает исключительно на основе потребления.

• Ценообразование: Компания использует «Операционные языковые единицы» (OLU).

• Философия: Гопал утверждает, что плата за каждое рабочее место наказывает компании за подключение всей команды. Взимая плату за созданную ценность (OLU), PromptQL поощряет пользователей подключать «всех и вся».

• Корпоративное хранилище: Если небольшие команды используют общие аккаунты, то корпоративные клиенты получают выделенный VPC. Любые данные, которые ИИ «сохраняет» (например, пользовательский список задач), хранятся в собственном бакете S3 клиента в формате Iceberg, что гарантирует полный суверенитет данных.

«С философской точки зрения мы хотим, чтобы вы подключили к PromptQL всех и всё, поэтому мы не наказываем за это, — говорит Гопал. — Мы берем оплату исключительно на основе потребления».

Почему это важно для предприятий прямо сейчас

Итак, является ли PromptQL убийцей Teams или Slack? По словам Гопала, ответ утвердительный: «Именно так у нас и произошло. Мы полностью отключили внутренний Slack для внутренних коммуникаций», — говорит он.

Запуск происходит в переломный момент для индустрии. Компании осознают, что «общаться с PDF-файлом» уже недостаточно. Им нужен ИИ, способный действовать, но они не могут позволить себе риски безопасности, связанные с «неконтролируемыми» агентами.

Создавая рабочее пространство, которое уделяет первостепенное внимание общему контексту и верификации человеком, PromptQL предлагает золотую середину: ИИ, который учится как член команды и выполняет задачи как стажер, оставаясь при этом в рамках корпоративной безопасности.

Для предприятий, стремящихся эффективно использовать ИИ в масштабах всей компании, PromptQL решает критически важную задачу реализации, предоставляя уровень оркестрации и операционный слой, необходимый для развертывания агентных систем.

Заменяя «театр координации» традиционных инструментов чата рабочим пространством, где ИИ-агенты обладают теми же разрешениями и контекстом, что и люди-коллеги, платформа обеспечивает бесшовную координацию множества агентов и маршрутизацию задач. Это позволяет лицам, принимающим решения, выйти за рамки простого выбора моделей к реальности, где агенты (такие как Claude Code) используют общий командный контекст для выполнения сложных рабочих процессов — например, исправления производственных багов или обновления записей в CRM — прямо в активных тредах.

С точки зрения инфраструктуры данных, платформа упрощает управление конвейерами реального времени и архитектурами, готовыми к RAG, за счет использования виртуального слоя SQL, который запрашивает данные «на месте». Это избавляет от необходимости проводить дорогостоящие и трудоемкие спринты по подготовке и репликации данных для сотен тысяч таблиц в таких базах данных, как Snowflake или Postgres.

Кроме того, «Общая вики» системы служит превосходной альтернативой стандартным векторным базам данных или памяти на основе промптов, органично фиксируя неявные знания компании (tribal knowledge) и создавая живое хранилище метаданных, которое подпитывает каждое взаимодействие с ИИ специфическими для компании рассуждениями.

Наконец, PromptQL решает задачи управления безопасностью, необходимые для современного стека ИИ, за счет принудительного применения детализированного контроля доступа на основе атрибутов и ролевых разрешений.

Благодаря проверке с участием человека система гарантирует, что рискованные действия и изменения данных задерживаются до получения явного одобрения, защищая от неправильного использования моделей и несанкционированной утечки данных.

Хотя платформа не помогает с задачами физической инфраструктуры, такими как оптимизация кластеров графических процессоров (GPU) или закупка оборудования, она предоставляет необходимые программные ограничения и возможности аудита, гарантируя, что агентские рабочие процессы соответствуют корпоративным стандартам, таким как SOC 2, HIPAA и GDPR.