Курированные данные для ИИ: как корпоративные данные становятся конкурентным преимуществом

Редакционная версия для русскоязычной аудитории. Материал подготовлен на основе статьи Scaled Agile «Curated Data» и адаптирован с учётом терминологии продуктового управления, управления данными и практики внедрения SAFe в организациях. Перевод и адаптация – Алексей Ионов, основатель «Ионов и Партнеры», Advanced SPC.

Курированные данные, или curated data, – это корпоративная информация, специально отобранная, проверенная, структурированная, размеченная, актуализированная, защищённая и безопасная для использования искусственным интеллектом.

Такие данные помогают ИИ давать надёжные ответы, учитывать контекст конкретной организации и создавать решения, которые конкуренты не могут легко воспроизвести.

В AI-Native организации это понятие выходит за рамки традиционных структурированных данных – таблиц, баз данных и хранилищ – и охватывает неструктурированный контент: документы, клиентскую обратную связь в свободной форме, презентационные материалы, спецификации, продуктовые метрики и другие корпоративные знания.

Курированные данные критически важны для разработки продуктов. Они связывают намерение, контекст, спецификации и данные о результативности продукта.

Такая связь помогает командам быстрее создавать продукты и точнее согласовывать их с бизнес-целями. Кроме того, собственные дифференцирующие данные позволяют организациям создавать уникальные ИИ-возможности, которые конкуренты не могут воспроизвести, формируя тем самым устойчивое рыночное преимущество.

Успех зависит от того, насколько данные полны, точны, поддерживаются в актуальном состоянии, доступны с должным уровнем соблюдения требований безопасности, а также от того, на сколько чётко определённо управление владением такими данными.

Традиционно курирование данных выполнялось вручную, однако теперь организации могут использовать ИИ для автоматизации таких задач, как профилирование, разметка и классификация.

Так формируется цикл, в котором данные, обеспечивающие работу ИИ, частично курируются самим ИИ, помогая организациям сохранять конкурентоспособность, не теряя в скорости.

Что такое курированные данные и почему они нужны для ИИ

Ценность данных в эпоху ИИ требует более широкого взгляда на то, что считается данными. Для большинства людей слово «данные» исторически ассоциировалось с озёрами данных (data lakes), хранилищами, таблицами, строками и SQL-запросами. Хотя такие структурированные данные по-прежнему жизненно важны, их уже недостаточно.

AI-Native организации должны с такой же серьёзностью относиться к неструктурированному контенту: документам, обратной связи от клиентов в свободной форме, презентационным материалам, спецификациям, протоколам встреч, продуктовым метрикам и другим источникам корпоративного знания.

Иными словами, курирование данных, или data curation, – это не просто хранение информации. Это управляемая подготовка корпоративных данных к надёжному, безопасному и практически полезному использованию людьми, командами и ИИ-агентами.

Чем курированные данные отличаются от обычных корпоративных данных

Обычные корпоративные данные часто существуют в разрозненном виде: в CRM, BI-системах, Jira, Confluence, корпоративных порталах, презентациях, таблицах и документах.

Курированные данные для ИИ отличаются тем, что они подготовлены для конкретного использования: проверены, связаны с контекстом, имеют владельца и доступны по понятным правилам.

Таблица 1. Отличия между обычными корпоративными данными и курированными данными

Зачем курированные данные нужны AI-Native организации

Для AI-Native организации особенно важны две категории данных. Одни данные помогают лучше создавать продукты, другие – дают самим продуктам конкурентное преимущество.

• Данные, обеспечивающие разработку продуктов: данные, на которые опираются люди и агенты, чтобы делать разработку продуктов: быстрее, дешевле, лучше согласованной с намерением и более восприимчивой к обратной связи.
• Данные, обеспечивающие конкурентоспособность продуктов: дифференцирующие, внутренние данные, встроенные в продукты. Именно на их основе ИИ-возможности этих продуктов конкурируют на рынке.

ИИ модели доступны всем; организацию отличают именно её собственные данные. Курирование делает критически важные данные доступными для моделей и взаимодействующих с ними людей – ответственно и эффективно.

Курированные данные обладают четырьмя базовыми характеристиками:

• Полнота: люди и агенты могут получить доступ ко всем знаниям, необходимым для ответа на вопрос или выполнения задачи.
• Точность: информация проверена и заслуживает доверия.
• Актуальность: данные поддерживаются в актуальном состоянии.
• Безопасный доступ: нужные люди и агенты получают доступ к нужным данным – и ни к чему сверх этого.

Для ИИ это особенно важно: если данные неполные, устаревшие или противоречивые, модель будет давать неточные ответы, терять организационный контекст и повышать риск ошибочных решений. Поэтому качество данных для ИИ становится не технической деталью, а управленческим, продуктовым фактором (и риском).

Как курированные данные обеспечивают разработку продуктов

Цикл разработки продуктов, ориентированный на клиентские и бизнес-результаты, работает на основе данных. Независимо от этапа цикла, качество данных, на которые он опирается, либо повышает, либо снижает его эффективность. На рисунке 1 показана связь между различными типами курированных данных и этим циклом.

Рисунок 1. Курированные данные, обеспечивающие каждый узел цикла разработки продуктов, ориентированной на клиентские и бизнес-результаты.

Данные о намерении фиксируют видение продукта, намерение в части стратегии и данные дорожной карты, определяющие текущие ожидания. Клиентские и бизнес-результаты, или outcomes, используются Agile Release Train, или ART, чтобы определить фокус прогресса на предстоящий год.

Приоритеты сопоставляются с ними так, чтобы в первую очередь выполнялась работа, которая в наибольшей степени продвигает стратегию.

Выходные результаты, или outputs, создаются в соответствии с намерением: каждая фича, энейблер или эксперимент должны прослеживаться до изначального намерения, которое их обосновывает.

В терминологии AI-Native SAFe outcomes – это клиентские и бизнес-результаты, а outputs – конкретные выходные результаты работы: фичи, энейблеры, эксперименты и другие элементы решения.

Agile Release Train использует данные обо всех элементах выполнения и бизнес-результатах, чтобы согласовывать работу команд с намерением и бизнес-целями.

Данные контекста описывают условия, в которых функционируют продукты. Эти данные охватывают рынки, клиентов, конкурентов и регуляторные требования, влияющие на продукт.

Если намерение фокусируется в части на продуктовой стратегии, отвечающей на вопрос «почему», то контекст даёт понимание того, «где» продукт должен добиться успеха и в каких условиях.

Клиентские и бизнес-результаты должны определяться с учётом установленного контекста. Приоритеты меняются вместе с контекстом по мере появления окон возможностей и новых ограничений.

Выходные результаты формируются так, чтобы соответствовать условиям, в которых им предстоит работать.

Данные спецификаций дают детальное определение ожидаемых выходных результатов и политик, которые необходимо соблюдать. Агенты используют эти данные и несут ответственность за соответствие им.

Спецификация жизненно важна, даже если она охватывает только один этап процесса. Она преобразует намерение и контекст в реализуемые и проверяемые детали.

В AI-Native организации спецификация служит ключевым артефактом: агенты создают её, развивают и оцениваются по ней при формировании выходных результатов.

Данные о результативности продукта – это свидетельства того, как продукт ведёт себя при реальном использовании. Результативность обычно измеряется по четырем измерениям: бизнес-результаты, вовлеченность пользователей, удовлетворенность клиентов и техническая результативность.

Данные о результативности обеспечивают объективную основу для экономической приоритизации клиентских и бизнес-результатов и выходных результатов в рамках PI. Кроме того, они питают цикл обратной связи, который подтверждает или опровергает гипотезы и позволяет в реальном времени отслеживать ключевые результаты.

Положительные бизнес-результаты могут формировать сигналы обратной связи для усиления, а отрицательные – позволяют на раннем этапе отсечь ошибочно выбранное намерение. Успешные гипотезы отражаются в данных о результативности, измеряющих клиентскую и бизнес-ценность, а также ROI.

Данные обратной связи от клиентов – это прямой сигнал, который клиенты дают о продукте, главным образом через его фактическое использование. Они соединяются с данными о результативности на уровне метрик, объясняя причины, стоящие за цифрами.

Обратная связь показывает не только изменения в том, как используется продукт, но и почему клиенты отреагировали именно так.

Каждый из этих типов данных оказывает ещё большее положительное влияние, когда связан с другими типами, а не используется изолированно.

Когда клиентский и бизнес-результат прослеживается до задавшего его намерения, до измеряющей его результативности и до объясняющей его обратной связи, изменение любого из этих элементов влияет на все остальные.

Люди и агенты рассуждают, опираясь на связное целое, а не на изолированные фрагменты. Установление и поддержание таких связей – центральная часть курирования данных, на которых работает цикл.

Подробнее:

• Намерение, спецификации и контекст в AI-Native SAFe
• Как управлять разработкой продуктов через клиентские и бизнес-результаты в AI-Native SAFe

Как курированные данные обеспечивают конкурентоспособность продуктов

Курированные данные важны не только для разработки продуктов, но и для их конкурентоспособности. Они дают организациям преимущество за счёт эксклюзивной информации, которой нет у конкурентов. Такие данные рассматриваются как актив, и компании всё чаще защищают их, а не предоставляют бесплатно.

Многие ресурсы, которые раньше были свободно доступны онлайн, теперь доступны только по платной подписке: их владельцы осознали их ценность и предпочитают защищать и использовать их в собственных интересах.

Ценность таких данных наиболее очевидна в продуктах, построенных на них.

Например:

• Ассистент поддержки, основанный на справочных статьях компании и истории обращений, решает проблемы, с которыми не справится универсальная модель.
• Модель выявления мошенничества, обученная на собственных данных платёжной системы о транзакциях и спорах, за миллисекунды оценивает риск по паттернам, которых новый участник рынка никогда не видел.
• Модель поддержки клинических решений, построенная на собственных связанных данных медицинской организации о пациентах и геномике, выявляет варианты лечения, которые никто другой предложить не может.

В каждом случае продукт опирается на данные, принадлежащие организации и невоспроизводимые другими.

Дифференцирующие данные необязательно уже должны существовать внутри организации. Иногда стратегия состоит в том, чтобы создать их, спроектировав продукт, который при использовании генерирует данные, отсутствующие у конкурентов.

Ранние работы Луиса фон Ана показали эту идею особенно ярко: его ESP Game превратила разметку изображений в игру, в которую люди играли ради удовольствия, создавая размеченный набор данных как побочный продукт, который позже лицензировала Google. Платформенные продукты превратили это в самостоятельную стратегию.

Социальная платформа рассматривает данные, проходящие через неё, как актив, которым она владеет и который может развивать дальше. Чем больше людей используют платформу, тем более мощным механизмом создания растущих в ценности данных-активов она становится.

«В корпоративной практике ключевой вызов часто состоит не в отсутствии данных, а в том, что данные разбросаны между системами, командами и документами.

Для AI-Native организации важно не просто подключить ИИ к «корпоративной свалке данных», а создать управляемый контур знаний: с владельцами, правилами доступа, актуальностью и связью с бизнес-намерением.

Именно это превращает данные из пассивного архива в актив, который помогает принимать решения и создавать конкурентные ИИ-возможности.»

Алексей Ионов, основатель «Ионов и Партнеры», Advanced SPC, эксперт по Lean-Agile трансформациям и SAFe в России и СНГ

Какие дифференцирующие данные стоит искать в первую очередь

Менеджерам продукта, которые в моменте решают, каким образом ИИ сможет выделить наш продукт среди конкурентов, задают три вопроса.

Какими дифференцирующими данными мы владеем – или какие можем создать, – которых нет (и, в идеале, не будет) у других?

Отправная точка – данные организации, которые конкуренты не могут легко воспроизвести.

Богатство данных – часть такой оценки: насколько они глубоки, насколько специфичны для клиентов и сегментов продукта, насколько актуальны и действительно ли они лучше того, что может собрать конкурент.

Что мы могли бы с ними сделать?

Дифференцирующие данные сами по себе – лишь потенциал. Вопрос, который превращает данные в преимущество: какие проблемы они могли бы решить и какие новые возможности могли бы создать при творческом использовании?

Один и тот же набор данных может лежать либо без применения – или стать функционалом, который не сможет предложить ни один конкурент.

Что стоит между владением этими данными и их безопасным использованием?

Владеть полезными данными – не то же самое, что иметь возможность действовать на их основе. Самые ценные данные часто являются и самыми чувствительными.

Например, записи из интерактивной голосовой системы могут содержать богатые клиентские сигналы и большое количество персонально идентифицируемой информации, создающей реальные риски при неправильном обращении.

Чтобы сделать такие данные активом, на который может опираться агент, их нужно курировать так, чтобы чувствительные материалы были защищены и раскрывались только там, где это уместно.

Как выбирать, что именно курировать в первую очередь

Приоритизация объектов курирования начинается с оценки значимости проблемы или возможности и реализуемости получения курированных данных, необходимых для её решения.

Как правило, конкретный набор данных может быть релевантен нескольким проблемам.

Поэтому приоритизация сосредоточена на выявлении повторяющихся паттернов:

• какие вопросы снова и снова возникают при достижении целей организации,
• на какие данные опирается поиск ответов,
• какие усилия нужны, чтобы своевременно подготовить эти данные к использованию.

Реализуемость в основном зависит от того, насколько хорошо данные курированы на данный момент.

Одни данные уже курированы и готовы к использованию. Другие хорошо организованы внутри компании, но ограничены по доступности и интеграции. Третьи почти не существуют в пригодной для использования форме.

Имеющееся состояние данных определяет затраты на работу по созданию возможностей, для которых эти данные нужны.

Курирование может быть трудоёмким, поэтому оно не всегда должно быть первым шагом. Если создаваемая возможность или приложение выглядят перспективными, часто разумнее сначала протестировать их, прежде чем инвестировать: провести эксперимент или создать прототип, который подтвердит или исключит возможность, используя лишь часть данных.

Когда ценность возможности доказана, получение и курирование данных становится вопросом формулирования и приоритизации соответствующих энейблеров для архитектурного русла.

Для данных, которые управляют разработкой продуктов, естественной отправной точкой являются данные о намерении. Они включают видение, желаемые клиентские и бизнес-результаты, намерение в части стратегии и намерение в части исполнения, определяющие, чего организация стремится достичь. Благодаря их фундаментальной значимости именно с них будет естественным начинать.

Баланс между двумя типами данных – стратегический выбор, который меняется со временем.

Организация, работающая над ускорением своих AI-Native возможностей, в большей степени фокусируется на данных, обеспечивающих разработку продуктов. Напротив, организация, уже зрелая в области ИИ, обычно приоритизирует данные, поддерживающие существующие продукты.

Такой естественно развивающийся баланс имеет преимущество: риски, связанные с данными, используемыми для разработки продуктов, как правило, значительно ниже рисков, связанных с данными, используемыми в существующих продуктах.

Навыки, поддерживающие политики и конвейеры данных, сформированные при курировании данных для разработки продуктов, естественно переносятся на продуктовые данные существующих продуктов, таким образом снижая риски.

Как начать внедрение курированных данных для ИИ

Внедрение курированных данных лучше начинать не с масштабной программы по всем корпоративным данным, а с конкретных бизнес-сценариев, где ИИ должен принести измеримую пользу. Это снижает риск, ускоряет получение результата и помогает доказать ценность подхода.

Практические шаги

1. Определить бизнес-сценарии, где ИИ должен создавать ценность: например, ускорение разработки, анализ клиентской обратной связи, поддержка принятия решений или создание ИИ-возможности в продукте.
2. Определить данные, необходимые для этих сценариев: документы, спецификации, клиентские обращения, продуктовые метрики, дорожные карты, архитектурные материалы.
3. Оценить качество и безопасность данных: полноту, точность, актуальность, связанность, соответствие политикам безопасного использования (например, в связи с персональными данными) и доступность.
4. Назначить владельцев данных и зоны ответственности.
5. Настроить безопасный доступ для людей, команд и ИИ-агентов.
6. Автоматизировать механические задачи: классификацию, разметку, профилирование, поиск и анонимизацию для чувствительной информации и подготовку метаданных.
7. Запустить пилотный сценарий и проверить, улучшает ли курирование данных качество решений ИИ.
8. После подтверждения ценности масштабировать подход на другие наборы данных и продуктовые сценарии.

Практический чек-лист: готова ли организация использовать данные для ИИ

Используйте этот чек-лист, чтобы оценить базовую готовность организации к работе с курированными данными и ИИ-агентами.

• Есть ли у ключевых наборов данных понятный владелец?
• Понятно ли, какие данные нужно использовать для ИИ-агентов?
• Определены ли правила доступа к чувствительной информации?
• Поддерживаются ли данные в актуальном состоянии?
• Проверяется ли точность и надёжность критически важных данных?
• Связаны ли между собой данные о намерении, спецификациях, результативности и обратной связи?
• Можно ли проследить, на каких данных основан ответ ИИ?
• Есть ли процесс разметки, классификации и проверки данных?
• Используется ли ИИ для автоматизации механической работы с данными?
• Понятно ли, какие данные могут дать продукту конкурентное преимущество?

Каковы ключевые качества курированных данных

Модель качества данных в международном стандарте требований и оценки качества программных продуктов содержит обширный перечень атрибутов качества данных. Их можно сгруппировать по категориям, приведённых ранее в статье.

Ниже эти характеристики раскрыты через конкретные атрибуты качества данных. Такая детализация помогает оценить, готовы ли данные к использованию людьми, командами и ИИ-агентами.

Иными словами, качественные данные для ИИ должны быть не только полными и точными. Они должны быть понятными, прослеживаемыми, актуальными, переносимыми между системами и доступными только тем людям и агентам, которым они действительно нужны.

Над всеми четырьмя характеристиками стоит пятое качество, от которого зависят остальные: у курированных данных должен быть владелец.

Владение данными – не новая дисциплина, и многие организации давно сталкиваются с трудностями в этой области, но сегодня владение становится императивом, когда люди и агенты начинают действовать на основе данных с высокой скоростью.

Признанный свод знаний по управлению данными разделяет подотчётность и повседневное сопровождение данных: владелец данных обладает полномочиями утверждения в отношении домена данных, тогда как сопровождение данных, или data stewardship – отвечает за повседневное поддержание качества, управляемости и пригодности данных.

Новым становится масштаб охвата: по мере того как гораздо больший объём материалов организации становится курированными данными, владельцы и новые роли для сопровождения данных понадобятся таких типов данных, которые организация раньше даже не включала в контур управления данными.

Как ИИ помогает в курировании данных

Создание курированных данных всегда было сложной задачей. Даже перенос структурированных данных из исходных систем в хранилище требует трудоёмких процессов, таких как профилирование, моделирование и управление данными.

Сегодня спрос стал еще выше. AI-Native организация стремится собирать больше данных из разных источников, и по мере продвижения по ИИ-пути её потребность в данных усиливается.

Хорошая новость в том, что ИИ может взять на себя значительную часть нагрузки. Модели могут сканировать новый источник на наличие персонально идентифицируемой информации (PII) до его подключения. Агенты могут проходить по массиву данных, выявляя и формализуя метаданные, которые делают его понятным.

Значительная часть механической работы по курированию – профилирование, разметка, классификация – теперь может выполняться ИИ и автоматизацией.

Курирование – не только механический процесс. Оно в значительной степени опирается на профессиональное суждение, и некоторые из таких решений могут быть трудными. Возникают вопросы: какие источники заслуживают доверия, какая информация выходит за допустимые границы и где данные могут определённо быть ошибочными.

Чтобы нагрузка не стала чрезмерной, важно передавать ИИ и общей автоматизации как можно больше механических задач. Кроме того, следует инвестировать в функционал и инструменты, которые поддерживают принятие решений, но не подменяют содержательное суждение человека.

При таком использовании ИИ применяется к самой дисциплине, которая его питает: данные, на которых работает ИИ, частично курируются ИИ. Именно так организация успевает справляться с текущим объёмом работы и сохраняет способность справляться с тем, что появится дальше.

Ключевые выводы

• Курированные данные – это информация организации, намеренно подготовленная для ИИ, чтобы обеспечивать надёжные, уникальные и применимые на практике выводы.
• Качественные данные связывают намерение, контекст и результативность, ускоряя разработку и улучшая согласование продукта с целями.
• Собственные данные создают уникальные ИИ-возможности, которые конкуренты не могут воспроизвести, обеспечивая явное и устойчивое рыночное преимущество.
• Данные должны быть полными, точными, безопасно доступными и иметь владельца; при этом ИИ должен автоматизировать ручные задачи курирования, включая разметку и классификацию.
• Для компании, которая развивает AI-Native подход, курированные данные становятся не вспомогательным ИТ-активом, а основой продуктовой стратегии, качества решений и долгосрочной конкурентоспособности.

Частые вопросы о курированных данных для ИИ

Что такое курированные данные простыми словами?

Курированные данные – это данные, которые специально подготовили для надёжного использования ИИ: отобрали, проверили, обновили, связали с контекстом и сделали безопасно доступными.

Зачем ИИ нужны курированные данные?

Результат работы ИИ зависит от качества входной информации. Если данные неполные, устаревшие или противоречивые, модель будет давать неточные ответы. Курированные данные повышают надежность ИИ и позволяют учитывать специфику конкретной организации.

Чем курированные данные отличаются от обычных данных?

Обычные данные могут быть разрозненными, устаревшими или недоступными. Курированные данные имеют понятное назначение, владельца, структуру, правила доступа и поддерживаются в актуальном состоянии.

Какие данные нужно курировать в первую очередь?

Обычно стоит начинать с данных, которые напрямую влияют на бизнес-цели: намерение продукта, клиентская обратная связь, данные о результативности продукта, спецификации и уникальные данные, способные дать конкурентное преимущество.

Может ли ИИ сам курировать данные?

ИИ может автоматизировать часть работы: профилирование, разметку, классификацию, поиск персональных данных и подготовку метаданных. Но решения о доверии к источникам, допустимом использовании и бизнес-ценности данных должны оставаться за людьми.

Почему курированные данные важны для AI-Native SAFe?

В AI-Native SAFe данные связывают намерение, контекст, спецификации, результативность продукта и клиентскую обратную связь. Это помогает командам и ИИ-агентам быстрее создавать продукты, точнее согласовывать работу с бизнес-целями и безопаснее использовать корпоративные знания.

Мини-глоссарий AI-Native SAFe

• Курированные данные / curated data – корпоративные данные, специально подготовленные для надежного, безопасного и полезного использования ИИ.
• Курирование данных / data curation – процесс отбора, проверки, структурирования, разметки, актуализации и управления доступом к данным.
• Данные для ИИ – информация, на основе которой ИИ-модели и ИИ-агенты формируют ответы, выводы, рекомендации или действия.
• Data governance / управление данными – система правил, ролей, процессов и ответственности, обеспечивающая качество, безопасность и управляемость данных.
• Data stewardship / сопровождение данных – повседневная работа по поддержанию качества, описания, доступности и управляемости данных.
• AI-Native организация – организация, в которой ИИ встроен в операционную модель, разработку продуктов, принятие решений и работу команд.
• ИИ-агент – программный агент на базе ИИ, который способен выполнять задачи, использовать данные, следовать спецификациям и взаимодействовать с людьми или системами.

Источник: Scaled Agile, Inc. (вендор), статья «Curated Data» (от 30.06.2026). Материал не является официальным переводом.

Перевод и адаптация: Алексей Ионов, Advanced SPC, основатель компании «Ионов и Партнеры».

Дополнительно почитать по теме AI-Native SAFe:

⇒ AI-Native SAFe: как искусственный интеллект меняет систему создания ценности в организациях 

⇒ Как управлять продуктовой разработкой через клиентские и бизнес-результаты в AI-Native SAFe
⇒ Инвестиционная стратегия портфеля в AI-Native SAFe: как связать результаты, бюджет и риски 
⇒ Намерение, спецификации и контекст в AI-Native SAFe: как управлять разработкой продуктов с ИИ
⇒ Курированные данные для ИИ: как корпоративные данные становятся конкурентным преимуществом

⇒ AI-Native ART: как Agile Release Train меняется в эпоху ИИ
⇒ Клиентские и бизнес-результаты ART в AI-Native SAFe
⇒ Архитектор ИИ-ценности: роль AI-Value Architect в AI-Native SAFe и внедрении ИИ

⇒ Гибкость, усиленная ИИ: применение искусственного интеллекта в SAFe и Agile
⇒ Персонал, усиленный ИИ: руководство по внедрению в SAFe и Agile
⇒ Что такое искусственный интеллект (ИИ): основные типы ИИ и применение в бизнесе

© «Ионов и Партнеры» (ИП Ионов Алексей Константинович), 2018-2025. Все права защищены. Цитирование материалов и размещение ссылок на материалы для формирования сторонних баз знаний, рубрикаторов или агрегаторов допускается только с письменного согласия «Ионов и Партнеры».

SAFe® and Scaled Agile Framework® are registered trademarks of Scaled Agile, Inc.