Телеграм канал «Клуб CDO»

Давление на governance идёт с двух сторон.

• Внутреннее: у большинства организаций пока нет отдельного слоя идентификации для агентов, они по прежнему регистрируются как обычные сервисные аккаунты. NIST 17 февраля 2026 года запустил инициативу по стандартам для автономных агентов, отдельно выделив идентификацию, авторизацию и аудит как незакрытые области. Сингапурское IMDA ещё раньше, в январе 2026, выпустило первый в мире governance фреймворк, специально рассчитанный на агентные системы, с обязательной верифицируемой идентичностью для каждого агента.

• Внешнее: регуляторный календарь стал конкретным, хотя и не таким, каким его ожидали месяц назад. Изначально жёсткий срок для высокорисковых ИИ систем по EU AI Act был назначен на 2 августа 2026 года. Однако 7 мая 2026 года на уровне ЕС достигнуто политическое соглашение об отсрочке: обязательства для систем из Annex III переносятся на 16 месяцев, то есть на декабрь 2027 года, а требования по маркировке ИИ контента, статья 50, сдвигаются на три месяца, до 2 декабря 2026 года. Соглашение пока не принято формально, и часть юристов рекомендует готовиться к исходному сроку на случай задержки трилога. Штрафы при этом остаются прежними: до 35 миллионов евро или 7 процентов глобального оборота, что выше потолка GDPR.
Параллельно готовится индийский DPDP Act. С 13 ноября 2026 года становится обязательной интеграция с фреймворком Consent Manager, регулирующим согласие на обработку персональных данных через единый интерфейс. Полное правоприменение стартует 13 мая 2027 года, штрафы достигают 250 крор рупий за нарушение.

Общий вывод из обоих треков одинаков: governance перестаёт быть ежеквартальным комитетом по рискам и становится требованием к рантайму. Разрешение на действие нужно проверять в момент вызова инструмента, а не постфактум на разборе инцидента.

И я думаю, что будет правильно расширить уже охат тем этого канала на такие темы как RAG, AI Governance и тд тк кажется что данные - это фундамент на котором стоит для индустрия ИИ и все и ИИ является мощным драйвером для развития и классических тем типа Data Quality, Data Governance и тд

Технологии GenAI довольно эффективны, но с другой стороны они ставят перед ИТ индустрией много новых технических задач совершенно другого качественного уровня. И самый большой барьер для массового использования GenAI: надежность и гарантированная предсказуемость работы, которая отсутствует by design.

В последнем обзоре Gartner по трендам ИИ доминируют такие темы как agent harness, управление затратами (потому что любая компания хочет не только иметь эффективный бизнес-процесс, но и знать, сколько он стоит, и на его стоимости строить собственную экономику), системы управления контекстом, AI governance и другие мощные тренды, за которыми стоят новые типы ПО и новые платформенные решения.

В 2026 году структура расходов на agentic AI в компаниях сместилась. Крупнейшая статья бюджета по прежнему API фундаментальных моделей, около 28 процентов, и GPU инфраструктура, порядка 22 процентов. Но интеграция и агентные платформы занимают уже 11 процентов, а инструменты для оценки, обсервабилити и FinOps на базе ИИ, 9 процентов, и эта доля продолжает расти. Gartner в Hype Cycle for Agentic AI 2026 фиксирует тот же сдвиг структурно: рядом с базовыми агентными технологиями появляются отдельные профили governance, безопасности и контроля затрат.

Рынок перестал платить за создание агента. Он платит за возможность управлять тысячей агентов, не теряя видимость, контроль над расходами и соответствие требованиям. И AI governance я считаю одним из самых важных трендов, прямо вытекающим из экспертизы управления данными и микросервисами.

AI governance отвечает на несколько ключевых вопросов. Зачем мы используем ИИ и кто за него отвечает. Какие данные мы используем и законно ли это, включая GDPR, банковские регуляции и подобные требования. Как мы убеждаемся, что модель не вредит клиентам и бизнесу. Как мы отслеживаем поведение моделей и вмешиваемся, если что то идёт не так.

У AI governance есть шесть основных элементов.
• Первый: политики и принципы, то есть формальные правила, где можно применять ИИ, где нельзя, и требования к качеству, честности, прозрачности, защите данных.
• Второй: роли и ответственность, кто владелец конкретной модели, кто её утверждает, кто мониторит в проде и кто отвечает перед регулятором и менеджментом.
• Третий: процессы по жизненному циклу ИИ, от идеи до деактивации модели: оценка рисков, согласование, тестирование, валидация, релиз, регулярный ревью, аудит.
• Четвёртый: мониторинг и контроль, логи, метрики, алерты, human in the loop, независимые проверки, то есть тот самый внешний слой: наблюдение за агентами, журналирование действий, детект отклонений от политик.
• Пятый: соответствие закону и стандартам, для финансового сектора это регуляции по кредитованию, AML, рекламе, защите потребителя, EU AI Act, GDPR и подобные, плюс внутренние стандарты компании.
• Шестой: аудит и объяснимость, возможность отмотать назад и показать, какая модель, на каких данных, с какими настройками приняла решение и какие проверки она прошла.

Коллеги, обратите внимание на интересный образовательный контент!

«Разработка BI+AI стратегии» – ежегодный живой онлайн-курс Александра Баракова, Head of BI Авито

📆 5–28 августа • 11 занятий по 2 часа • пн/ср/пт 18:00 (Мск)

AI-стратегии сейчас писать не лучшее время – никто не понимает ничего, кроме вектора. Но BI-стратегию без ИИ уже не собрать. Этот курс – про то, как выстроить работающую программу развития BI и трезво встроить в неё AI с метриками и планом.
В программе курса:
– Self-Service, Reporting Factory и теперь Agentic BI: что ИИ каннибализирует, а где сертифицированный репортинг остается;
– Карго-культы в AI во всех дата-платформах страны: самолёты летающие и соломенные «AI-ассистенты»;
– Data и content management: сертификация, health score, архивация – как не утонуть в собственных витринах и отчётах c приходом AI-слопа;
– Почему text-to-SQL демо работает, а в проде врёт – и причём тут semantic layer, core-витрины и доменный контекст;
– Вайбкодинг в BI-команде: почему это уже обязательный тулинг и «как знать меру»;
– Core слой витрин как «здоровое питание» AI-аналитика вместо фастфуда из 6000 витрин низкого качества;
– Дата-каталоги и глоссарии наконец взлетят – но не для людей, а для AI-агентов;
– Метрики и kill-gates BI и AI-инициатив: как считать честную экономику и вовремя останавливать;
– Разборы живых кейсов из практики участников и топ-компаний.

🎯 На выходе – макет BI+AI стратегии вашей компании: не презентация «про светлое будущее», а рабочий документ с приоритетами, метриками и списком инициатив.
Формат: лайф-занятия с доступом к записи, домашние задания с обратной связью, закрытый чат потока.

Курс для CDO, CDTO, ИТ-директоров, Heads of BI, BI-архитекторов и senior BI-аналитиков, data-менеджеров, Data Governance специалистов, продактов и проджектов в аналитике.

➡️ Забронировать место на курсе – поток 2026

🔥 Для подписчиков Клуба CDO – скидка 10% на курс по промокоду CDOBI26

Наконец-то руки добрались до NotebookLM - а то я давно про него ничего не писал.

Итак, держите гайдлайн с кейсами и промптами для использования в сервисе.

Документ получился объемным - 72 страницы. Промпты специально оставил на английском языке.

Если хотите грузить все сразу в своего агента, в комментарии к посту будет .md - файл.

Дайджест статей

📰 If You Understand These 5 Data Engineering Terms, You're Ahead of 90% of the Industry
🔗 https://medium.datadriveninvestor.com/if-you-understand-these-5-data-engineering-terms-youre-ahead-of-90-of-the-industry-52648e934ee7
💡 Вывод: Пять архитектурных концепций отделяют инженера от оператора инструментов: идемпотентность пайплайнов, network shuffle, ловушка fan-out при join, Medallion-архитектура и semantic layer. Последний становится критичным для AI: text-to-SQL без семантического слоя галлюцинирует на бизнес-метриках, поэтому определение метрик в коде (dbt) важнее prompt engineering.

📰 Как выбрать стратегию работы с большими данными: от хранилища к управляемой архитектуре
🔗 https://habr.com/ru/companies/cloud_x/articles/1057402/
💡 Вывод: Cloud X описывает эволюцию от ODS и DWH к Lakehouse и Streamhouse и вводит понятие гравитации данных: чем больше данных в одной точке, тем сильнее к ней притягиваются сервисы и команды, и тем дороже любое изменение архитектуры. Современный подход: не централизованная реплика всех данных, а распределение по уровням с правилами владения и осознанным выбором места вычислений. Вендорский материал, продвигает собственный Data Lakehouse.

📰 Нейроаналитик в Yandex DataLens: обзор AI-агента для анализа данных
🔗 https://habr.com/ru/articles/1057412/
💡 Вывод: Нейроаналитик 2.0 работает как агент по датасету, а не по готовым чартам, и требует «эталонную вкладку» — набор образцовых визуализаций, по которым AI понимает структуру данных. Качество ответов агента напрямую зависит от качества этой разметки: BI-вендоры перекладывают задачу контекстуализации на пользователя. Лимиты: один датасет, 2000 запросов в месяц на пользователя.

📰 «Мы начали принимать стратегические решения на основе данных»: интервью с АО «Полиэкс» и GlowByte о внедрении PIX BI
🔗 https://habr.com/ru/companies/glowbyte/articles/1057910/
💡 Вывод: Кейс внедрения BI в промышленной компании: путь от базы знаний к десяти дашбордам для руководства начался с наведения порядка в данных, а не с выбора платформы. Триггером закупки стала случайная демонстрация генеральному директору. Рекламный кейс интегратора, метрик эффекта нет.

📰 Четыре истории внедрения ИИ в бизнесе: агент для заявок, RAG по документам и проверка сметы нейросетями
🔗 https://habr.com/ru/articles/1058224/
💡 Вывод: Общий паттерн четырёх кейсов: неструктурированный вход ломает систему раньше, чем модель. Проверка смет разваливается без нормализации синонимов, бот подбора без структурированного каталога превращается в угадывание, RAG деградирует без переиндексации. Второй тезис: система без переданной команде компетенции — это вечный контракт на поддержку, а не решение.

📰 From monolith to Lakebase to LTAP: rethinking the database from storage up
🔗 https://www.databricks.com/blog/lakebase-ltap-rethinking-database-storage
💡 Вывод: Databricks (Рейнольд Синь) описывает архитектуру Lakebase: WAL и файлы данных Postgres выносятся в отдельные сервисы (SafeKeeper, PageServer), compute становится stateless. LTAP идёт дальше: одна копия данных в открытых колоночных форматах для транзакций и аналитики без CDC-пайплайна, в отличие от HTAP объединение происходит на уровне хранения, а не движка. Корпоративный блог, продвигает собственный продукт.

📰 Harness Engineering for AI
🔗 https://dzone.com/articles/harness-engineering-ai
💡 Вывод: Harness engineering — дисциплина построения шести слоёв вокруг модели: контекст, guardrails, инструменты, верификация, обратная связь, наблюдаемость. Ключевой принцип: бюджет и ограничения валидируются в коде до вызова модели, промпт — рекомендация, guardrail — принуждение. Замена модели — одна строка, построение harness — весь проект.