
ГОТОВА ЛИ IT-АРХИТЕКТУРА ПРЕДПРИЯТИЯ К ВНЕДРЕНИЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА?
Как подготовить IT-архитектуру предприятия к внедрению искусственного интеллекта? Разбираем требования к интеграции систем, качеству данных, безопасности и работе AI-агентов.
61% IT-руководителей крупных компаний ожидают серьёзного пересмотра корпоративной IT-архитектуры в ближайшие три года. К такому выводу пришла Accenture в исследовании CIO Pulse за ноябрь 2026 года. Развитие искусственного интеллекта заставляет бизнес пересматривать принципы взаимодействия информационных систем, управления данными и построения технологической инфраструктуры.
Предприятия изучают возможности ИИ для прогнозирования спроса, управления запасами, оптимизации производства и автоматизации корпоративных процессов. Однако внедрение современной AI-платформы ещё не гарантирует результата.
Одна из причин связана с существующей IT-архитектурой. Корпоративные системы создавались в разное время, под разные задачи и не всегда предусматривают полноценный обмен информацией. Пока данные остаются разрозненными, возможности искусственного интеллекта ограничены.
ПОЧЕМУ РАЗВИТИЕ ИИ ТРЕБУЕТ ПЕРЕСМОТРА IT-АРХИТЕКТУРЫ
В ноябрьском исследовании CIO Pulse международная консалтинговая и технологическая компания Accenture опросила 300 IT-руководителей из 16 стран и 19 отраслей. Участники представляли компании с годовой глобальной выручкой более $1 млрд.
61% респондентов ожидают существенной трансформации или полного пересмотра корпоративной IT-архитектуры в ближайшие три года. При этом только 27% включили архитектуру AI-агентов в текущие планы преобразований.
Эти показатели поднимают вопрос: учитывают ли текущие планы модернизации требования будущих проектов с AI-агентами? Само по себе отсутствие архитектуры агентов в плане ещё не означает, что компания не готова к их внедрению: такие проекты могут быть запланированы на более поздний срок.
Традиционная IT-архитектура предприятия обычно строилась вокруг отдельных систем и бизнес-функций. ERP отвечает за управление ресурсами, CRM поддерживает взаимодействие с клиентами, MES обеспечивает управление производственными операциями, а SCADA используется для мониторинга и управления технологическими процессами.
Каждая система выполняет собственные задачи. Но для работы искусственного интеллекта зачастую необходима информация сразу из нескольких источников.
Например, для прогнозирования потребности в материалах нужно учитывать производственные планы, текущие складские остатки, открытые заказы поставщикам и фактическое потребление ресурсов. Если эти сведения хранятся отдельно, имеют разные форматы или обновляются с задержкой, качество прогноза может снижаться.
ПРАКТИЧЕСКИЙ ПРИМЕР: ИИ ДЛЯ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ЗАПАСАМИ
Рассмотрим условное производственное предприятие, которое хочет точнее планировать закупки и сократить избыточные запасы.
Для расчёта потребности недостаточно знать, сколько материала осталось на складе. Нужно учитывать производственный план, фактическое потребление, уже размещённые заказы и ожидаемые поставки. Эти сведения находятся в разных системах.
Допустим, в ERP материал записан под одним кодом, а на складе - под другим. Без сопоставления справочников аналитическая система может не учесть доступный остаток и завысить потребность в закупке. Если данные о потреблении поступают с задержкой, прогноз будет опираться на устаревшую картину.
Поэтому подготовка начинается с проверки источников: где хранится нужная информация, как часто она обновляется, как связаны записи в разных системах и кто отвечает за их достоверность. Затем специалисты согласовывают справочники, настраивают обмен и проверяют полноту данных.
Иногда для этого достаточно доработать существующие интеграции. Если нужная история не сохраняется или системы не поддерживают требуемый обмен, потребуется менять способ сбора и хранения информации.
КАКИЕ ЭЛЕМЕНТЫ IT-АРХИТЕКТУРЫ ОСОБЕННО ВАЖНЫ ДЛЯ ИИ
Интеграция корпоративных систем
Современное предприятие может использовать десятки информационных решений. Однако наличие большого количества автоматизированных процессов ещё не означает, что системы способны эффективно обмениваться данными.
ИИ должен получать данные с той частотой, которая нужна для выбранной задачи. Для периодического планирования закупок и оперативного анализа производства требования будут различаться.
Нужно проверить, как системы передают информацию, что происходит при сбое обмена и как специалисты узнают об ошибке. Также должна сохраняться возможность установить, из какого источника поступили данные и когда они обновлялись.
Качество и согласованность данных
Техническое подключение к системе ещё не делает её данные пригодными для анализа. Дубли записей, разные единицы измерения, пропуски в истории и несовпадающие временные метки могут искажать расчёты.
Для каждого источника нужны правила проверки и ответственный за исправление ошибок. Иначе команда будет регулярно возвращаться к ручной очистке информации.
Гибкость и масштабируемость
После первого проекта компания может захотеть использовать ИИ в других подразделениях или на дополнительных площадках. Если каждая интеграция создавалась только под одну задачу, расширение потребует новых доработок.
При проектировании стоит определить, какие подключения, справочники и механизмы контроля можно будет использовать повторно. Модульный подход, стандартизированные интерфейсы и повторное использование компонентов позволяют уменьшить такую зависимость.
Масштаб инфраструктуры при этом должен соответствовать реальным планам предприятия.
Информационная безопасность
С внедрением AI-агентов возникает дополнительный вопрос: какие действия система может выполнять самостоятельно?
Одно дело, когда ИИ анализирует остатки и предлагает сформировать заказ. Другое, когда агент получает возможность создавать документы в ERP, изменять данные или инициировать операции.
Во втором случае необходимы разграничение прав, журналирование действий, механизмы согласования и возможность остановки ошибочных операций.
Особенно внимательно следует проектировать интеграции с производственными системами. Доступ аналитических решений к технологическим данным должен учитывать требования безопасности и устойчивости промышленной инфраструктуры.
ЧТО ДОПОЛНИТЕЛЬНО НУЖНО ДЛЯ AI-АГЕНТОВ
Прогнозная модель рассчитывает потребность в материалах. AI-агент может использовать этот расчёт, подготовить заявку в ERP и передать её сотруднику на согласование. Поэтому, помимо качества данных и интеграций, для него нужно предусмотреть контроль выполняемых операций.
Для такого сценария необходимо определить последовательность действий агента, разрешённые операции и способ сохранения информации о ходе задачи.
В исследовании CIO Pulse Accenture рекомендует закладывать три компонента архитектуры агентов во время общей модернизации IT:
- Оркестрация - определяет последовательность действий агента и его взаимодействие с корпоративными системами.
- Управление доступом - ограничивает данные и операции, с которыми агент может работать.
- Память и контекст - сохраняют сведения о ходе задачи, выполненных действиях и состоянии процесса.
Например, если работа агента прервалась при подготовке заявки на закупку, при повторном запуске необходимо проверить, был ли документ уже создан. Без такой проверки агент может создать повторную заявку.
По оценке Accenture, предусмотреть эти компоненты в ходе архитектурной трансформации значительно дешевле, чем добавлять их позднее. Если компания планирует внедрять агентов, эти требования стоит включить в текущий проект модернизации.
НУЖНО ЛИ МЕНЯТЬ ВСЮ IT-АРХИТЕКТУРУ
Объём изменений зависит от задачи и состояния действующих систем. Для анализа закупок может оказаться достаточно наладить обмен между ERP и складским учётом, сопоставить справочники и организовать проверку данных. Для работы на нескольких производственных площадках или выполнения операций AI-агентами могут потребоваться дополнительные компоненты.
Архитектурное обследование помогает определить этот объём до выбора платформы. Команда изучает системы, источники данных и ограничения, затем составляет план изменений под выбранный сценарий. Стоимость этих работ нужно сопоставить с ожидаемым результатом для бизнеса.
Пять вопросов перед началом проекта
1. Какую задачу решаем? Какой процесс должен измениться и по каким показателям будет оцениваться результат?
2. Какие данные нужны? Где они находятся, достаточно ли истории и кто отвечает за их качество?
3. Как организован обмен? Получит ли решение данные с нужной частотой и что произойдёт при сбое?
4. Что разрешено ИИ? Какие операции доступны системе, какие требуют согласования и как проверяются действия?
5. Как будем расширять решение? Какие компоненты можно использовать для других задач и подразделений?
Ответы помогут определить, какие системы и данные предприятие может использовать уже сейчас, какие доработки потребуются и что должно войти в бюджет проекта. Такая оценка позволит сопоставить затраты на подготовку инфраструктуры с ожидаемым результатом внедрения ИИ.


