Глава Unfold — о том, как освободить корпоративные данные, недоступные для ИИ08.11.2026 18:08

Предприятия ускоряют внедрение ИИ, но серьезное препятствие никуда не делось: значительная часть данных, необходимых ИИ, по-прежнему заперта в устаревших системах, проприетарном ПО и приложениях без современных интерфейсов. Традиционные инструменты интеграции помогли связать корпоративные системы, однако зачастую они не дают доступа ко всему объему информации и не улавливают бизнес-контекст, без которого эти данные бесполезны.

По мнению Рана Чернявского, генерального директора и сооснователя Unfold, решение состоит в том, чтобы переосмыслить сам подход предприятий к доступу к своим данным. Unfold работает через интерфейсы, которыми компании уже пользуются: извлекает информацию и выстраивает карту лежащей в ее основе логики, не требуя замены систем или болезненных миграций.

В этом интервью Чернявский рассказывает, почему доступность данных становится ключевой проблемой корпоративного ИИ, как Unfold извлекает информацию из закрытых систем и что становится возможным, когда ИИ-агенты наконец получают полную картину работы организации.

Проблема корпоративных данных

1. Почему многие предприятия до сих пор с трудом получают доступ к критически важным данным, запертым в закрытых системах, несмотря на годы инвестиций в интеграционные технологии?

Потому что интеграцию создавали для систем, а не для ИИ. Она связывала систему A с системой B, поле за полем, через то, что решил открыть вендор. ИИ же нужен доступ ко всему, что человек видит в системе, и понимание того, что это значит. И нужно это быстро, без отдельного проекта под каждое поле. Это совсем другая задача.

2. Каковы главные риски и издержки для бизнеса, если данные остаются запертыми в системах без API или других стандартных интерфейсов?

Компании, которые не смогут применить ИИ к своим ключевым данным, отстанут от тех, кто сможет, и этот разрыв растет быстро.

Издержки проявляются задолго до этого. Компании год за годом платят узким специалистам-консультантам за ручное картирование полей системы. Аналитики вручную выгружают урезанные отчеты и сводят их в Excel. Пилотные ИИ-проекты буксуют, потому что модель видит лишь тот срез, который открывает API, и выдает неверные ответы. По сути, вы арендуете доступ к собственным данным через чужой интерфейс.

И есть риск, который не видно: если никто не может прочитать, что внутри системы, никто не может быть уверен и в ее безопасности. Остается только надеяться.

3. Безопасность, модернизация ИТ или внедрение ИИ — где недоступные корпоративные данные создают самую большую проблему сегодня и почему?

Внедрение ИИ, и с большим отрывом. Именно там давление со стороны совета директоров, и именно там запертые данные обходятся дороже всего прямо сейчас. Нельзя просто открыть Claude и спросить:»Владелец дилерского центра не может спросить у Claude, какой давности гарантийные выплаты, которые ему должны, потому что эти данные застряли в отчетах?» И дело не в том, что вопрос нельзя сформулировать простыми словами, а в том, что данные недоступны.

Безопасность и модернизация сталкиваются с той же проблемой, но иначе. Безопасность — это симптом: нельзя защитить то, чего не видишь. Модернизация — долгий обходной путь. По данным Gartner, 45% ключевых систем по-прежнему работают на мейнфреймах или локальной клиент-серверной архитектуре, а 34% организаций теперь оставляют ключевые приложения как есть, потому что модернизировать их слишком рискованно. ИИ не может ждать, пока это изменится.

Решите проблему доступа и контекста для ИИ — и попутно во многом решите две другие.

Технология Unfold и ее отличия

4. Как Unfold получает доступ к системам, у которых нет API, экспорта или открытых интерфейсов?

Так же, как это делает человек. Сотрудники работают с системой не только через API. Они пользуются интерфейсом, отчетами, выгрузками, файлами и многим другим. Unfold работает через все интерфейсы, которые предоставляет приложение, — с API или без него.

Наша команда годами занималась глубоким исследованием ПО, интегрируясь с системами независимо от того, что они открывали. Раньше на каждую систему уходили месяцы ручной работы. Благодаря ИИ Unfold за считаные дни становится экспертом по системе, выясняет, где хранится каждый элемент данных и как он перемещается, а затем создает детерминированный коллектор с доступом только на чтение, который извлекает данные с помощью собственных прав доступа системы.

Это работает на мейнфреймах вроде AS/400, локальных ERP и современных SaaS, открывающих лишь часть своих данных. Если у системы есть интерфейс или командная строка, мы можем с ней работать. Подключение любой системы занимает до 14 дней.

5. Как Unfold понимает контекст данных системы, а не просто извлекает сырые данные?

Сырые данные без смысла — это шум. В ERP-системе Oracle JD Edwards таблицы обозначены номерами, а не названиями. В поле статуса хранится код, который никто не помнит, когда и зачем определил. Две системы называют одного и того же клиента по-разному.

Unfold изучает каждую систему так, как это сделал бы обученный сотрудник: что означает каждый объект, как объекты связаны между собой, какие бизнес-правила и исключения действуют и как люди на самом деле с ней работают. Поскольку мы видим и экран, и то, что под ним, мы можем связать то, что пользователь видит в интерфейсе, с местом хранения этих данных.

Раньше эти знания были у профильных экспертов, партнеров по внедрению и вендоров, и многое из них ушло вместе с людьми. Мы восстанавливаем их в виде каталога всех объектов данных с их бизнес-смыслом и полным путем через систему. ИИ получает данные вместе с контекстом и перестает гадать.

6. Как вы обеспечиваете, чтобы данные из разных корпоративных систем были нормализованы, управляемы и готовы для ИИ-приложений?

Когда каждая система понята, мы их связываем. Один и тот же клиент — это KUNNR в SAP и Account в Salesforce. У одного и того же объекта в каждой ERP свой идентификатор. Unfold сводит все это в единую каноническую корпоративную схему, поэтому данные из любой системы поступают нормализованными и согласованными.

Управление данными заложено с самого начала. Данные остаются у клиента, в его собственных исходных системах. К ним прилагается их происхождение, потому что мы знаем, откуда взялось каждое поле и как оно преобразовывалось.

А коллекторы детерминированы: один и тот же запрос всякий раз возвращает одни и те же данные. Именно это нужно, прежде чем позволить агенту действовать на их основе.

7. Как Unfold дополняет существующие платформы, такие как Splunk, Snowflake и Databricks, и чем ваш подход отличается от традиционных инструментов интеграции?

Во-первых, мы не заменяем платформы данных — мы их наполняем. Splunk, Snowflake и Databricks — это места, где данные ищут, анализируют и применяют с помощью ИИ, и они хороши ровно настолько, насколько хороши поступающие в них данные. Сегодня это лишь то, что позволяет API или экспорт исходной системы. Причем перемещать данные вообще не обязательно: Unfold может работать с ними там, где они находятся, в исходных системах, или передавать их напрямую агентам через наш коннектор к Claude, Gemini и другим.

Unfold находится на входе. Мы извлекаем данные и логику из систем, которые никогда не наполняли эти платформы, вместе со смыслом, и доставляем их туда, где они нужны клиенту: в его озеро данных, хранилище или агентам. В глобальной розничной сети данные кассовых систем с мейнфрейма AS/400 поступают в агента по выявлению мошенничества на Gemini Enterprise. У производителя данные систем управления заводом поступают в CMDB.

Традиционная интеграция начинается с каталога готовых коннекторов и переносит то, что открывает каждый вендор, проект за проектом. Unfold начинает с самой системы: все интерфейсы, полная модель данных и бизнес-контекст — за дни, а не месяцы.

Применение у клиентов и влияние на бизнес

8. Каковы самые убедительные реальные сценарии использования Unfold и как клиенты оценивают ценность доступа к ранее недоступным данным?

Лучшие сценарии начинаются одинаково: человек видит данные на экране, но не может встроить их в нужный рабочий процесс. Несколько примеров:

Глобальной розничной сети нужно, чтобы данные кассовых систем AS/400 более чем из десяти стран поступали в систему выявления мошенничества, которая теперь работает на Gemini Enterprise. Регулятор одной из стран потребовал прекратить продажи, пока этот контроль не будет внедрен.

Страховая компания из первой десятки США платит подрядчикам со специальной экспертизой за ручное сопоставление полей системы урегулирования убытков с базой данных. Затем приходит другая команда инженеров и строит ETL. Все это занимает недели. Мы делаем это автоматически, за дни.

У группы автодилеров с несколькими салонами данные о запчастях, сервисе и гарантии были заперты в отчетах системы управления дилерским центром.

Теперь владелец спрашивает простыми словами: «Какой давности гарантийные выплаты, которые нам должны?»

Клиенты измеряют ценность тремя способами: время (дни вместо месяцев), затраты (консультанты, профессиональные услуги и инженерная работа, которые больше не нужны) и результаты, которые раньше были невозможны, — например, ответ по нескольким системам сразу или бизнес, который продолжает продавать.

9. Как Unfold помогает предприятиям модернизировать устаревшую инфраструктуру, не нарушая критически важные процессы и не заменяя существующие системы?

Не трогая их. Unfold не требует изменений в коде или миграции. Он работает с системой как она есть, через уже существующие интерфейсы и, по замыслу, только на чтение.

Это важно, потому что модернизация ключевых систем рискованна, и все это знают. По данным Gartner, 34% организаций теперь оставляют ключевые приложения как есть именно по этой причине (в 2023 году таких было 16%), а 40% модернизаций, необходимых для автономного бизнеса, к 2030 году запоздают.

Поэтому вместо того чтобы годами ждать замены, вы уже сегодня извлекаете данные и бизнес-логику и ставите ИИ работать поверх них. А когда дойдет до модернизации, у вас уже будет полная карта того, что хранит старая система и что это означает, —, а это значительная часть работы по миграции.

10. Какие новые возможности открываются, когда ИИ-агенты могут получать доступ к данным ранее закрытых корпоративных систем и понимать их?

Внедрение ИИ перестает ползти и переходит на бег. Сегодня предприятия работают на ИИ: команды месяцами занимаются интеграциями только ради того, чтобы снабдить его данными. Когда все системы открыты и понятны, все переворачивается. Мы работаем с ИИ, а ИИ сам выполняет интеграции и управляет рабочими процессами.

Агенты перестают гадать и начинают работать с реальным бизнесом. Большинство агентов сегодня имеют доступ к почте, документам и нескольким SaaS API. А ядро бизнеса — заказы, страховые случаи, складские запасы, гарантия и работа заводов — находится в другом месте.

Откройте его — и владелец дилерского центра задает один вопрос сразу по запчастям, сервису и гарантии. Модель выявления мошенничества видит данные кассовых систем из всех стран. Финансовая команда получает показатели своевременных и полных поставок по двум ERP, где у одного и того же объекта разные идентификаторы.

Дальше эффект накапливается. Агенты проходят процесс от начала до конца, например от заказа до оплаты, через все задействованные системы, а не останавливаются на границе одной из них. Вот тогда ИИ переходит от ответов на вопросы к управлению бизнесом.

Будущее корпоративного ИИ

11. Станет ли доступность данных одним из главных барьеров для внедрения ИИ на предприятиях и как организациям его преодолеть?

Уже стала. Gartner считает, что до 2030 года главной нарастающей проблемой для агентного ИИ будут доступ к данным и контроль над ними. Модели становятся все умнее, но одного интеллекта недостаточно, чтобы сдвинуть предприятие с места. Моделям нужны собственные данные компании и контекст того, как используется каждая система.

Как это преодолеть: начинайте с бизнес-результата, а не с проекта по данным. Выберите одну ИИ-инициативу, заблокированную системой, из которой невозможно извлечь данные, решите эту задачу и расширяйтесь систему за системой на той же основе. Перестаньте воспринимать доступ как череду разовых интеграций и не ждите окончания модернизации.

И относитесь к знаниям внутри ваших систем как к активу. Люди, которые разбирались в этих системах, уходят на пенсию или уже ушли. Зафиксировать этот контекст сейчас — часть готовности к ИИ.

12. Как, по-вашему, будет развиваться рынок корпоративной интеграции в ближайшие три–пять лет и какую роль в нем сыграет Unfold?

История обычно идет одним и тем же путем. Сначала мы что-то изобретаем. Потом находим коммерческое применение. И лишь спустя годы это действительно меняет нашу жизнь. Первый современный автомобиль появился в 1886 году, но на преобразование общества ушли десятилетия.

Это время ушло на создание инфраструктуры вокруг него: дорог, заправок, мостов. ИИ сегодня находится в той же точке. У нас, вероятно, самый мощный двигатель из когда-либо созданных, и модели продолжают улучшаться. Но трансформация внутри предприятий еще не произошла, и причина не в интеллекте. Нет дорог.

Интеграция — важная часть этих дорог, но строилась она для другого трафика. Она связывала системы с системами коннекторами и каналами, перемещая данные поле за полем. В ближайшие три–пять лет трафик изменится. Теперь данные нужны ИИ, и ему нужны все данные вместе с их смыслом.

Поэтому, думаю, рынок разделится. Перемещение данных станет товаром массового спроса, как обычная дорога. Ценность сместится к уровню, который понимает предприятие: полный доступ к каждой системе, стоящий за ней бизнес-контекст и единая схема для всех систем.

Gartner уже выделяет платформы ИИ-контекста в отдельный рынок, который вырастет с 28 млрд долларов в 2026 году до 78 млрд долларов к 2030-му. Аналитики также отмечают, что возможности этих платформ ограничены тем, сколько данных они реально могут извлечь из учетных систем. Именно этот пробел мы и закрываем.

Разница на этот раз в том, что ждать 40 лет не придется. С ИИ предприятия могут построить дороги гораздо быстрее, чем их строили для автомобиля, но только если их данные действительно смогут дойти до двигателя. Наша цель — возглавить эту категорию и стать фундаментом знаний для корпоративного ИИ, чтобы каждый сценарий использования ИИ на предприятии работал на Unfold — от мейнфрейма до SaaS.

Видение основателя

13. Что вдохновило вас на создание Unfold и каково ваше долгосрочное видение компании?

Наша команда годами занималась глубоким исследованием ПО, извлекая данные из систем, которые никогда не были рассчитаны на то, чтобы их отдавать. Потом появился ИИ, и внезапно у каждой компании возникла та же проблема, которую мы решали вручную, но в таком масштабе, что никаких специалистов не хватит. Двадцать лет назад ваши данные хранились на ваших собственных серверах.

Сегодня они скрыты за вендорами, интерфейсами и знаниями, которые уходят на пенсию. Мы создали Unfold, чтобы ИИ мог понимать любую корпоративную систему так, как ее понимает давний сотрудник. Долгосрочное видение простое: каждый сценарий использования ИИ на предприятии работает на Unfold — от мейнфрейма до SaaS.

Полный текст статьи читайте на TheNextWeb.ru