Informatica World 2026: почему ваш AI — самоуверенный стажёр

Этот кейнот с Informatica World 2026 был прочитан Пратиком Парекхом, президентом по управлению продуктом, инженерии данных и AI в Informatica. Конференция прошла в Лас-Вегасе в мае 2026 года. Видео длится около 45 минут и ориентировано на руководителей продуктов и данных в корпоративных организациях.

Что рассматривается

Парекх начинает с провокации: корпоративный AI в 2026 году похож на очень умного стажёра с отличными рекомендациями, только что пришедшего в новую компанию. Стажёр выдаёт уверенные ответы, но они часто оказываются неверными в трудно обнаруживаемых деталях — потому что стажёр не знает таксономии, истории и внутреннего словаря организации. Аналогия прямая, и кейнот строит весь свой аргумент на ней.

Центральный тезис: AI-агенты уже работают на техническом уровне. Модели дееспособны. Что приводит к их провалу в продакшне — не качество модели, а качество данных. А именно: отсутствие чистого, хорошо управляемого организационного контекста. Когда агент не знает, что «клиент» означает разное в системе биллинга и в CRM, или что продуктовая линейка была переименована два года назад, он выдаёт правдоподобно звучащие ответы, которые фактически неверны в отношении вашего бизнеса.

Кейнот описывает подход Informatica: платформа для данных, готовая к работе с AI, которая подготавливает организационные данные для потребления агентами. Демонстрации включают автоматическое обогащение метаданными, отслеживание происхождения для выходных данных AI и средства управления, позволяющие предприятиям определять, к чему агенты могут и не могут получать доступ.

Кому подходит

В первую очередь полезно PM, работающим над корпоративными AI-продуктами или внутренним AI-инструментарием. Кейнот не предполагает технической аудитории — Парекх объясняет концепции доступно — но предполагает знакомость с корпоративными проблемами данных. PM, работающие с потребительскими продуктами, могут найти контекст менее непосредственно применимым.

Ключевые выводы

1. Уверенность AI-агента — не сигнал правильности. Самонадеянность при отсутствии организационного контекста — предсказуемый режим отказа, а не баг в модели.

2. Подготовка данных — это проблема продукта, а не только инженерии. PM, создающие AI-функции, должны учитывать качество и структуру данных, которые AI будет использовать в реальности, — а не только производительность модели на бенчмарках.

3. Управление и контроль доступа — не препятствия для внедрения AI, а предпосылки. Команды, относящиеся к ним как к послесловию, строят AI-функции, которые терпят неудачу способами, разрушающими доверие пользователей.

4. Разрыв между демо и готовой к продакшну AI-функцией нередко является разрывом в данных. Модель, хорошо работающая на чистых, размеченных примерах, может плохо работать на реальных данных организации.

Стоит смотреть, если ваша команда планирует строить AI-функции поверх внутренних корпоративных данных или если вы анализируете, почему предыдущая AI-инициатива не дала ожидаемых результатов в продакшне.