Среди 101 предприятия, опрошенного VentureBeat, инфраструктура, обеспечивающая ИИ-агентов бизнес-контекстом, внедряется быстрее, чем ее удается сделать заслуживающей доверия. Retrieval-augmented generation (RAG) стал источником контекста по умолчанию для корпоративного ИИ, а нативные для провайдеров инструменты retrieval незаметно обогнали специализированные векторные базы данных, которые изначально определили эту категорию. Темпы внедрения примечательны: RAG был представлен как исследовательский метод в 2020 году (Lewis et al., тогда в Facebook AI Research) и всего за несколько лет стал стандартным способом привязки больших языковых моделей к собственным данным предприятий. Однако большинство предприятий уже наблюдало, как их ИИ-агенты выдавали уверенные, но неверные ответы, прослеживаемые до отсутствующего или противоречивого контекста, — проблему, которую один лишь больший объем retrieval не решит.

Этот выпуск VentureBeat Pulse Research рассматривает корпоративные RAG и контекстный слой: что снабжает ИИ-агентов бизнес-контекстом, какие retrieval-системы используют организации, как они их выбирают и оценивают, куда движется архитектура и насколько часто этот контекст уже приводит к сбоям.

Разрыв контекста

Главный вывод отчета — то, что VentureBeat называет «разрывом контекста»: дистанция между тем, насколько уверенно отвечают корпоративные агенты, и тем, насколько надежен лежащий в основе контекст на самом деле. Большинство предприятий (57%) сообщили, что за последние шесть месяцев их ИИ-агенты выдавали уверенные, но неверные ответы, связанные с отсутствующим или противоречивым бизнес-контекстом. Более половины этих респондентов заявили, что это происходило более одного раза. Только 28% сообщили, что таких сбоев не было.

Это не маргинальная проблема. Retrieval является основным источником контекста для 38% предприятий — больше, чем любой другой подход, — а значит, когда retrieval оказывается неполным или противоречивым, возникающие ошибки воспринимаются с авторитетом самого агента. Инфраструктура, призванная решить эту проблему, активно разрабатывается: 58% предприятий уже используют или создают управляемый семантический слой, хотя у большинства он еще не дошел до production.

За этими выводами стоит консолидация рынка в неожиданном направлении. Нативный для провайдеров retrieval — file search OpenAI (40%) и Vertex AI Search Google (38%) — уже лидирует по использованию в production относительно всех специализированных векторных баз данных. Предприятия ожидают, что к концу 2026 года будет доминировать гибридный retrieval (34%). Тем не менее относительное большинство (36%) заявляет, что намерено сохранить независимые best-of-breed инструменты, а не консолидироваться на нативном контекстном стеке одного провайдера, и большинство (57%) планирует сменить или добавить провайдера в течение двенадцати месяцев. Заявленные предпочтения и фактическое использование расходятся: организации покупают нативный для провайдеров retrieval, одновременно настаивая на стремлении к независимости.

Методология

VentureBeat провела этот опрос в рамках продолжающейся серии Pulse Research, сосредоточенной на корпоративной RAG-инфраструктуре и контекстном слое — retrieval-системах, семантических слоях и источниках контекста, питающих ИИ-агентов. Ответы были отфильтрованы по организациям с численностью более 100 сотрудников (n=101). Опрос не получил ответов от организаций с 100 или меньшим числом сотрудников, поэтому вся выборка соответствует критерию. Все ответы относятся к одной волне Q2 2026 (June), что делает отчет срезовым, а не отслеживающим тренды. Несколько вопросов допускали множественный выбор, поэтому доли могут суммарно превышать 100%.

По размеру организаций выборка сосредоточена в среднем сегменте рынка: лидируют компании с 251–1,000 сотрудников (31%) и 101–250 сотрудников (31%), за ними следуют 1,001–5,000 (20%), 5,001–10,000 (12%) и 10,001+ (7%). По ролям респонденты включают менеджеров (39%), индивидуальных специалистов (27%), C-suite (16%), а также VP и директоров (14%). С точки зрения закупочных полномочий выборка выглядит репрезентативной для покупателей: 46% являются лицами, принимающими окончательные решения, а еще 26% — рекомендателями или влиятельными участниками процесса. Technology/Software — крупнейшая представленная отрасль с долей 20%, за ней следует Healthcare/Life Sciences (11%), при широкой представленности розничной торговли, транспорта, финансовых услуг, производства и образования.

При 101 респонденте выборка умеренная, и ее следует рассматривать как направленный сигнал, а не как точное измерение. Она является самовыборкой, а не вероятностной выборкой, и отражает организации, активно создающие RAG и контекстную инфраструктуру, а не крупнейших операторов.

Вывод 1: уверенно и неверно — ошибки агентов, связанные с плохим контекстом

VentureBeat спросила, сталкивались ли предприятия за последние шесть месяцев с уверенным, но неверным ответом агента, который удалось связать с отсутствующим или противоречивым бизнес-контекстом. Большинство сталкивалось.

Это определяющая цифра отчета. Большинство предприятий (57%) уже имели случай, когда ИИ-агент выдавал уверенный, но неверный ответ, связанный с плохим контекстом, включая неправильные метрики, устаревшие определения или отсутствующие документы, и более половины из них наблюдали это более одного раза. Только 28% сообщают об отсутствии таких сбоев, а небольшая оставшаяся часть либо не запускает агентов на корпоративных данных, либо не отслеживает первопричину достаточно тщательно, чтобы знать ответ.

Механизм сбоя конкретен и опасен: модель не выглядит явно галлюцинирующей. Она уверенно ошибается, потому что контекст, который ее питает, был неполным или противоречивым. Это различие важно для корпоративного риска: галлюцинации — когда модель выдумывает без опоры на извлеченные данные — все чаще можно выявлять с помощью guardrails и проверки выходных данных. Но уверенно сформулированная неверная метрика, взятая из устаревшего документа, сложнее обнаруживается, потому что у ответа есть правдоподобный источник. Все остальные выводы отчета — что предприятия извлекают, как они это управляют и что планируют строить — являются следствием этой проблемы.

Вывод 2: RAG является источником контекста по умолчанию

Retrieval снабжает больше агентов, чем любой другой метод. Для 38% организаций RAG по документам или векторному индексу является основным способом, с помощью которого агенты понимают бизнес, — почти вдвое чаще, чем следующий подход, управляемый семантический слой или онтология (21%). Смешанные подходы составляют 14%, прямые запросы к живым системам — 10%, а загрузка длинного контекста — 6%. Только 2% позволяют агентам работать исключительно на общих знаниях модели.

Эта концентрация важна в свете вывода 1: поскольку столь большая часть корпоративного контекста проходит через retrieval, качество этого retrieval определяет качество ответа. Когда RAG является источником по умолчанию, слабый retrieval — не пограничный случай, а основная поверхность отказа.

Один подход заметно отсутствует: настройка весов модели, или fine-tuning. Каждый ведущий источник бизнес-контекста в опросе вводится во время выполнения. Самое недавнее прямое измерение fine-tuning у VentureBeat относится к волне опроса April–May (отдельный опрос, n=136), где возможности fine-tuning заняли последнее место среди шести факторов выбора модели с 5%, даже несмотря на то, что 26% этой выборки по-прежнему назвали fine-tuning и кастомизацию инвестициями, которые, как они ожидают, будут расти. Fine-tuning выпал из основного обсуждения выбора; внедрение контекста — вот как предприятия делают агентов осведомленными о своем бизнесе.

Вывод 3: нативный для провайдеров retrieval уже опережает векторные базы данных

Специализированная векторная база данных больше не является центром RAG-стека. File search OpenAI (40%) и Vertex AI Search Google (38%) лидируют по использованию в production — как нативный для провайдера и нативный для hyperscaler retrieval — опережая каждую специализированную векторную базу данных. Среди специалистов наиболее используемыми являются инструменты, которые предприятия уже применяют по другим причинам (Elasticsearch/OpenSearch, 20%), и открытый встроенный вариант (pgvector, 12%). Чистые векторные базы данных, определившие категорию, — Weaviate, Qdrant, Pinecone и Milvus — каждая находятся в диапазоне от однозначных значений до низких двузначных. Примечательно, что 13% предприятий заявляют, что вообще не используют RAG в production.

Это существенный сдвиг для категории, которая привлекла значительные венчурные инвестиции в 2022–2023 годах. Такие компании, как Pinecone, Weaviate и Qdrant, привлекали раунды финансирования на тезисе о том, что специализированная векторная инфраструктура станет фундаментом корпоративного ИИ. Данные опроса указывают на то, что поставщики моделей и hyperscaler-компании захватывают слой retrieval, встраивая его в те же API, которые предприятия уже используют для inference, — тот же паттерн платформенной динамики, который изменил рынки от мониторинга до CI/CD.

Как и в случае с платформами в параллельной инфраструктурной волне VentureBeat, предприятия тяготеют к retrieval, поставляемому в комплекте с инструментами, которые они уже покупают.

Этот вывод подтвердился в обеих волнах Q2. В April–May (n=161) retrieval, созданный провайдерами, также лидировал по использованию, в то время как каждая специализированная векторная база данных оставалась на периферии — самая используемая автономная векторная база данных достигла пика в 8% этой выборки. Гибридное, плюралистическое будущее уже тогда было консенсусным ожиданием (34% ожидали доминирования гибридного retrieval, еще 29% ожидали разных архитектур в зависимости от сценария). Две волны дают последовательную картину: категория, введшая термин «векторная база данных», поглощается платформами, у которых предприятия уже покупают.

Вывод 4: предприятия говорят, что хотят сохранить best-of-breed

Даже несмотря на то что нативный для провайдеров retrieval лидирует на практике, относительное большинство предприятий (36%) заявляет, что намерено сохранить независимые best-of-breed инструменты, а не консолидироваться на нативном контекстном стеке провайдера, — значительно больше, чем 21%, планирующие консолидацию. Еще 21% ожидают смешанный вариант, а 9% намерены построить слой и владеть им самостоятельно.

Разрыв между тем, что предприятия используют, и тем, чего они, по их словам, хотят, является стратегическим вопросом категории: они внедряют bundled retrieval ради удобства, одновременно утверждая, что сохранят независимость. Какой импульс победит — притяжение пакета провайдера или заявленное предпочтение модульного контроля — будет формировать рынок retrieval сильнее, чем любой отдельный инструмент.

Вывод 5: гибридный retrieval — консенсусная ставка

Треть предприятий (34%) ожидает, что гибридный retrieval — embeddings в сочетании с reranking и контролем доступа — будет доминировать в их production-системах к концу 2026 года, что втрое превышает долю тех 11%, кто ожидает победы только векторного retrieval. Чистый подход vector search, с которого стартовала категория, уже рассматривается как недостаточный сам по себе и вытесняется конвейерами, добавляющими reranking для точности и контроль доступа для управления, — именно теми механизмами контроля доступа, отсутствие которых приводит к сбоям, описанным в выводе 1.

Второй по величине ответ — неопределенность: 17% респондентов не знают, какая архитектура будет доминировать, а еще 14% ожидают полного отхода от специализированного векторного слоя в сторону tool-first или long-context retrieval. Консенсус заключается не в одном инструменте, а в многоуровневом конвейере, и он еще не полностью сформирован.

Вывод 6: управляемый контекстный слой строится уже сейчас

Значительно более половины предприятий (58%) либо используют управляемый семантический слой в production (25%), либо пилотируют и создают его (34%). Еще 17% активно оценивают этот подход, что означает: три четверти так или иначе вовлечены в эту концепцию.

Концепция семантического слоя имеет прецедент в business intelligence, где такие платформы, как dbt, Looker и Tableau, давно предоставляют управляемые, переиспользуемые определения бизнес-метрик, чтобы гарантировать, что dashboards и отчеты в организации ссылаются на одни и те же числа. Новизна здесь заключается в распространении того же дисциплинированного слоя определений на входные данные, питающие ИИ-агентов, — чтобы, когда агент ссылается на выручку или статус клиента, базовое определение было согласованным, актуальным и контролируемым по доступу, а не извлеченным из первого документа, который выдал retrieval-конвейер.

Однако баланс показателен: больше организаций строят, чем уже запустили. Для большинства предприятий общий управляемый слой определений, который предотвратил бы «уверенные, но неверные» сбои из вывода 1, остается работой в процессе. Семантический слой — ответ отрасли на противоречивый контекст, и этот опрос фиксирует его в середине строительства, когда амбиции заметно опережают production.

Вывод 7: покупают за ingestion и простоту, контролируют по корректности

Предприятия выбирают retrieval-системы по операционности. Простота загрузки данных (36%), задержка и производительность (32%), а также операционная простота (29%) лидируют среди критериев выбора — опережая точность retrieval и контроль доступа (по 23%), два фактора, наиболее непосредственно связанные со сбоями из вывода 1.

Когда системы уже запущены, акцент смещается к доверию. Наиболее отслеживаемые метрики — корректность ответов (42%) и безопасность и контроль доступа (38%), опережающие задержку (28%), операционную стабильность (27%) и релевантность ответа (23%).

Этот разрыв между критериями покупки и критериями мониторинга отражает более широкий паттерн внедрения корпоративного ИИ: организации при закупке отдают приоритет скорости интеграции, а затем обнаруживают, что корректность и управление — более сложные и медленнее измеряемые характеристики — становятся метриками, определяющими, будут ли агентам доверять в production. Разрыв усиливается тем, что точность retrieval и контроль доступа, два измерения, наиболее напрямую связанные с уверенно-ошибочными сбоями, занимают самые низкие места среди критериев выбора.

Удовлетворенность текущими системами умеренно положительная, но без энтузиазма. По пятибалльной шкале общая удовлетворенность в среднем составляет 4.0, а простота внедрения и соотношение цены и ценности — около 3.9. Предприятия покупают, исходя из того, насколько легко система работает, и мониторят ее, исходя из того, можно ли ей доверять.

Вывод 8: приближается перестановка в retrieval

Хотя 43% предприятий не планируют менять провайдеров retrieval, небольшое большинство (57%) намерено сменить или добавить провайдера в течение двенадцати месяцев, а четверть (26%) — уже в следующем квартале.

Набор рассматриваемых вариантов расходится с сегодняшним стеком. Нативный для провайдеров retrieval по-прежнему лидирует среди того, что предприятия оценивают (OpenAI 22%, Vertex AI Search 21%), но open-source векторные специалисты демонстрируют интерес выше своей текущей доли. Qdrant (14%) и Milvus (13%) привлекают больший интерес к переходу, чем можно было бы ожидать по их текущему использованию (10% и 6% соответственно).

В сочетании с выводом 4 картина выглядит как рынок в движении: сегодня предприятия используют нативные для провайдеров инструменты, оценивают более широкий набор решений и говорят, что хотят сохранять варианты открытыми. Предстоящая перестановка проверит, выдержит ли намерение использовать best-of-breed столкновение с удобством bundled-предложений.

Итог

Организации с более чем 100 сотрудниками встраивают ИИ-агентов в свои бизнес-операции быстрее, чем могут гарантировать контекст, на котором эти агенты работают. Retrieval является источником корпоративного контекста по умолчанию и все чаще поступает от поставщиков моделей и hyperscaler-компаний, а не от специализированных векторных баз данных. Однако большинство предприятий уже видело, как агенты отвечают уверенно и неверно, потому что контекст был неполным или противоречивым. Этот сбой не является экзотическим; это предсказуемый результат направления авторитетно звучащих агентов на ненадежную основу.

Предлагаемый отраслью ответ — управляемый семантический слой в сочетании с гибридным retrieval, reranking и контролем доступа — строится, но в основном еще не находится в production. Предприятия оказываются между удобством нативных для провайдеров пакетов и заявленным предпочтением независимости best-of-breed.

При 101 респонденте в одной волне Q2 это направленное прочтение, смещенное в сторону среднего сегмента рынка. Но направление ясно: контекстный слой — следующий спорный уровень ИИ-стека, и сейчас агенты опережают его развитие. Разрыв контекста — это не проблема объема retrieval, которую сами по себе решат больше документов или более крупные индексы; это проблема управляемого, согласованного и учитывающего доступ контекста. Открытый вопрос для последующих волн опроса заключается в том, успеют ли предприятия достроить этот слой до того, как уверенно-ошибочные сбои перейдут из лаборатории в решения, имеющие значение.

Основано на ответах 101 квалифицированного корпоративного респондента (100+ сотрудников), полученных в рамках одной волны Q2 2026 (June). При таком размере выборки результаты следует рассматривать как направленный сигнал, а не как точное измерение. Выборка является самовыборкой, а не вероятностной, и смещена в сторону среднего сегмента рынка. Среди респондентов — менеджеры, индивидуальные специалисты, VP/директора и C-suite с существенными закупочными полномочиями из технологического сектора, здравоохранения, розничной торговли, транспорта, финансовых услуг, производства и образования.