Контекстные слои для агентных систем: за последние шесть месяцев 64% предприятий связали уверенно ошибочные ответы ИИ-агентов с проблемами в собственных корпоративных данных

В августе 2026 года VentureBeat Intelligence опросила респондентов из организаций со штатом не менее 100 сотрудников. Мы спросили, откуда их ИИ-агенты получают бизнес-контекст и давали ли агенты неверные ответы, которые можно было связать с этим контекстом, один или несколько раз. Мы также спросили, как компании выбирают платформы для извлечения данных.

Большинство компаний сталкивались с тем, что ИИ-агент уверенно давал неверный ответ из-за проблем в данных самой компании. За последние шесть месяцев 64% респондентов связали хотя бы один такой ответ с отсутствующим или противоречивым бизнес-контекстом — например, с неверным определением метрики или устаревшими данными. Среди всех респондентов 32% связали с этим больше одного ответа. В вопросе респондентов просили не учитывать ошибки самой модели; в этом отчёте такие ответы называются сбоями контекста.

Компании используют управляемый семантический слой или слой контекста, который мы называем семантическим слоем, чтобы обеспечить единое согласованное понимание данных компании для ИИ-агентов и инструментов бизнес-аналитики (BI). Семантический слой помогает договориться, например, о том, что считать выручкой и какая таблица клиентов является актуальной.

Компании, которые используют, тестируют или создают семантический слой, значительно чаще сообщали хотя бы об одном сбое контекста, чем компании, которые только оценивают такую возможность или не планируют внедрение. Среди тех, кто использует, тестирует или создаёт семантический слой, о сбое контекста сообщили 78% — более чем вдвое больше, чем среди тех, кто лишь оценивает такую возможность или не планирует внедрение (37%). Мы не спрашивали респондентов, чем обусловлена разница между этими группами.

Респонденты июльского Pulse также показали значительный разрыв. В компаниях, которые использовали, тестировали или создавали семантический слой, о сбое контекста сообщили 89% респондентов, тогда как в компаниях, которые только оценивали такую возможность или не планировали внедрение, — 35%.

Даже компании, использующие семантический слой, редко делают его основным источником бизнес-контекста для своих агентов. Среди компаний, где семантический слой используется в промышленной эксплуатации, лишь 23% называют его основным источником для агентов. Среди всех респондентов 32% назвали таким источником поиск по документам, а 21% — прямые запросы к работающим системам; разница между показателями слишком мала, чтобы делать вывод.

Компании также меняют источники контекста для своих агентов и используемые инструменты извлечения данных. По пяти показателям с июля Pulse произошли изменения, которые можно считать значимыми. Больше респондентов назвали основным источником бизнес-контекста для агентов прямые запросы к работающим системам — 21% против 11% в июле; меньше респондентов указали на сочетание источников, меняющееся в зависимости от сценария использования.

Доля респондентов, использующих собственный стек извлечения данных, разработанный внутри компании, снизилась с 18% до 6%, тогда как доля использующих векторную базу данных Qdrant выросла с 7% до 16%.

Среди респондентов, использующих работающую в промышленной эксплуатации систему извлечения данных, 36% заявили, что на выбор инфраструктуры сильнее всего повлияла простота загрузки данных. В июле этот показатель составлял 22% — это реальное изменение. При этом только 11% респондентов, использующих такую систему, назвали точность извлечения данных.

Поставщики моделей объединяют инструменты извлечения данных и память со своими платформами, однако большинство респондентов рассчитывают оставить хотя бы часть инструментов контекста независимыми от конкретного поставщика. Доля тех, кто считает наиболее вероятным переход на единую платформу поставщика моделей, составляла 12% в июле и 22% в августе. Разница слишком мала, чтобы делать вывод.

Вывод 1. 64% компаний связывали уверенно звучащие неверные ответы ИИ-агентов с проблемами в данных своей компании, а 49% из них сталкивались с этим не раз

За последние шесть месяцев 64% респондентов связали как минимум один уверенно звучащий, но неверный ответ агента с отсутствующим или противоречивым бизнес-контекстом.

Отвечая на вопрос о бизнесе, ИИ-агент опирается на данные компании и лежащие в их основе определения — например, на то, что считать выручкой и какая таблица клиентов является актуальной. Если определение отсутствует или две системы противоречат друг другу, агент может дать беглый ответ, основанный на неверных цифрах. Уверенно звучащий неверный ответ сложнее заметить, чем очевидную ошибку: в самом ответе ничто не указывает на проблему. Сотрудник, который полагается на такой ответ, может сообщить клиенту неверную цифру или принять решение на основе устаревших данных.

Мы спросили респондентов, давали ли их ИИ-агенты за последние шесть месяцев уверенно звучащие, но неверные ответы, связанные с отсутствующим или противоречивым бизнес-контекстом. В качестве примеров в вопросе приводились неверные определения метрик, а также устаревшие или неверно истолкованные данные; ошибки самой модели учитывать не просили.

Выборка: 130 респондентов. Каждый выбрал один ответ.

Среди респондентов, сообщивших о сбое контекста, 49% заявили, что их агенты допустили такую ошибку не раз.

Среди всех респондентов 31% сообщили, что их агенты не давали уверенно звучащих неверных ответов, связанных с бизнес-контекстом.

Вывод 2. Респонденты из компаний, которые используют, тестируют или создают семантический слой, значительно чаще сообщают о сбоях контекста, чем респонденты из компаний, которые только оценивают такую возможность или не планируют внедрение

Среди августовских респондентов о сбое контекста сообщили 78% тех, чьи компании используют, тестируют или создают семантический слой, против 37% в компаниях, которые только оценивают такую возможность или не планируют внедрение. В июле наблюдался похожий разрыв; он сохраняется и после исключения респондентов, чьи компании не используют агентов с корпоративными данными или не отслеживают первопричины.

Семантический слой хранит согласованные определения бизнес-терминов и метрик, которыми пользуются агенты и панели мониторинга при запросах к данным компании. Без такого слоя каждый агент или панель мониторинга может применять собственное определение, и два инструмента могут дать разные ответы на один и тот же вопрос. Кроме того, семантический слой даёт команде эталонное определение, с которым можно сверить ответ агента. Создание и управление таким слоем требуют постоянной работы: необходимо согласовать каждое определение и поддерживать его в актуальном состоянии.

Мы спросили респондентов, использует ли их организация управляемый семантический слой или слой контекста, который обеспечивает единое понимание данных компании для агентов и BI-инструментов.

Выборка: 130 респондентов. Каждый выбрал один ответ.

Среди всех респондентов 67% сообщили, что их организация использует семантический слой в промышленной эксплуатации, тестирует или создаёт его.

Участники июльского Pulse, отдельной выборки, также показали значительный разрыв. В июле о сбое контекста сообщили 89% респондентов из компаний, которые использовали, тестировали или создавали семантический слой. В компаниях, которые только оценивали такую возможность или не планировали внедрение, об этом сообщили 35% июльских респондентов.

Выборка: 38 респондентов в меньшей августовской группе и 34 — в меньшей июльской. Респонденты, не знавшие, есть ли в их организации семантический слой, не учитываются. Если также исключить респондентов, чьи компании не используют агентов с корпоративными данными или не отслеживают первопричины, разрыв остаётся значительным в обоих месяцах. Август: 79% (выборка: 86) против 41% (выборка: 34). Июль: 90% (выборка: 62) против 46% (выборка: 26).

Мы не спрашивали респондентов, чем обусловлена разница между этими группами, и не можем отделить возможные объяснения друг от друга. Одно из них состоит в том, что команды с семантическим слоем располагают правильным определением, с которым можно сравнить неверный ответ, и поэтому выявляют больше сбоев контекста.

Другое возможное объяснение — компании, столкнувшиеся со сбоями контекста, впоследствии и создали семантический слой.

Вывод 3. Только 23% компаний, использующих семантический слой в промышленной эксплуатации, называют его основным источником бизнес-контекста для своих агентов

32% респондентов назвали основным источником бизнес-контекста для своих агентов поиск по документам, тогда как управляемый семантический слой — 13%.

Агенты получают бизнес-контекст разными способами. При поиске извлекаются фрагменты документов или из векторного индекса, прямые запросы считывают данные из работающих систем, например баз данных, а загрузка длинного контекста помещает большие объёмы данных непосредственно в модель. При любом из этих подходов агент может не получить согласованное определение бизнес-термина, если он дополнительно не обращается к семантическому слою. Компания может использовать семантический слой для BI-инструментов, а агенты при этом могут получать контекст из других источников.

Мы спросили респондентов, что их ИИ-агенты используют сегодня в качестве основного источника бизнес-контекста, когда им нужно разобраться в корпоративных данных.

Выборка: 130 респондентов. Каждый выбрал один ответ.

Выборка: 48 респондентов, чьи компании используют семантический слой в промышленной эксплуатации, и 87 респондентов, чьи компании используют, тестируют или создают такой слой. Каждая строка показывает долю в соответствующей группе.

Поиск по документам или векторному индексу известен как генерация с дополненной выборкой (RAG). К прямым запросам к работающим системам относятся запросы к базам данных SQL, API и серверам Model Context Protocol (MCP).

32% респондентов назвали RAG основным источником для агентов, а 21% — прямые запросы к работающим системам; разница слишком мала, чтобы делать вывод. Загрузку больших объёмов данных непосредственно в контекстное окно модели назвали 19%.

Среди всех компаний, которые используют, тестируют или создают семантический слой, 20% назвали его основным источником бизнес-контекста для своих агентов.

Вывод 4. Среди респондентов, использующих работающую в промышленной эксплуатации систему извлечения данных, 36% заявили, что на выбор инфраструктуры сильнее всего повлияла простота загрузки данных, тогда как точность извлечения назвали 11%

Среди респондентов, использующих работающую в промышленной эксплуатации систему извлечения данных, простоту загрузки данных называли главным фактором выбора втрое чаще, чем точность извлечения.

Инфраструктура извлечения данных хранит документы и данные компании в форме, пригодной для поиска, и находит фрагменты, необходимые агенту. Сначала нужно загрузить данные: агент может найти только то, что было загружено, проиндексировано и поддерживается в актуальном состоянии. Точность извлечения показывает, возвращает ли система нужные фрагменты. Если система передаёт агенту неверный фрагмент, агент может на его основе дать уверенный ответ.

Мы спросили респондентов, какой фактор сильнее всего повлиял на выбор инфраструктуры для извлечения данных (RAG). Приведённые ниже данные относятся к респондентам, чьи компании используют работающую в промышленной эксплуатации систему извлечения данных; все они ответили на этот вопрос.

Выборка: 117 респондентов, чьи компании используют работающую в промышленной эксплуатации систему извлечения данных. Каждый выбрал один ответ.

Простоту загрузки данных назвали 36% респондентов, а контроль доступа и разрешения — 22%; разница слишком мала, чтобы делать вывод.

Среди респондентов, чьи компании используют работающую в промышленной эксплуатации систему извлечения данных, доля назвавших простоту загрузки данных выросла с 22% в июле до 36% в августе — это реальное изменение.

Мы можем сказать, какой фактор был важнее всего для каждого респондента. Но мы не можем сказать, какой вес респонденты придавали точности.

Вывод 5. Большинство компаний рассчитывают оставить хотя бы часть инструментов извлечения данных и контекста независимыми от поставщиков моделей, тогда как 22% планируют перейти на стек одного поставщика моделей

Доля тех, кто рассчитывает перейти на встроенный стек контекста одного поставщика моделей, составляла 12% в июле и 22% в августе; разница слишком мала, чтобы делать вывод.

Поставщики моделей теперь объединяют поиск, память и оркестрацию в собственных платформах. Переход на стек одного поставщика означает, что потребуется связывать меньше инструментов и управлять только одним поставщиком. Цена этого решения — зависимость: последующий перевод агентов на другую модель может потребовать заново создать стек контекста, который их обеспечивает. Независимые инструменты позволяют отделить слой контекста от модели, но требуют больше работы по интеграции.

Мы сообщили респондентам, что поставщики моделей всё чаще напрямую встраивают поиск, память и оркестрацию в свои платформы. В качестве примеров мы привели плагины и коннекторы Codex от OpenAI, память Managed Agents от Anthropic и Vertex AI Context Broker от Google. Затем мы спросили, какое направление наиболее вероятно для стека извлечения данных и контекста их организаций в ближайшие 12 месяцев.

Выборка: 130 респондентов. Каждый выбрал один ответ. Июльская выборка: 101 респондент.

Большинство респондентов указали направление, предполагающее, что хотя бы часть инструментов контекста останется независимой от конкретного поставщика моделей. Среди всех респондентов 37% заявили, что наиболее вероятно оставят лучшие специализированные независимые инструменты.

Ещё 28% выбрали сочетание встроенных в платформу поставщика и независимых инструментов в зависимости от задачи, а 2% — создание собственного слоя контекста. Между тем 22% заявили, что наиболее вероятно перейдут на встроенный стек контекста одного поставщика.

Поскольку разница с июльским показателем слишком мала, чтобы делать вывод, мы не можем утверждать, что теперь больше компаний планируют перейти на единый стек.

В отдельном вопросе 65% респондентов заявили, что в течение 12 месяцев планируют внедрить новую, дополнительную или заменяющую платформу извлечения данных. 34% респондентов планируют внедрить такую платформу в течение трёх месяцев.

Вывод 6. Сейчас только 6% компаний используют собственный стек извлечения данных, разработанный внутри компании, против 18% в июле; почти все компании с работающими системами извлечения данных используют решения сторонних разработчиков

Среди респондентов, чьи компании используют работающую в промышленной эксплуатации систему извлечения данных, 98% используют хотя бы одну систему, которую не разрабатывали сами; лидируют средства извлечения данных и поиска по файлам OpenAI и Google Vertex AI Search.

Компания может создать собственный стек извлечения данных или использовать систему поставщика либо проект с открытым исходным кодом. Собственный стек даёт команде полный контроль над индексированием и поиском документов, но его необходимо поддерживать по мере изменения моделей и данных. Готовая система может требовать меньше обслуживания, но привязывает извлечение данных компании к функциям, ценам и планам развития этого продукта.

Мы спросили респондентов, какие системы извлечения данных используются в их компаниях в промышленной эксплуатации.

Выборка: 129 ответивших респондентов. Можно было назвать несколько систем, поэтому сумма долей превышает 100%. Июльская выборка: 101 респондент. Выборка для показателя 98% респондентов, использующих систему, которую не разрабатывали сами: 117 респондентов, чьи компании используют работающую в промышленной эксплуатации систему извлечения данных.

Выборка: 74 респондента, назвавших основной платформу, которую они также указали среди используемых. Каждый выбрал один ответ.

По уровню использования в промышленной эксплуатации разрыв между средствами извлечения данных OpenAI и Google Vertex AI Search слишком мал, чтобы делать вывод. Google Vertex AI Search опережает Elasticsearch / OpenSearch, следующую по распространённости систему с показателем 19%, с достаточным отрывом, чтобы это можно было утверждать.

Среди респондентов, назвавших основной платформу, которую они также указали среди используемых, 35% выбрали средства извлечения данных и поиска по файлам OpenAI, а 19% — Google Vertex AI Search; разница слишком мала, чтобы делать вывод. Ни одна другая платформа не была названа основной более чем 10% респондентов.

Доля респондентов, чьи компании используют средства извлечения данных OpenAI, составляла 46% в июле и 45% в августе. Доля использующих Google Vertex AI Search — 41% в июле и 34% в августе. Обе разницы слишком малы, чтобы делать вывод.

Доля респондентов, чьи компании используют собственный стек извлечения данных, разработанный внутри компании, снизилась с 18% в июле до 6% в августе — это реальное изменение. Доля использующих векторную базу данных Qdrant выросла с 7% до 16% — это также реальное изменение.

Что изменилось с июльского Pulse

Вопросы, сравниваемые ниже, в июле и августе задавались одинаково. Если выборка меньше полной — потому что респонденты пропустили вопрос или он относился только к части участников опроса, — в таблице указана меньшая выборка.

Изменения, которые можно считать значимыми

Изменение можно считать значимым, если оно проходит проверку статистической значимости, описанную в методологии.

В августе меньше респондентов, чем в июле, назвали основным источником бизнес-контекста для агентов сочетание источников, меняющееся в зависимости от сценария использования. Также меньше респондентов сообщили об использовании собственного стека извлечения данных, разработанного внутри компании.

В августе больше респондентов назвали основным источником контекста для агентов прямые запросы к работающим системам; больше респондентов используют Qdrant. Среди респондентов, чьи компании используют работающую в промышленной эксплуатации систему извлечения данных, больше тех, кто назвал простоту загрузки данных фактором, сильнее всего повлиявшим на выбор.

Изменения, которые нельзя считать значимыми

Разница слишком мала, чтобы делать вывод: она не проходит проверку статистической значимости, описанную в методологии, поэтому нельзя определить, изменился ли показатель.

Что мы не сравнивали

Мы не сравнивали основные платформы извлечения данных за два месяца. В вопросе нужно было указать одну основную платформу. В июле 18% респондентов назвали несколько вариантов.

В августе 34% респондентов, ответивших на вопрос о системах извлечения данных, назвали основной платформу, которую не указали среди используемых. Ответы ни за один из месяцев не позволяют провести корректное сравнение.

Мы также не сравнивали поставщиков решений для извлечения данных, которых рассматривают респонденты. В августе все респонденты, не планирующие менять платформу, также сообщили, что не рассматривают такую возможность.

В июле лишь 37% респондентов, не планировавших менять платформу, также заявили, что не рассматривают такую возможность. В августе ответы согласуются, а в июле — нет, поэтому мы не сравниваем этот вопрос.

Ниже показан состав респондентов за каждый месяц; ни одна из разниц между месяцами не достаточно велика, чтобы её можно было считать значимой.

Выборка: 101 респондент в июле и 130 — в августе.

Итог: большинство компаний связывали неверные ответы ИИ-агентов с данными своей компании; о сбоях чаще сообщают компании, которые используют, тестируют или создают семантический слой

Среди всех респондентов 64% сообщили о сбое контекста за последние шесть месяцев. Среди компаний, которые используют, тестируют или создают семантический слой, о таком сбое сообщили 78%, против 37% в компаниях, которые только оценивают такую возможность или не планируют внедрение.

При этом доля респондентов, чьи компании используют собственный стек извлечения данных, разработанный внутри компании, снизилась с 18% в июле до 6% в августе. Доля тех, кто назвал основным источником контекста для агентов прямые запросы к работающим системам, выросла с 11% до 21%. Доля рассчитывающих перейти на встроенный стек одного поставщика моделей составляла 12% в июле и 22% в августе; разница слишком мала, чтобы делать вывод.

В следующем выпуске Pulse VentureBeat Intelligence измерит три показателя. Первый — увеличится ли доля компаний, рассчитывающих перейти на стек поставщика моделей, настолько, чтобы изменение можно было считать реальным. Второй — станет ли больше компаний называть семантический слой основным источником бизнес-контекста для своих агентов.

Третий — продолжат ли компании, которые используют, тестируют или создают семантический слой, чаще сообщать о сбоях контекста, чем компании, которые только оценивают такую возможность или не планируют внедрение.

Профиль респондентов

Выборка: 130 респондентов. Каждый выбрал один ответ.

Выборка: 130 респондентов. Каждый выбрал один ответ.

Выборка: 130 респондентов. Каждый выбрал один ответ.

Выборка: 130 респондентов. Каждый выбрал один ответ.

Методология

VentureBeat Intelligence провела этот опрос VB Pulse в августе 2026 года и получила 184 ответа. Из них критериям для включения в этот отчёт соответствовали 139. Девять ответов исключили, поскольку два ответа о собственной организации респондента не могли быть одновременно верными; в итоге осталось 130 участников. Все показатели рассчитаны на основе ответов этих 130 респондентов, если не указана меньшая выборка.

Для июльских показателей использованы выборки, опубликованные для Pulse за июль 2026 года, включая меньшие выборки, указанные в июльском отчёте для отдельных вопросов.

Респонденты — самостоятельно сформировавшаяся группа читателей VentureBeat и участников панельных исследований, а не случайная выборка компаний. Не следует воспринимать эти показатели как точные оценки всего корпоративного рынка. Среди респондентов, описавших свою должность своими словами, были сотрудники приёмных, строительной отрасли и социальной сферы, поэтому некоторые из них работают за пределами технологических подразделений.

В некоторые группы этого отчёта входят менее 40 респондентов: те, кто только оценивает семантический слой или не планирует его внедрение (38 респондентов в августе, 34 в июле; после исключений для вывода 2 — соответственно 34 и 26). Показатели для таких небольших групп менее точны: для группы из 38 человек результат может отклоняться примерно на 15 процентных пунктов в любую сторону от истинного значения.

Разница между двумя процентными показателями — будь то показатели двух групп за один месяц или показатели за июль и август — считается реальной, то есть достаточно значимой для вывода, если статистический тест даёт p<0.05; в противном случае разница слишком мала, чтобы делать вывод. Показатели двух отдельных групп сравниваются с помощью z-критерия для двух долей или точного критерия Фишера, если в любой из групп менее 40 респондентов. Для ранжирования двух ответов одних и тех же респондентов используется точный критерий Мак-Немара, который для вопроса с одним вариантом ответа представляет собой точный биномиальный критерий.