VentureBeat: 57% компаний столкнулись с ошибками ИИ-агентов из-за плохого контекста

VentureBeat в рамках серии исследований Pulse Research опросил 101 компанию (штат больше 100 человек) в июне 2026 года о том, как устроена инфраструктура контекста для ИИ-агентов: какие системы поиска и извлечения информации (retrieval) используют предприятия, как их выбирают и насколько им доверяют.

Главный вывод, «разрыв контекста»: 57% компаний за последние полгода сталкивались с тем, что ИИ-агент давал уверенный, но неверный ответ, и причину прослеживали до отсутствующего или нестыковочного бизнес-контекста, неверных метрик, устаревших определений или недостающих документов. Больше половины из них сталкивались с этим не один раз. Только 28% компаний не сообщили о подобных сбоях.

RAG (retrieval-augmented generation, генерация с подкреплением поиском), основной способ подачи бизнес-контекста агентам у 38% компаний, почти вдвое чаще, чем следующий по популярности подход, управляемый семантический слой или онтология (21%). Смешанные подходы использует 14%, прямые запросы к живым системам, 10%, загрузку длинного контекста, 6%, а лишь 2% полагаются исключительно на общие знания модели. Дообучение моделей (fine-tuning) практически выпало из практики: в параллельной волне опроса (апрель-май, n=136) оно заняло последнее место среди шести факторов выбора модели, всего 5%, хотя 26% всё же ждут роста инвестиций в эту область.

Среди систем поиска в продакшене лидируют встроенные (provider-native) инструменты: File Search от OpenAI использует 40% компаний, Vertex AI Search от Google, 38%. Это опережает все специализированные векторные базы данных. Среди отдельных инструментов чаще всего используют Elasticsearch/OpenSearch (20%, инструмент, который компании и так держат для других задач) и pgvector (12%, встраиваемое открытое решение); классические «чистые» векторные базы данных, Weaviate, Qdrant, Pinecone, Milvus, держатся на уровне единиц-низких десятков процентов каждая. 13% компаний вообще не используют RAG в продакшене. Та же картина наблюдалась и в предыдущей волне опроса (апрель-май, n=161).

При этом заявленные намерения расходятся с реальным поведением: 36% компаний (относительное большинство) говорят, что собираются сохранить отдельные лучшие в своём классе инструменты, а не консолидироваться вокруг встроенного стека одного провайдера, против 21%, планирующих консолидацию. Ещё 21% ожидают смешанного подхода, 9% намерены строить и держать слой контекста самостоятельно. При этом 57% планируют в течение года сменить провайдера или добавить ещё одного.

По архитектуре будущего согласия больше: 34% ожидают, что к концу 2026 года в продакшене будет доминировать гибридный поиск (эмбеддинги в сочетании с переранжированием и контролем доступа), втрое больше, чем доля тех, кто ставит на чисто векторный поиск (11%). 17% не имеют определённого мнения, ещё 14% ожидают ухода от выделенного векторного слоя вовсе, к поиску, ориентированному на инструменты, или к длинному контексту.

Управляемый семантический слой, то, что должно устранить «разрыв контекста», уже строит или использует 58% компаний: 25% держат его в продакшене, 34% пилотируют или разрабатывают, ещё 17% его оценивают. То есть три четверти компаний так или иначе вовлечены в эту работу, но большинство пока строит, а не эксплуатирует готовое решение.

Выборка, самостоятельно набранная (не вероятностная), смещена в сторону среднего бизнеса (251-1000 и 101-250 сотрудников, по 31% каждая), в основном менеджеры (39%) и рядовые специалисты (27%), 46% респондентов, лица, принимающие окончательное решение о закупке. Крупнейшая отрасль, технологии/софт (20%). Авторы отчёта прямо оговаривают: при 101 респонденте это скорее индикативный сигнал, чем точное измерение.

Ключевые факты

57% компаний за полгода фиксировали уверенные, но неверные ответы ИИ-агентов из-за нехватки или нестыковки бизнес-контекста; больше половины, не один раз
RAG, основной источник контекста у 38% компаний, почти вдвое чаще управляемого семантического слоя (21%); дообучение моделей практически выпало из практики (5%)
Встроенные инструменты поиска, OpenAI File Search (40%) и Google Vertex AI Search (38%), обошли по использованию все специализированные векторные базы данных (Weaviate, Pinecone, Qdrant, Milvus, единицы процентов); 13% компаний вообще не используют RAG в продакшене
Несмотря на это, 36% компаний намерены сохранить отдельные best-of-breed инструменты вместо консолидации вокруг стека одного провайдера; 57% планируют сменить или добавить провайдера в течение года
58% компаний строят или уже используют управляемый семантический слой (в продакшене, только 25%); 34% ожидают, что к концу 2026 года будет доминировать гибридный поиск

Почему это важно

Исследование фиксирует разрыв между тем, насколько уверенно звучат ответы корпоративных ИИ-агентов, и тем, насколько на самом деле надёжна инфраструктура контекста под ними. 57% компаний уже поймали агента на уверенном, но неверном ответе, причина которого, не выдумка модели, а плохой контекст: нестыкующиеся определения, устаревшие или отсутствующие документы. Поскольку RAG, основной способ подачи контекста для 38% компаний, слабости поиска напрямую становятся ошибками агента, которые выглядят как авторитетные утверждения.

Кому это важно

Прежде всего это касается тех, кто отвечает за инфраструктуру данных и ИИ-агентов в компаниях среднего и крупного бизнеса, от технических директоров до менеджеров, закупающих или строящих RAG-системы (в выборке 46% респондентов сами принимают решение о закупке). Также значимо для поставщиков retrieval-инструментов: провайдеры моделей (OpenAI, Google) уже обошли по использованию специализированные векторные базы данных вроде Weaviate, Pinecone, Qdrant и Milvus.

Как это применить

Компаниям, которые строят ИИ-агентов на своих данных, стоит рассматривать не только выбор поисковой системы, но и управление и проверку контекста: исследование указывает на движение к гибридному поиску, сочетанию эмбеддингов, переранжирования и контроля доступа, как консенсусной архитектуре к концу 2026 года, и на управляемый семантический слой как способ унифицировать определения данных для агентов и BI. При выборе инструментов стоит учитывать и растущую роль встроенных в модели решений (OpenAI File Search, Google Vertex AI Search), которые уже обгоняют по фактическому использованию специализированные базы данных.

Можно ли доверять

Это опрос, а не лабораторный тест: выборка самостоятельно набранная (не вероятностная), 101 респондент из компаний с штатом больше 100 человек, единая волна за июнь 2026 года, сами авторы называют результат индикативным сигналом, а не точным измерением. При этом ключевая картина (лидерство встроенного поиска над векторными базами данных, ожидание гибридной архитектуры) совпадает с параллельной волной опроса за апрель-май (n=161 и n=136 в разных вопросах), что снижает риск случайного результата одной выборки.

Риски и подводные камни

Главный риск описан в самом отчёте: агент, который уверенно ошибается из-за плохого контекста, опаснее агента, который явно не справляется, ошибку сложнее заметить. Есть и стратегическое противоречие: компании на практике всё активнее пользуются встроенными инструментами провайдеров моделей, одновременно заявляя о намерении сохранить независимость от одного поставщика (36% против 21%, готовых консолидироваться), это создаёт риск незапланированной привязки к одному вендору. Наконец, управляемый семантический слой, по сути ответ на проблему, у большинства компаний ещё не в продакшене, а только строится или пилотируется.