Сбои контекста ИИ затрагивают 68% предприятий

Среди 101 предприятия контекст, питающий агенты искусственного интеллекта, дает сбои регулярно и повсеместно. Шестьдесят восемь процентов респондентов за последние шесть месяцев сталкивались с ситуацией, когда уверенный, но неверный ответ агента был вызван отсутствием или несогласованностью бизнес-контекста, причем наиболее частым ответом был не «один раз», а «более одного раза». Парадоксально то, какие именно компании сообщают об этом. Предприятия, создающие или использующие управляемый семантический слой (слой специфических для компании определений и связей), сообщают о повторяющихся сбоях более чем в два раза чаще, чем те, у кого его нет.

Инфраструктура, созданная для исправления плохого контекста, пока в основном демонстрирует, насколько этот плохой контекст масштабен. Между тем в архитектуре, призванной решить эту проблему, царит полное отсутствие консенсуса: гибридное извлечение данных и открытый плюрализм финишировали с разницей всего в одного респондента, придя ноздря в ноздрю.

Эта волна исследований VentureBeat Pulse Research посвящена корпоративным RAG и контекстным слоям: тому, что обеспечивает ИИ-агентов бизнес-контекстом, какие поисковые системы используют предприятия, как они их покупают и оценивают, куда движется эта архитектура и — что самое показательное — как часто этот контекст уже дает сбои.

Главный вывод заключается в том, что сбой контекста — это больше не инцидент, а перманентное состояние. Шестьдесят восемь процентов предприятий заявляют, что за последние шесть месяцев их ИИ-агенты выдавали уверенные, но неверные ответы, причиной которых стали пропавший или несогласованный бизнес-контекст, а не ошибки самой модели. Еще более примечательно распределение: 37% сообщают о повторяющихся сбоях против 32%, столкнувшихся с этим единожды. Среди предприятий, способных вообще дать ответ, наиболее распространенный опыт работы агентов с корпоративными данными заключается в том, чтобы ошибаться снова и отново по причинам, не имеющим никакого отношения к модели.

Средство, на котором остановилась индустрия — управляемый семантический слой или контекстный слой, дающий агентам и BI-системам общее понимание данных — создается в массовом порядке: 32% уже используют его в продакшене, еще 31% проводят пилотное тестирование или разрабатывают его, а 20% находятся на стадии оценки. Однако перекрестный анализ дает неприятный результат: предприятия, которые создали или создают такой слой, сообщают о повторяющихся сбоях контекста в 50% случаев против 21% у тех, у кого его нет. Сам слой не вызывает сбоев — он их фиксирует, что делает это открытие самым ценным в данном исследовании. Семантический слой делает дефект контекста видимым и отслеживаемым. Организации без него сталкиваются с неудачами не реже, просто реже их фиксируют и атрибутируют.

В основе своей стек выглядит неустойчивым, чего никто не ожидал. Извлечение данных остается главным источником контекста (31%), причем нативное извлечение от провайдеров — поиск по файлам от OpenAI (46%) и Google Vertex AI Search (41%) — по-прежнему значительно опережает любые специализированные векторные базы данных. Тем не менее ожидаемая архитектура не имеет поддержки большинства: гибридный поиск (30%) и «множественные архитектуры, выбираемые в зависимости от сценария использования» (29%) разделены всего одним голосом. При этом предприятия по-прежнему категорически не желают отдавать контекстный слой на откуп одному провайдеру: лишь 12% намерены консолидировать данные на нативном контекстном стеке одного поставщика моделей против 37% сторонников лучших в своем классе решений (best-of-breed) и 37% планирующих использовать явный микс.

Критерии покупки — это то место, где сбои начинают давать о себе знать в коммерческом плане. Контроль доступа и разрешения теперь делят первое место с простотой загрузки данных в качестве ключевого фактора выбора (по 24% каждый), а правильность ответов является основным показателем успешности для 38% предприятий. Предприятия начинают приобретать поисковые системы из-за свойств, управляющих контекстом, а не из-за тех, которые просто перемещают его.

Методология

VentureBeat провел этот опрос в рамках своей продолжающейся серии Pulse Research. Опрос был сосредоточен на корпоративной инфраструктуре RAG и контекстном слое — поисковых системах, семантических слоях и источниках контекста, питающих ИИ-агентов. Ответы отфильтрованы по организациям с числом сотрудников более 100 (n=101). Все ответы получены в ходе единой волны в июле 2026 года, поэтому отчет носит срезовый характер и не предполагает выявления помесячных трендов. На несколько вопросов можно было дать несколько вариантов ответа; эти доли приводятся как процент от числа респондентов, а не от общего числа выбранных вариантов, поэтому их сумма может превышать 100%.

По размеру организаций выборка концентрируется в среднем сегменте: лидируют компании с численностью 101–250 сотрудников (34%), 1 001–5 000 (25%) и 251–1 000 (25%), за ними следуют компании с 10 001+ сотрудниками (12%) и 5 001–10 000 (5%). По ролям опрошены менеджеры (39%), линейные специалисты (29%), вице-президенты и директора (22%), а также высшее руководство (9%); с точки зрения покупательской способности аудитория обладает авторитетом: 38% принимают окончательные решения, а еще 43% дают рекомендации или влияют на них. Технологии/Программное обеспечение — крупнейшая отрасль (31%), за ней следуют Здравоохранение/Науки о жизни (14%), Розничная торговля/Электронная коммерция (10%) и Производство (9%).

Примечание относительно базы сбоев контекста: из 101 респондента 10 либо не запускают агентов на корпоративных данных (5%), либо не отслеживают первопричины на таком уровне (5%). Основные показатели по вопросу о сбоях рассчитаны на всю выборку из 101 респондента; сравнения подгрупп в Выводе 2 используют данные 91 респондента, способного дать утвердительный или отрицательный ответ, поскольку включение тех, кто не может зафиксировать сбой, исказило бы сравнение в пользу той группы, которая менее инструментирована. Размер подгрупп составляет примерно от 10 до 62 респондентов и является соответствующим образом грубым; если размер группы падает ниже 10, процентное соотношение не публикуется. Небольшое число респондентов выбрали вариант «Другое» и вписали отрасль (6%) или роль (2%), не попавшие ни в одну из перечисленных категорий; эти доли отображаются в приложении как неуказанные, а не перераспределяются.

При 101 респонденте это скромная выборка, которую следует воспринимать скорее как векторный сигнал, а не как точное измерение; она сформирована методом самоотбора и не является вероятностной выборкой. Ее лучше рассматривать как точку зрения организаций, активно внедряющих RAG и контекстную инфраструктуру, а не крупнейших операторов.

Вывод 1: Уверенно, неверно и повторно

Самый частый ответ — не «один раз», а «более одного раза»

Мы спросили, приходилось ли предприятиям за последние шесть месяцев сталкиваться с тем, что уверенный, но неверный ответ агента был вызван отсутствием или несогласованностью бизнес-контекста, а не ошибкой модели. Большинству приходилось — и у большинства это происходило не единожды.

Это ключевой показатель отчета. Шестьдесят восемь процентов предприятий сталкивались с тем, что ИИ-агент выдавал уверенный, но неверный ответ из-за плохого контекста (неправильные определения метрик, устаревшие данные, пропавшие документы), причем повторяющиеся случаи (37%) перевешивают разовые (32%). Лишь 22% сообщают об отсутствии таких сбоев. Если ограничиться 91 предприятием, способным наблюдать и выявлять причину сбоя, то 76% сталкивались с этим, а 41% — неоднократно.

Этот тип сбоя специфичен и опасен именно потому, что не выглядит как ошибка. Модель не галлюцинирует визуально; она уверена в своей правоте, потому что питающий ее контекст был скудным, устаревшим или противоречивым, — и она выдает этот неверный ответ с той же авторитетностью, что и правильный. Тот факт, что наиболее типичным опытом является повторение, а не разовый инцидент, имеет гораздо большее значение, чем общая цифра: разовый сбой — это инцидент, который можно исправить, тогда как повторяющийся указывает на структурный дефект в том, как бизнес-контекст доставляется агенту. Все остальное в этом отчете — что извлекают предприятия, как они это регулируют и что планируют построить — является следствием данной проблемы.

Вывод 2: Семантический слой раскрывает сбой до того, как исправляет его

Предприятия, создающие управляемый слой, сообщают о повторяющихся сбоях чаще, а не реже

Мы спросили, используют ли предприятия управляемый семантический или контекстный слой, чтобы обеспечить агентам и BI-системам общее понимание данных. Большинство находятся на этом пути — и сопоставление этого ответа со сбоями из Вывода 1 дает самый парадоксальный результат во всем исследовании.

Взаимодействие с управляемым контекстным слоем носит масштабный характер. Шестьдесят три процента предприятий либо используют его в продакшене (32%), либо тестируют и строят (31%), а еще 20% находятся на стадии активной оценки, то есть более четырех из пяти респондентов так или иначе вовлечены в эту концепцию. Лишь у 14% нет никаких планов.

Перекрестный анализ становится наиболее интересным. Среди 91 предприятия, способного ответить на вопрос о сбоях, те, кто построил или строит семантический слой, сообщают о повторяющихся сбоях контекста в 50% случаев, в то время как те, у кого его нет (на стадии оценки или без планов) — в 21%. Этот разрыв преодолевает общепринятые пороги значимости (p=0.01) и направлен в сторону, противоположную тому, для чего эта технология продается. Если сузить выборку до предприятий, у которых слой находится непосредственно в продакшене, тенденция сохраняется, хотя на данной выборке это не имеет статистического веса: 53% повторений против 34% у всех остальных (разница не достигает уровня значимости и должна восприниматься исключительно как ориентир).

Интерпретировать это как причинно-следственную связь неверно — управляемый слой определений не генерирует неверные ответы. Если рассматривать это как обнаружение, то перед нами самый полезный результат этой волны. Выявление связи между уверенным неверным ответом и конкретным дефектом контекста (метрика, определяемая двумя способами, устаревшая таблица, документ, который агент не мог увидеть) требует именно тех общих, управляемых определений, которые предоставляет семантический слой. Без него аналогичный сбой происходит и записывается как проблема модели, ошибка пользователя или вообще остается незамеченным. Причинно-следственная связь здесь почти наверняка отчасти обратная: предприятия, которые неоднократно «обжигались», и пошли создавать этот слой.

Разделение по размеру компаний указывает на ту же тенденцию и обладает статистической значимостью, в отличие от разделения по продакшену. Предприятия с численностью сотрудников более 1 000 человек сообщают о повторяющихся сбоях контекста в 55% случаев против 30% у компаний с числом сотрудников от 101 до 1 000 (p=0.02) — несмотря на то, что крупные организации с меньшей вероятностью имеют семантический слой в продакшене (24% против 37%). У крупных предприятий лучше настроена аналитика, проводится больше аудитов и больше людей, чья задача — выяснять, почему цифра оказалась неверной. Практический вывод для читателей неприятен, но очевиден: низкий уровень заявленных сбоев контекста не является свидетельством здорового контекстного слоя. Гораздо вероятнее, что это свидетельство того, что никто просто не ведет поиск проблем.

Вывод 3: RAG лидирует как источник контекста — и несет на себе груз сбоев

Поиск обеспечивает агентов контекстом лучше всего остального — и вызывает множество сбоев

Мы спросили, что в первую очередь используют ИИ-агенты предприятия для понимания своих данных. Поиск лидирует, но уже не с тем отрывом, который принято предполагать.

Извлечение данных остается основой корпоративного контекста (31%), опережая управляемый семантический слой (19%) и гибридные подходы (17%). Однако «хвост» распределения заметно вырос: загрузка длинного контекста стала основным источником для 13% предприятий, а 5% позволяют агентам работать на общих знаниях модели вообще без корпоративного контекстного слоя. В сумме почти каждое пятое предприятие обеспечивает агентов бизнес-контекстом либо с помощью грубой силы контекстного окна, либо никак.

При сопоставлении с Выводом 1 выясняется, что источники дают сбои неравномерно. Среди предприятий, чей основной источник контекста — извлечение данных, 87% сообщают о сбоях, отслеженных до контекста, а 48% отмечают их повторяемость (на самой большой выборке среди всех групп — 31 респондент). Те, кто полагается на управляемый семантический слой, сообщают о 79% и 53% соответственно; смешанные подходы — о 79% и 36%; прямые запросы к живым системам — о 40% и 30%. Группа долгого контекста (long-context) выглядит исключением в обратную сторону: 64% сообщают о любых сбоях, но лишь 9% — об их повторяемости.

К цифрам по этим подгруппам следует относиться с оговоркой относительно обнаружения, приведенной в Выводе 2. Группы различаются как по способности связывать неверный ответ с дефектом контекста, так и по частоте самих сбоев, а размер подгрупп здесь составляет от 10 до 31 респондента. Показатель группы RAG в 87% лучше рассматривать как доказательство того, что компании с тяжелым RAG-стеком и испытывают, и замечают сбои контекста, а не как чистое измерение относительной надежности.

То, что выдерживает эту оговорку — это структурный вывод. Поскольку большая часть корпоративного контекста проходит через извлечение данных, и поскольку RAG несет эту нагрузку на самой широкой базе в выборке, качество поиска определяет качество ответа. Когда RAG является источником по умолчанию, неполный поиск становится главным источником сбоев.

Вывод 4: Поиск от провайдеров моделей и гиперскалеров по-прежнему опережает векторные базы данных

Поиск по файлам от OpenAI и Google Vertex AI Search обходят любые специализированные системы

We asked which retrieval systems enterprises run in production today. The answer continues to favor the model providers and hyperscalers over the specialists.

Специализированная векторная база данных — это не центр RAG-стека. Поиск по файлам от OpenAI (46%) и Google Vertex AI Search (41%) более чем в три раза опережают любую специализированную альтернативу. Среди профильных решений чаще всего используются те, которые предприятия и так запускают по другим причинам — Elasticsearch/OpenSearch (20%) и pgvector (15%), в то время как чистые векторные базы данных, определяющие категорию (Pinecone, Weaviate, Milvus, Qdrant), набирают от 7% до 12% каждая. Кастомные поисковые стеки собственной разработки (18%) превосходят любого вендора узкоспециализированных решений.

Какая система на самом деле является основной, отделяет поиск от инфраструктуры

Простые показатели использования занижают разрыв, поскольку предприятия часто запускают несколько таких систем одновременно. Мы также спросили, какая из них является основной. Доля пользователей каждой системы, назвавших ее своей главной поисковой платформой, четко разделяет картину.

Elasticsearch и pgvector широко распространены, но редко являются основными: четверо из пяти их пользователей ищут данные главным образом через что-то другое. Это инфраструктура, которую предприятие уже использовало и приспособило для работы на периферии поискового стека, центр которого находится в другом месте.

Поиск от провайдеров моделей и гиперскалеров — не просто самая распространенная система в списке; для большинства внедривших ее предприятий она является системой учета. Самописные внутренние стеки ведут себя точно так же: если предприятие создает такой стек, он обычно становится основным, а не побочным проектом.

Вопрос об основной платформе задавался с возможностью выбора только одного варианта, но 18 из 101 респондента выбрали более одного, поэтому приведенные выше доли рассчитываются как доля от пользователей каждой системы, а не всей выборки. Среди 83 респондентов, давших ровно один ответ, рейтинг не меняется: поиск по файлам OpenAI — 28%, Vertex AI Search — 23%, кастомный внутренний стек — 12%, ни одна специализированная векторная база данных не набрала выше 8%.

Сравнение, над которым стоит задуматься — это то, что остается на долю специалистов по RAG. В категории, построенной вокруг специализированной инфраструктуры, больше предприятий написали собственный поисковый стек, чем используют любую отдельную выделенную векторную базу данных, и примерно в четыре раза больше тех, кто использует поиск, поставляемый в комплекте с провайдером моделей или облаком, у которого они уже покупают услуги. Лишь 7% вообще не используют RAG в продакшене, так что речь идет не об раннем внедрении, а о том, где именно приобретается поиск.

Вывод 5: Ни одна архитектура не имеет консенсуса

Гибридный поиск и вариант «Зависит от сценария использования» финишировали ноздря в ноздрю

Мы спросили, какая поисковая архитектура, по мнению предприятий, будет доминировать в их продакшн-системах RAG к концу 2026 года. Ни один отдельный ответ даже близко не набирает большинства, а два лидера разделены всего одним голосом.

Гибридный поиск лидирует с 30%, причем мнение о том, что ни одна архитектура не будет доминировать единолично, отстает совсем немного — 29%. Разрыв составляет всего одного респондента, что намного меньше погрешности для выборки такого размера, и честная интерпретация заключается в том, что эти два варианта идут наравне, а не в том, что какой-то из них вырвался вперед. Вместе они составляют 58% предприятий, и то, что их объединяет, более поучительно, чем то, что их разделяет: оба варианта описывают многоуровневые конвейеры, а не единую технику поиска, и ни один из них не рассчитывает на то, что подход чисто векторного поиска, с которого началась эта категория, сможет в одиночку обеспечить продакшн.

Два меньших ответа несут более четкий сигнал. 15% ожидают доминирования инструмент-ориентированного или долгоконтекстного поиска вообще без выделенного векторного слоя (что является прямым вызовом самой концепции категории), в то время как 12% по-прежнему рассчитывают на преобладание чисто векторного поиска. Тот факт, что антивекторная позиция теперь слегка опережает чисто векторную с разницей всего в три голоса (что само по себе слишком мало для однозначного вывода), является примечательным разворотом для индустрии, которая три года занималась созданием векторных баз данных. Если добавить 15% тех, кто не уверен в выборе или не ожидает масштабного RAG, мы получим рынок, который согласен с тем, что одного векторного поиска недостаточно, но так и не пришел к согласию относительно того, чем его заменить.

Вывод 6: Предприятия отказываются передавать слой провайдеру

Консолидация на нативном контекстном стеке провайдера едва заметна

Мы спросили, как предприятия отреагируют на то, что провайдеры моделей объединяют поиск, память и оркестрацию в своих платформах. Высказанные ими намерения резко противоречат их текущему использованию.

В этом и заключается главное противоречие стека. Нативный поиск от провайдеров значительно опережает реальное использование (Вывод 4), однако лишь 12% предприятий намерены консолидироваться на нативном контекстном стеке поставщика. Лучшие в своем классе независимые инструменты и явный микс разделили первое место, набрав по 37% каждое, а 6% намерены построить и удерживать этот слой своими силами — то есть 79% предприятий рассчитывают сохранить хотя бы часть контекстного слоя независимой от любого отдельного провайдера.

Разрыв между тем, что предприятия используют на практике, и тем, чего они хотят, — это стратегический вопрос всей категории. Они внедряют пакетный поиск, потому что он поставляется с инструментами, которые они и так покупают, одновременно заявляя о намерении сохранить независимость. Если сопоставить это с Выводом 2, заявленное предпочтение имеет обоснование, выходящее за рамки вендорской политики: сбои, которые пытаются исправить предприятия, являются сбоями управляемого, согласованного бизнес-контекста с учетом прав доступа, и именно этот слой они меньше всего хотят отдавать на аутсорсинг. Сохранится ли это предпочтение при столкновении с удобством готовых пакетов, покажут следующие несколько волн исследования.

Вывод 7: Контроль доступа поднимается вверх в списке критериев покупки

Управление теперь делит с загрузкой данных первое место как причина выбора системы

Мы спросили, что имеет наибольшее значение при выборе поисковой системы и что считается главным критерием успеха после ее запуск.

Критерии выбора сместились в сторону управления. Контроль доступа и разрешения (24%) теперь делит первое место с простотой загрузки данных (24%), опережая точность поиска, задержки и производительность (по 15%), а также операционную простоту (14%). Впервые в этой серии исследований функция управления оказалась на вершине решений о покупке — и именно эта функция напрямую связана с уверенными, но неверными сбоями из Вывода 1, когда агент выводит то, чего видеть не должен был, или пропускает то, что было необходимо.

После запуска систем акцент на правильности ответов становится недвусмысленным: корректность ответов является главной метрикой успеха для 38% предприятий, что вдвое превышает следующий ответ — безопасность и контроль доступа (19%). Релевантность ответов (17%), задержка (13%) и операционная стабильность (11%) отстают. В совокупности 56% предприятий оценивают свою поисковую систему в первую очередь по тому, являются ли ее ответы правильными и правильно ли настроены права доступа, а не по тому, насколько она быстра или стабильна.

Удовлетворенность текущими системами умеренно высокая: по пятибалльной шкале общая удовлетворенность в среднем составляет 4,13, соотношение цены и качества — 4,01, а простота внедрения — 3,98. Это респектабельные показатели для слоя, который, судя по данным этой волны, производит повторяющиеся ошибки почти у четырех из десяти предприятий — что наводит на мысль, будто компании оценивают инструменты в сравнении с ожиданиями от поисковой инфраструктуры в целом, а не по результату получения правильного ответа.

Вывод 8: Половина рынка находится в движении

Vertex AI Search лидирует в наборе рассматриваемых решений — равно как и неопределенность

Мы спросили, планируют ли предприятия менять или добавлять поискового провайдера и кого именно они рассматривают. Набор рассматриваемых вариантов шире, чем сегодняшний стек.

Поисковый стек еще не устоялся, но и не находится в состоянии хаоса: около половины предприятий не планируют ничего менять, в то время как другая половина — 52 из 101 — намерены сменить или добавить провайдера в течение двенадцати месяцев, причем пятая часть из них сделает это в следующем квартале. Среди этих 52 меняющихся предприятий лидирует Google Vertex AI Search (35%), за ним следуют Elasticsearch/OpenSearch (25%), Pinecone (23%) и поиск по файлам от OpenAI (23%).

Выделяются два паттерна. Во-первых, специализированные векторные решения привлекают значительно больше интереса на перспективу, чем можно судить по их текущему присутствию: Pinecone рассматривают 23% переходящих компаний против 12% текущего использования, Weaviate — 17% против 10%, Qdrant — 15% против 7%, а Milvus — 14% против 9%. Специалисты не выигрывают текущую установленную базу, но прочно закрепились в процессах оценки, причем каждый из них примерно удваивает свое присутствие в перспективных планах. Во-вторых, 15% меняющих провайдера компаний проводят оценку вообще без шорт-листа, а 17% рассматривают кастомный внутренний стек — в сумме почти треть планирующих изменения предприятий либо не знают, чего хотят, либо намерены построить решение самостоятельно.

Итог: Сбой контекста, который лучше обнаруживать только начинают

Организации с числом сотрудников более 100 запускают агентов на базе бизнес-контекста, который они пока не могут гарантировать, и эти свидетельства перешагнули стадию единичных историй. Шестьдесят восемь процентов столкнулись с тем, что за последние шесть месяцев уверенный и неверный ответ агента был вызван отсутствующим или противоречивым контекстом, причем повторяющиеся случаи теперь преобладают над разовыми. Поиск остается источником контекста по умолчанию и несет на себе груз сбоев на самой широкой базе в выборке — в то время как почти каждое пятое предприятие скатилось к использованию загрузки длинного контекста или общих знаний модели, что вообще не является контекстным слоем.

Самый важный результат этой волны — тот, который переворачивает ожидаемое направление. Предприятия, строящие или использующие управляемый семантический слой, сообщают о повторяющихся сбоях контекста в 50% случаев против 21% у тех, у кого его нет, а более крупные предприятия сообщают о них почти вдвое чаще по сравнению с компаниями среднего бизнеса, несмотря на то, что у первых с меньшей вероятностью построен такой слой. Простая трактовка заключается в том, что наличие инструментов мониторинга выявляет сбои, а не вызывает их, и что организации, заявляющие о чистом контексте, в значительной степени лишены средств для его проверки. Это полностью меняет трактовку результатов: 22%, не заявляющие о сбоях контекста, вовсе не являются образцово управляемой когортой, и низкий уровень сбоев следует расценивать как вопрос, а не как ответ.

Между тем единого решения по исправлению ситуации не найдено. Гибридный поиск и архитектурный плюрализм идут ноздря в ноздрю в качестве ожиданий для продакшн-RAG к концу 2026 года с разницей всего в одного респондента; антивекторная позиция чуть опережает чисто векторную; и хотя нативный поиск от провайдеров лидирует с огромным отрывом по использованию (и является основной системой для большинства запускающих его предприятий), лишь 12% консолидируются на стеке провайдера, а 79% сохраняют ту или иную часть слоя независимой. Коммерческий сигнал заключается в том, что контроль доступа поднялся до уровня простоты загрузки данных в качестве главного критерия покупки, а правильность ответов стала доминирующей метрикой успеха — предприятия начинают приобретать поисковые системы ради свойств управления контекстом, а не просто перемещения данных.

При 101 респонденте в рамках одной июльской волны со смещением в сторону среднего бизнеса это лишь предварительный векторный срез. Но направление достаточно четкое, чтобы действовать: контекстный слой — это спорный рубеж стека ИИ, порождаемые им сбои носят регулярный, а не случайный характер, и предприятия, лучше всего подготовленные к обнаружению проблемы, сообщают о ней хуже всего. Открытый вопрос для последующих волн заключается в том, начнет ли управляемый контекстный слой сокращать количество сбоев, выявлять которые у него получается так хорошо.

Основано на ответах 101 квалифицированного респондента со стороны предприятий (100+ сотрудников), полученных в ходе единой волны в июле 2026 года. При таком размере выборки результаты следует воспринимать как векторный сигнал, а не как точное измерение — это выборка методом самоотбора, а не вероятностная выборка. Среди респондентов — менеджеры, линейные специалисты, вице-президенты/директора и руководители высшего звена.