Новости

Xebia: без правильной работы с данными AI‑агенты не смогут эффективно работать

Обновлено: 27 июня 2026 г.

Почему это важно

Материал сигнализирует, что внедрение AI‑агентов упирается не столько в сами модели, сколько в готовность данных и инфраструктуры. Для компаний это может означать смещение фокуса инвестиций и усилий с разработки агентов на подготовку каталогов данных и платформ, способных обслуживать агентные системы. Подход Xebia с Agentic Data Foundation укладывается в более широкий тренд интеграции AI прямо в архитектуру данных и инженерные процессы.

Внедрение AI‑агентов для ускорения бизнес‑процессов должно начинаться с подготовки данных, которые будут доступны для использования системами ИИ. Об этом рассказал Niels Zeilemaker, global CTO в Xebia. По его словам, масштабирование agentic AI напрямую зависит от качества данных: даже хорошо разработанный агент может работать некорректно, если не способен найти нужные данные, неправильно их интерпретирует или объединяет поля, которые не должны быть связаны. В таких случаях проблема связана не с самим агентом, а с неподготовленной инфраструктурой данных.

Одной из ключевых областей Zeilemaker называет каталогизацию данных. Если каталог создаётся для людей, всегда остаётся возможность уточнить детали у коллег. У AI‑агентов такой возможности нет: они опираются только на записи в каталоге. Если описание данных неточное, агент не сможет корректно выполнять задачи.

Xebia продвигает подход Agentic Data Foundation (ADF), который расширяет платформу данных так, чтобы она могла размещать AI‑агентов и использовать их как во внешних сервисах для клиентов, так и во внутренних процессах. Опыт компании в этой области лёг в основу решения Xebia Axis: Agentic Data Foundation, предназначенного для более быстрой подготовки корпоративных данных к работе с ИИ. На мероприятии AI & Big Data Expo Zeilemaker рассказывал о подходе к объединению разрозненных ландшафтов данных и о том, как сочетание purpose-built AI agents и инженерной экспертизы позволяет сократить сроки проектов с 12- to 24-month timeline до фиксированного этапного формата работы.

Ещё один инструмент компании, Xebia ACE: AI-Native Software Engineering, фреймворк, который внедряет AI во весь lifecycle разработки программного обеспечения (SDLC). По словам Zeilemaker, при корректном применении это может ускорить поставку решений до 40% и снизить стоимость трансформации legacy‑систем до 70%. Подобные темы компания также обсуждала на TechEx Global North America, где делилась опытом разработки и внедрения решений в области Data and AI.

Ключевые факты

Niels Zeilemaker, global CTO в Xebia, заявил, что AI‑агенты могут ошибаться или неправильно интерпретировать данные, если организация не подготовила корректную основу данных и каталогизацию.
На AI & Big Data Expo Zeilemaker рассказал о подходе к созданию AI‑фундамента и объединению фрагментированных ландшафтов данных с использованием концепции Agentic Data Foundation (ADF).
Xebia представила решение Xebia Axis: Agentic Data Foundation, расширяющее платформу данных для размещения AI‑агентов и их использования во внутренних процессах и клиентских сценариях.
Фреймворк Xebia ACE: AI‑Native Software Engineering, по словам компании, может ускорять delivery до 40% и снижать стоимость трансформации legacy‑систем до 70%.