Корпоративный ИИ сталкивается с пробелом в контексте в системах RAG

В 101 компании инфраструктура, которая снабжает бизнес-контекстом ИИ-агентов, создается быстрее, чем успевает завоевать доверие. Генерация с привлечением данных (RAG) уже стала стандартным источником контекста, а встроенные в платформы провайдеров средства поиска незаметно обошли специализированные векторные базы данных, определявшие эту категорию. Тем не менее большинство компаний уже сталкивались с ситуацией, когда их агенты выдавали уверенные, но неверные ответы из-за отсутствия или несогласованности контекста. Управляемый семантический слой становится решением этой проблемы, однако большинство все еще находится на этапе его разработки; сфера движется в сторону гибридного поиска; и даже несмотря на то, что на практике лидируют встроенные инструменты провайдеров, значительная часть респондентов заявляет о намерении сохранить лучшие в своем классе решения (best-of-breed). В результате возникает «разрыв контекста»: агенты звучат авторитетно, но работают на фундаменте, которому их владельцы еще не до конца доверяют.

Эта волна исследования VentureBeat Pulse Research посвящена корпоративным RAG и контекстному слою: тому, чем подпитывается бизнес-контекст ИИ-агентов, какие поисковые системы используют компании, как они их приобретают и оценивают, куда движется эта архитектура и — что показательнее всего — как часто этот контекст уже дает сбои.

Главный вывод исследования — наличие разрыва контекста: это дистанция между тем, с какой уверенностью агенты компаний дают ответы, и тем, насколько надежен скрывающийся за ними контекст. Большинство предприятий (57%) сообщают, что за последние шесть месяцев их ИИ-агенты выдавали уверенные, но неверные ответы, причиной которых стало отсутствие или несогласованность бизнес-контекста, причем более половины из них заявили, что это происходило неоднократно. Это не единичный сбой: поиск является основным источником контекста для 38% компаний (больше, чем любой другой подход), поэтому, когда поиск оказывается поверхностным или непоследовательным, порождаемые им ошибки подрывают авторитет самого агента. Инфраструктура для исправления ситуации уже создается — 58% респондентов уже внедрили или строят управляемый семантический слой, но для большинства он еще не запущен в продакшн.

В основе своей рынок консолидируется неожиданным образом. Встроенные поисковые системы от провайдеров — поиск по файлам от OpenAI (40%) и Vertex AI Search от Google (38%) — уже опережают все специализированные векторные базы данных, и компании ожидают, что к концу 2026 года доминировать будет гибридный поиск (34%). Тем не менее значительная доля респондентов (36%) заявляет о намерении сохранить лучшие в своем классе автономные инструменты вместо того, чтобы переходить на нативный стек контекста какого-либо провайдера, а большинство (57%) планирует сменить или добавить провайдера в течение года. Заявленные предпочтения и реальное использование движутся в противоположных направлениях: рынок закупает встроенные решения провайдеров, одновременно настаивая на стремлении к независимости.

Этот отчет является одним из пяти в рамках исследования стека агентных систем VentureBeat Research за второй квартал. Контекст — это элемент контроля, который дает сбой незаметно: 57% респондентов связали уверенные и неверные ответы агентов со своими собственными неуправляемыми бизнес-данными. В кратком обзоре «VentureBeat Research: Where enterprise AI agent governance hasn’t caught up» этот вывод помещен в контекст общей картины.

Методология

VentureBeat провела этот опрос в рамках своей продолжающейся серии Pulse Research. В центре внимания находились корпоративная RAG-инфраструктура и контекстный слой — поисковые системы, семантические слои и источники контекста, обеспечивающие работу ИИ-агентов. Ответы отфильтрованы по организациям с численностью персонала более 100 человек (n=101); от организаций с меньшим штатом ответов получено не было, поэтому вся выборка соответствует критериям отбора. Все ответы получены в ходе одной волны во втором квартале 2026 года (июнь), поэтому отчет носит кросс-секционный характер и не предполагает анализа динамики месяц к месяцу. Некоторые вопросы подразумевали выбор нескольких вариантов ответа, поэтому их суммы могут превышать 100%.

По размеру организаций выборка сосредоточена в среднем сегменте: лидируют компании с числом сотрудников 251–1000 (31%) и 101–250 (31%), за ними следуют 1001–5000 (20%), 5001–10 000 (12%) и более 10 000 (7%). По ролям респонденты распределились между менеджерами (39%), рядовыми сотрудниками (27%), высшим руководством (16%), а также вице-президентами и директорами (14%); с точки зрения покупательной способности выборка обладает авторитетом в принятии решений: 46% принимают финальное решение и еще 26% выступают в роли советников или лиц, влияющих на решения. Технологии/программное обеспечение — крупнейшая отрасль (20%), за ней следуют здравоохранение и науки о жизни (11%), а также широкий спектр компаний из сфер ритейла, транспорта, финансовых услуг, производства и образования.

При 101 респонденте это скромная выборка, которую следует воспринимать как указатель направления, а не как точное измерение; она сформирована по принципу самоотбора и не является вероятностной выборкой. Ее лучше всего рассматривать как взгляд организаций, которые активно развертывают RAG и контекстную инфраструктуру, а не крупнейших операторов рынка.

Вывод 1: Уверенно и неверно

Более половины респондентов столкнулись с ошибками агентов из-за плохого контекста

Мы задали вопрос, приходилось ли компаниям за последние шесть месяцев сталкиваться с тем, что ИИ-агент давал уверенный, но неверный ответ из-за отсутствия или несогласованности бизнес-контекста. Большинство ответили утвердительно.

Это ключевой показатель отчета. Большинство предприятий (57%) уже сталкивались с тем, что ИИ-агент выдавал уверенный, но неверный ответ, причиной которого стал плохой контекст — неверные метрики, устаревшие определения или недостающие документы, — причем более половины из них наблюдали это неоднократно. Лишь 28% сообщают об отсутствии таких сбоев, а небольшая оставшаяся часть либо не использует агентов для работы с корпоративными данными, либо не проводит детальный анализ первопричин.

Характер сбоя специфичен и опасен: модель не просто галлюцинирует; она действует с полной уверенностью в своей правоте, поскольку питающий ее контекст оказался поверхностным или противоречивым. Все остальное в этом отчете — то, какие данные извлекают компании, как они ими управляют и что планируют строить — является производной от этой проблемы.

Вывод 2: RAG — стандартный источник контекста

Поиск обеспечивает контекстом больше агентов, чем любой другой метод

Мы спросили, что в первую очередь используют ИИ-агенты предприятий для понимания своих данных. Поиск лидирует с большим отрывом.

Поиск является основой корпоративного контекста. Для 38% организаций RAG по документам или векторному индексу выступает основным способом понимания бизнес-процессов для агентов — это почти в два раза превышает долю следующего подхода, управляемого семантического слоя или онтологии (21%). Смешанные подходы (14%), прямые запросы к рабочим системам (10%) и загрузка длинного контекста (6%) дополняют картину, и лишь 2% позволяют агентам опираться исключительно на общие знания модели. Эта концентрация важна в свете Вывода 1: поскольку львиная доля корпоративного контекста проходит через механизмы поиска, качество этого поиска определяет качество ответа. Когда RAG является источником по умолчанию, поверхностный поиск — это не частный случай, а главная зона уязвимости.

Один подход примечателен своим отсутствием в этих ответах: кастомизация весов моделей, также известная как дообучение (fine-tuning). Каждый ведущий источник бизнес-контекста внедряется во время выполнения задачи (run time). Наше самое свежее прямое измерение дообучения получено в ходе апрельско-майской волны опроса (отдельное исследование, n=136), где возможности дообучения заняли последнее место из шести факторов при выборе моделей с показателем 5% — даже несмотря на то, что 26% респондентов из той выборки все еще назвали дообучение и кастомизацию инвестициями, рост которых они ожидают. Дообучение отошло на второй план в дискуссиях о первичном выборе; внедрение контекста — это то, как компании делают агентов осведомленными о своем бизнесе.

Вывод 3: Встроенный поиск провайдеров уже опережает векторные базы данных

Поиск по файлам от OpenAI и Vertex AI Search лидируют среди специализированных инструментов

Мы спросили, какие поисковые системы компании используют в продакшне сегодня. Ответ свидетельствует в пользу провайдеров моделей и гиперскейлеров, а не узких специалистов.

Специализированная векторная база данных больше не находится в центре RAG-стека. Поиск по файлам от OpenAI (40%) и Google Vertex AI Search (38%) занимают лидирующие позиции — это нативный поиск от провайдеров и гиперскейлеров, опережающий все специализированные векторные хранилища. Среди специализированных решений наиболее популярны те, которые компании уже используют для других целей (Elasticsearch/OpenSearch, 20%), а также встроенный открытый вариант (pgvector, 12%); специализированные векторные базы данных, определяющие саму категорию — Weaviate, Qdrant, Pinecone, Milvus — набирают от однозначных до низких двузначных показателей. Примечательно, что 13% предприятий заявляют, что до сих пор не используют RAG в продакшне. Как и в случае с платформами в параллельной волне инфраструктуры, компании тяготеют к поиску, который поставляется в комплекте с уже приобретаемыми ими инструментами.

Эта тенденция подтвердилась в обеих волнах второго квартала. В апреле–мае (n=161) поиск, созданный провайдерами, также лидировал по использованию, в то время как все специализированные векторные базы данных оставались маргинальными (самая популярная автономная векторная база данных набрала максимум 8% в той выборке), а гибридное, плюралистическое будущее уже было консенсусным ожиданиям (34% ожидали доминирования гибридного поиска, а еще 29% — использования нескольких архитектур в зависимости от сценария). Две волны показали одинаковую картину: категория, которая ввела сам термин «векторная база данных», поглощается платформами, у которых компании уже делают закупки.

Вывод 4: Но компании заявляют о желании сохранить лучшие в своем классе решения

Значительная часть респондентов сопротивляется консолидации вокруг нативного стека провайдера

Мы спросили, как компании отреагируют на объединение провайдерами моделей поиска, памяти и оркестрации в единые платформы. Их заявленные намерения противоречат текущему использованию.

Здесь кроется ключевое противоречие этого стека. Несмотря на то, что нативный поиск от провайдеров лидирует на практике (Вывод 3), значительная часть предприятий (36%) заявляет о намерении сохранить лучшие в своем классе автономные инструменты, а не переходить на нативный контекстный стек провайдера — это существенно опережает 21% тех, кто планирует консолидацию. Еще 21% ожидают смешанного подхода, а 9% намерены построить и контролировать этот слой самостоятельно. Разрыв между тем, что используют компании, и тем, чего они, по их словам, хотят — это стратегический вопрос категории: они внедряют встроенный поиск ради удобства, одновременно заявляя о сохранении независимости. Какой импульс победит — притягательность комплексного предложения провайдера или заявленное предпочтение модульного контроля — определит развитие рынка поиска сильнее, чем любой отдельный инструмент.

Вывод 5: Гибридный поиск — ставка, ставшая консенсусом

Исключительно векторный поиск уже считается недостаточным

Мы спросили, какая поисковая архитектура, по ожиданиям компаний, будет доминировать в их продакшн-системах RAG к концу 2026 года. Сфера приходит к единому мнению, хотя значительная часть респондентов все еще не уверена.

Архитектура склоняется к гибридным решениям. Треть респондентов (34%) ожидают, что к концу 2026 года в их производственных системах будет доминировать гибридный поиск (эмбеддинги в сочетании с переранжированием и контролем доступа), что в три раза превышает показатель тех (11%), кто рассчитывает на преобладание исключительно векторного поиска. Это заметный сигнал: подход на основе чисто векторного поиска, положивший начало всей категории, уже воспринимается как недостаточный сам по себе и вытесняется конвейерами, в которых добавлено переранжирование для точности и контроль доступа для обеспечения безопасности — то есть те самые средства контроля доступа, отсутствие которых порождает сбои из Вывода 1. Показательно, что второй по популярности ответ — это неопределенность: 17% просто не знают, а еще 14% рассчитывают полностью отказаться от выделенного векторного слоя в пользу поиска на базе инструментов или длинного контекста. Консенсус заключается не в выборе какого-то одного инструмента, а в многоуровневом конвейере, который еще не окончательно сформирован.

Вывод 6: Управляемый контекстный слой создается уже сейчас

Большинство использует или строит семантический слой, но немногие довели дело до продакшна

Мы спросили, используют ли компании управляемый семантический или контекстный слой, чтобы дать агентам и BI-системам общее понимание своих данных. Большинство находится на этом пути, но меньшинство дошло до цели.

Решение проблемы разрыва контекста находится в стадии реализации. Значительно больше половины предприятий (58%) либо используют управляемый семантический слой в продакшне (25%), либо проводят его пилотирование и разработку (34%), а еще 17% находятся на этапе активной оценки — то есть три четверти респондентов так или иначе вовлечены в эту концепцию. Однако баланс показателен: строящих решение больше, чем внедривших его, поэтому для большинства компаний общий управляемый слой определений, который предотвратил бы «уверенные, но неверные» сбои из Вывода 1, все еще остается незавершенной задачей. Семантический слой — это ответ индустрии на непоследовательный контекст; эта волна опроса застает его в процессе создания, когда амбиции значительно опережают продакшн.

Вывод 7: Покупают ради загрузки и простоты, контролируют ради точности

При выборе ценятся возможности эксплуатации, при мониторинге — точность и безопасность

Мы спросили, что имеет наибольшее значение при выборе поисковой системы и что отслеживается после ее запуска. Оба подхода носят прагматичный характер.

Компании выбирают поисковые системы исходя из удобства их эксплуатации. Простота загрузки данных (36%), задержка и производительность (32%), а также эксплуатационная простота (29%) лидируют среди критериев отбора, опережая точность поиска и контроль доступа (по 23%) — два фактора, наиболее тесно связанных со сбоями из Вывода 1. После запуска систем акцент смещается в сторону доверия: наиболее отслеживаемыми метриками являются корректность ответов (42%), а также безопасность и контроль доступа (38%), опережая задержку (28%), эксплуатационную стабильность (27%) и релевантность ответов (23%).

Удовлетворенность текущими системами умеренно положительная, но без энтузиазма: по пятибалльной шкале общая удовлетворенность составляет в среднем 4,0, а простота внедрения и соотношение цены и качества находятся около отметки 3,9. Компании приобретают системы за то, насколько легко они работают, и следят за ними, чтобы понять, можно ли им доверять.

Вывод 8: Ожидается перестановка сил в сфере поиска

Большинство планирует сменить провайдеров, и интерес к векторным специалистам растет

Мы спросили, планируют ли компании менять или добавлять провайдера поиска и кого именно они рассматривают. Набор рассматриваемых вариантов отличается от текущего стека.

Стек поисковых систем еще не устоялся. Хотя 43% не планируют никаких изменений, небольшое большинство (57%) намерено сменить или добавить провайдера в течение двенадцати месяцев, а четверть (26%) — в следующем квартале. Самое интересное кроется в рассматриваемых вариантах: нативный поиск провайдеров по-прежнему лидирует среди того, что оценивают компании (OpenAI — 22%, Vertex AI Search — 21%), однако специалисты по открытым векторным базам данных демонстрируют показатели выше их текущей доли — Qdrant (14%) и Milvus (13%) привлекают больше интереса к переходу, чем можно было бы предположить на основе их текущего использования (10% и 6%). В сопоставлении с Выводом 4 вырисовывается картина рынка в состоянии нестабильности: сегодня компании используют встроенные решения провайдеров, оценивают более широкий круг систем и заявляют о желании сохранить свободу выбора. Предстоящая перестановка сил покажет, выживет ли стремление к лучшим в своем классе решениям при столкновении с удобством комплексных пакетов.

Организации с численностью штата более 100 человек интегрируют агентов в бизнес быстрее, чем могут гарантировать качество контекста, на котором эти агенты работают. Поиск является основным источником корпоративного контекста и все чаще поставляется провайдерами моделей и гиперскейлерами, а не специализированными векторными базами данных, однако большинство компаний уже сталкивались с тем, что агенты давали уверенные, но ошибочные ответы из-за поверхностного или несогласованного контекста. Этот сбой не является экзотичным; это предсказуемый результат использования авторитетно звучащих агентов на ненадежном фундаменте.

Ответ индустрии — управляемый семантический слой, гибридный поиск с переранжированием и контролем доступа — создается, но в основном еще не запущен в продакшн, а компании разрываются между удобством нативных пакетов провайдеров и заявленным предпочтением независимости лучших решений. При выборке в 101 респондента в рамках одной волны второго квартала это указатель направления, смещенный в сторону среднего бизнеса, но направление очевидно: контекстный слой — это следующий оспариваемый рубеж в стеке ИИ, и прямо сейчас агенты опережают его развитие. Разрыв контекста — это не проблема объема поиска, которую можно решить простым добавлением документов или увеличением индексов; это проблема управляемого, согласованного и учитывающего права доступа контекста. Открытым вопросом для будущих волн остается то, успеют ли компании завершить создание этого слоя до того, как уверенные, но неверные ошибки перекочуют из лаборатории в принятие реальных решений.

Основано на ответах 101 квалифицированного респондента из корпоративного сектора (более 100 сотрудников), полученных в ходе единичной волны во втором квартале 2026 года (июнь). При таком размере выборки результаты следует рассматривать скорее как индикатор направления, чем как точное измерение — это выборка на основе самоотбора, а не вероятностная выборка, со смещением в сторону среднего бизнеса. Среди респондентов — менеджеры, рядовые сотрудники, вице-президенты/директора и высшее руководство, обладающие значительными полномочиями в сфере закупок, представляющие сферы технологий, здравоохранения, розничной торговли, транспорта, финансовых услуг, производства и образования.