Конец истории МДМ?

В 2021 году Gartner выпустил свой последний Magic Quadrant для Master Data Management (MDM), по сути подтвердив, что технология достигла плато продуктивности. MDM перешёл из категории «хорошо бы иметь» в разряд «must-have». Перефразируя Фрэнсиса Фукуяму, это ознаменовало «конец истории» для MDM — зрелой и устоявшейся дисциплины.

Однако всего год спустя запуск ChatGPT взорвал рынок, сделав технологии искусственного интеллекта широко доступными для общественности. В последующие годы Генеративный ИИ (GenAI) стал одной из самых обсуждаемых тем среди технологических лидеров. Сегодня вопрос уже не в том, стоит ли внедрять GenAI, а в том, как правильно и эффективно интегрировать его в бизнес-процессы.

Важно отметить, что прорывные технологии неизбежно заставляют устоявшиеся практики пересматривать свою роль. Сквозные инновации вроде GenAI часто прямо или косвенно влияют на эти практики. Для зрелых областей как MDM это требует чёткого позиционирования: определения своего места в меняющемся технологическом ландшафте и переосмысления роли для сохранения актуальности и бизнес-ценности.

Эффект FOMO (Fear of Missing Out) уже налицо: организации стремятся не отставать, но часто не знают, как действовать.

Эта статья призвана дать Data & Analytics-лидерам практические рекомендации и подчеркнуть критические факторы для адаптации как существующих, так и будущих MDM-программ к новым реалиям и возможностям, которые приносит GenAI.

GenAI: современный ландшафт

Прежде чем переходить к рекомендациям, важно установить текущее состояние Генеративного ИИ (GenAI). Следующие ключевые моменты обеспечивают основу для дальнейшего анализа:

• Определяющая особенность GenAI — его способность генерировать совершенно новый контент, а не просто анализировать или прогнозировать на основе существующих данных. Именно эта способность порождает высокие ожидания и широкий интерес к технологии. В то же время она создаёт значительные вызовы, связанные с непредсказуемым поведением моделей и сложностью интерпретации результатов.
• GenAI — это сквозная технология. Хотя он не решает бизнес-задачи напрямую, он может значительно усилить существующие решения, служа катализатором повышения эффективности.
• Основной кейс для GenAI сегодня — интеллектуальные ассистенты для сотрудников. Полностью автономные приложения остаются редкостью из-за связанных с ними рисков.
• GenAI — это не одна технология, а скорее набор ИИ-моделей и инструментов, которые работают с различными типами контента — включая текст, изображения, код и многое другое.
• Рынок предлагает широкий спектр готовых к использованию моделей и задокументированных кейсов. Однако зрелая методология оценки зрелости и эффективности GenAI-проектов всё ещё отсутствует.

GenAI и MDM

При оценке влияния GenAI на MDM важно чётко заявить, что эти технологии не конкурируют. Они различаются по природе, назначению и применению, но при этом оба являются важными компонентами современной архитектуры данных. Именно поэтому их следует рассматривать в контексте взаимного усиления — как технологии, которые могут укреплять друг друга.

Чтобы оценить воздействие и взаимодействие между GenAI и MDM способом, который поддерживает практическую реализацию, важно установить два ключевых допущения, которые лежат в основе последующего анализа:

1. Организация уже имеет (или активно развивает) MDM-программу. Соответственно, рекомендации предназначены в первую очередь для Data & Analytics-лидеров, ответственных за формирование и развитие этих программ.
2. Анализ учитывает текущий уровень зрелости технологий, доступных на рынке сегодня, а также тех, которые с высокой вероятностью станут доступны в ближайшем будущем.

Такой подход позволяет перейти от абстрактных дискуссий к практическим сценариям и действенным рекомендациям, актуальным для сегодняшнего ландшафта корпоративной архитектуры данных.

Для этого мы рассмотрим три основных вопроса:

1. Как GenAI может усилить MDM-программы?
2. Как MDM может повысить эффективность GenAI-инициатив?
3. Как организации могут раскрыть синергетический потенциал обеих технологий?

Усильте свою MDM-программу с помощью GenAI

Data & Analytics-лидеры всё чаще сталкиваются с необходимостью принятия двухтрековых стратегий: с одной стороны, продолжение развития зрелых и проверенных решений, с другой — взгляд в будущее и оценка потенциала новых технологий. Это особенно актуально для MDM, где важно как поддерживать текущую бизнес-ценность, так и выявлять новые направления для инноваций.

Рекомендуемый подход зависит от роли MDM в вашей организации и доступного бюджета:

Если ваш бюджет ограничен, а MDM играет вспомогательную роль

Сосредоточьтесь на использовании новых возможностей, которые добавляют вендоры в ваши существующие MDM-инструменты. Большинство ведущих вендоров уже представили GenAI-функции. Области с наивысшим потенциалом включают:

• Улучшение качества данных (дедупликация, сопоставление)
• Категоризация и семантический анализ
• Поддержка стюардов данных через интеллектуальных ассистентов
• Генерация правил, моделей, описаний и т.д.

При этом критически важно активно отслеживать технологические тенденции и опыт лидеров индустрии, чтобы быть готовыми к переходу на более проактивную и агрессивную GenAI-стратегию, как только зрелость и актуальные кейсы совпадут с вашими потребностями.

Если MDM — стратегическая возможность и ваш бюджет позволяет

Рассмотрите запуск параллельного GenAI-ориентированного трека разработки. Сбалансируйте усилия следующим образом:

• Выделите 2/3 ресурсов на развитие основной MDM-платформы (интеграция функций от вендоров, улучшение процессов и обеспечение стабильной ценности)
• Выделите 1/3 ресурсов на пилотные проекты и эксперименты на основе консервативно приоритизированного списка кейсов, где оценены потенциальная ценность, риски и масштабируемость

Такой подход позволяет инновации без ущерба для стабильности текущей MDM-среды и обеспечивает бизнес-ценность на каждом этапе.

Лучшие практики при выборе кейсов для GenAI-пилотов:

• Выбирайте инициативы, которые решают реальные бизнес-проблемы, а не просто демонстрируют технологию

• Оценивайте не только выгоды, но и риски и затраты на внедрение, особенно в масштабе

• Развивайте экспертизу MDM-команды в применении GenAI: обеспечьте передачу знаний от ИИ-команд

• Относитесь к каждому эксперименту как к возможности нарастить опыт для лучшего управления будущими GenAI-программами

На что обратить внимание?

• GenAI-инфраструктура может стать основным драйвером затрат. Если у вашей организации уже есть ИИ-стек, используйте его. Если нет, тщательно оцените общую стоимость владения при планировании масштабируемых GenAI-инициатив.
• Управляйте затратами, рисками и бизнес-ценностью. Одна из самых частых причин, по которой GenAI-инициативы терпят неудачу в реальных сценариях — это разрыв между техническим экспериментированием и бизнес-применимостью, особенно когда риски недооцениваются или плохо коммуницируются в масштабе.

Усильте свои GenAI-инициативы с помощью MDM

MDM следует рассматривать не только как цель для улучшений на основе GenAI, но и как ценный катализатор GenAI-инициатив. Во многих организациях GenAI-проекты сталкиваются с общими вызовами, такими как:

• Низкое качество исходных данных

• Отсутствие размеченных или референтных датасетов

• Сложности с соблюдением требований безопасности и регулирования

Эти вызовы хорошо известны в MDM-программах и часто уже решаются. Интеграция GenAI с MDM может значительно улучшить надёжность, предсказуемость и масштабируемость GenAI-решений.

Как MDM может помочь GenAI?

• Улучшает точность и доверие к выводам GenAI — например, предоставляя согласованные и валидированные данные в RAG-сценариях

• Обогащает семантику — поставляя описания, контекст и связи

• Предоставляет референтные данные — для тонкой настройки моделей или валидации после обучения

• Стандартизирует терминологию — через глоссарии и модели данных

• Обеспечивает контроль доступа и защиту данных — помогая снизить риски утечки данных и несоответствия в GenAI-кейсах

Два практических паттерна интеграции:

Использование MDM-данных для обучения GenAI

MDM служит доверенным, структурированным источником данных, который может подаваться в модели. Этот подход требует минимальной интеграции и уже широко применяется.

Использование MDM в RAG (Retrieval-Augmented Generation) сценариях

Более продвинутый паттерн, где данные и модели из MDM используются RAG-системами во время выполнения. Это требует более тесной интеграции, но обеспечивает мощные возможности: от генерации персонализированных ответов до поддержки логически связанных рассуждений.

Особое внимание следует уделить новому стандарту MCP (Model Context Protocol), который обеспечивает унифицированный интерфейс для взаимодействия между RAG-системами и корпоративными источниками данных.

На что обратить внимание?

• Контроль данных критически важен. GenAI-проекты по своей природе уязвимы к рискам утечки данных.

• Учитывайте незрелость GenAI и отсутствие устоявшихся фреймворков оценки зрелости. Будьте готовы к итеративному подходу и выделяйте ресурсы на постоянную поддержку и развитие интегрированных кейсов.

Раскрытие новой ценности существующих данных с GenAI и MDM

Например, теперь возможно интегрировать MDM как инструмент — предоставляющий структурированные данные и модели данных — в RAG-сценарии, работающие на ReasoningAI. Это позволяет аналитикам данных:

• Запрашивать MDM-данные на естественном языке, с семантическим слоем, автоматически построенным RAG-системой

• Извлекать связанные данные из множественных источников без необходимости определять правила извлечения

• Строить модели данных и извлекать контент из неструктурированных или полуструктурированных источников (например, регулятивных документов) и многое другое

Эти новые способы использования существующих данных не только создают дополнительную бизнес-ценность, но и увеличивают ценность MDM-программы, расширяют пользовательскую базу продукта и увеличивают его роль в общей архитектуре данных.

Рекомендуемые действия:

• Создайте тигровую команду из представителей Data, Analytics и AI. Цели команды: способствовать обмену знаниями, выявлять новые возможности и устранять организационные силосы.

• Проведите аудит болевых точек и потребностей бизнес-команд и команд данных. Анализируйте, какие вызовы можно решить через ИИ и MDM, и какие идеи предлагают наибольшее воздействие при наименьших усилиях.

• Запускайте приоритезированные PoC с кросс-функциональным участием. Если результаты многообещающие — идите дальше и масштабируйте.

На что обратить внимание?

• Управляйте затратами, особенно инфраструктурными затратами, связанными с GenAI.

• Оценивайте как прямое, так и косвенное бизнес-воздействие. Даже лёгкие внутренние инструменты, построенные на ReasoningAI, могут создать ценность, освобождая ресурсы для других высоковоздействующих задач.

• Учитывайте риски, особенно соответствие требованиям и масштабирование. Они могут стать критическими блокерами при попытке расширить успешный PoC.

Заключение

По мере того как Data и Analytics-лидеры признают переход от цифровой трансформации к полноценной ИИ-изации, критически важно принять рациональный и структурированный подход к интеграции GenAI (и ИИ в целом) с существующими корпоративными программами — включая Master Data Management (MDM).

Стратегия двух путей необходима: продолжайте извлекать ценность из зрелых MDM-платформ, одновременно исследуя потенциал GenAI через контролируемые эксперименты и кросс-функциональные инициативы.

Балансируйте инновации с операционной устойчивостью

Существующие MDM-программы продолжают приносить измеримую бизнес-ценность. Инвестиции в GenAI не должны компрометировать фундаментальную роль MDM. Разумная модель распределения ресурсов выделила бы две трети на существующую MDM-разработку и одну треть на GenAI-эксперименты.

Используйте GenAI для целенаправленных улучшений MDM

В ближайшей перспективе наиболее ощутимые выгоды от GenAI, вероятно, придут от улучшения существующего функционала и повышения продуктивности команд данных. Оптимальный подход — принять GenAI-функции, предлагаемые MDM-вендорами, минимизируя затраты на интеграцию и риски.

Позиционируйте MDM как фундаментальный катализатор для GenAI

Используйте основные сильные стороны MDM для решения общих GenAI-вызовов. MDM может предоставлять доверенные, стандартизированные и высококачественные данные, а также обеспечивать контроль доступа к данным — особенно критично в RAG-сценариях.

Продолжайте контролируемые эксперименты

Поддерживайте постоянные PoC для исследования новых возможностей, возникающих на пересечении технологий, преодоления разрывов между командами данных, аналитики и ИИ, построения готовности к будущим ИИ-программам и укрепления способности организации ответственно управлять ИИ-инициативами.

GenAI и MDM следует рассматривать как взаимодополняющие элементы современной стратегии данных. Организации и Data & Analytics-лидеры, которые смогут исследовать инновации, не нарушая работу систем, приносящих ценность сегодня, будут лучше всего позиционированы для долгосрочного успеха.

Трачук Руслан