Опубликовано: 25.03.2026 | Источник: MIT Technology Review

Как усилить диплом по ИТ или управлению: данные, ИИ-агенты и современная инфраструктура

Представьте: вы пишете ВКР, и вдруг узнаёте, что 88% компаний уже используют ИИ — но только 10% смогли масштабировать решения. Почему? Не из-за слабых моделей, а из-за проблем с данными. Это не просто новость — это шанс сделать вашу работу настоящей, а не формальной. В марте 2026 года MIT Technology Review опубликовал статью, где эксперт SAP Ирфан Хан объяснил: успех ИИ-агентов зависит не от алгоритмов, а от архитектуры данных и бизнес-контекста.

Этот кейс — золотая жила для студентов, пишущих ВКР по направлениям: информационные системы, управление данными, цифровая трансформация, бизнес-аналитика, ИТ-менеджмент. Почему? Потому что вы можете не просто описать технологию, а показать, как реальные компании сталкиваются с проблемой внедрения ИИ — и как решать её системно. Это не теория: это то, что спрашивают на защите, что цитируют преподаватели, что оценивают как «выше среднего».

Дальше — не просто пересказ статьи. Это руководство по применению: как взять свежие данные из отчёта McKinsey и отчёта Deloitte и превратить их в сильную аналитическую главу, проектную часть, экономический расчёт. Даже если вы не планируете заказать диплом, эти инструменты помогут написать работу, которая будет звучать как кейс из консалтинга.

Темы ВКР, которые можно раскрыть на основе статьи

1. Разработка архитектуры данных для поддержки ИИ-агентов в условиях многооблачной среды

• Актуальность: По данным McKinsey (2025), 88% компаний используют ИИ, но только 10% масштабировали агентов. Главная причина — разрозненные данные. Статья подчёркивает, что без единой семантической модели масштабирование невозможно.
• Цель исследования: Обосновать и спроектировать архитектуру данных, способную обеспечить ИИ-агентов контекстуализированными данными из разных источников.
• Задачи:
  • Проанализировать современные модели управления данными (data fabric, data mesh).
  • Выявить барьеры интеграции данных в условиях SaaS-ориентированной IT-инфраструктуры.
  • Разработать прототип семантического слоя с учётом бизнес-логики.
  • Оценить эффективность внедрения.
• Возможная структура работы:
  • Глава 1 – Анализ современных подходов к управлению данными и ИИ.
  • Глава 2 – Проектирование архитектуры с семантическим слоем.
  • Глава 3 – Оценка экономической и технологической эффективности.

2. Повышение доверия к данным как фактор готовности к внедрению автономных ИИ-агентов

• Актуальность: Согласно IDEA, 2/3 руководителей не доверяют своим данным. Это создаёт «доверительный долг» (trust debt), который блокирует ИИ. Тема напрямую связана с управлением качеством данных и данными как активом — тренд, поддерживаемый SAP и Deloitte.
• Цель исследования: Разработать модель повышения доверия к данным через семантическую согласованность и единые определения.
• Задачи:
  • Проанализировать причины низкого доверия к данным в организациях.
  • Изучить роль governance-процессов в контексте ИИ.
  • Создать модель оценки «уровня доверия» к данным.
  • Предложить механизм внедрения shared semantics.
• Возможная структура работы:
  • Глава 1 – Проблема доверия к данным в цифровой трансформации.
  • Глава 2 – Методология оценки и повышения уровня доверия.
  • Глава 3 – Пилотное внедрение и результаты.

3. Интеграция ИИ-агентов с SaaS-системами: роль семантического слоя как источника истины

• Актуальность: Миф, что ИИ-агенты заменят SaaS, опровергается экспертом SAP. Вместо этого — новый уровень взаимодействия: SaaS остаётся системой записи, а семантический слой — источником контекста. Это прямая отсылка к архитектуре data fabric, которую продвигает SAP.
• Цель исследования: Обосновать необходимость семантического слоя как промежуточного звена между ИИ-агентами и SaaS-приложениями.
• Задачи:
  • Проанализировать текущие модели интеграции ИИ и SaaS.
  • Выявить пробелы в доступе агентов к бизнес-контексту.
  • Спроектировать архитектуру взаимодействия с использованием семантического слоя.
  • Провести сравнительный анализ с традиционными ETL-подходами.
• Возможная структура работы:
  • Глава 1 – Эволюция ИТ-архитектур: от on-premise до агентного ИИ.
  • Глава 2 – Проектирование семантического интерфейса для ИИ-агентов.
  • Глава 3 – Оценка эффективности и рисков.

Как использовать этот кейс в аналитической главе

Анализ рынка или современных решений

В первой главе ВКР вы должны показать, что понимаете состояние отрасли. Здесь уместно привести данные из статьи:

• 88% компаний используют ИИ (McKinsey, 2025) — рост с 78% за год.
• Только 10% масштабировали ИИ-агентов.
• 67% компаний сталкиваются с проблемой data silos.

Это не просто цифры — это аргументы. Они показывают: проблема не в желании внедрять ИИ, а в готовности инфраструктуры. Такой анализ можно оформить в виде таблицы:

Обоснование актуальности (ссылка на статью)

Не пишите: «Актуальность обусловлена развитием технологий». Говорите конкретно:

«Актуальность темы подтверждается тем, что, несмотря на массовое внедрение ИИ, компании сталкиваются с низкой эффективностью масштабирования. Как отмечает Ирфан Хан (SAP), ключевой барьер — отсутствие надёжной архитектуры данных, обеспечивающей бизнес-контекст. Это делает разработку современных data-инфраструктур приоритетной задачей для цифровой трансформации».

Практические примеры для проектной части

Адаптация технологии под задачи ВКР

Представьте, что вы проектируете систему для логистической компании. Вместо шаблонного «разработаем базу данных» — предложите архитектуру с семантическим слоем. Пример:

• Источники данных: SAP ERP, WMS, IoT-датчики, Excel-отчёты.
• Семантический слой: Единые определения: «задержка поставки», «критический маршрут», «надёжный поставщик».
• ИИ-агент: Получает данные с контекстом, может принимать решения: «перенаправить груз», «уведомить менеджера».

Такой подход покажет, что вы не просто копируете учебники, а решаете реальную бизнес-задачу.

Пример архитектуры или алгоритма

Во второй главе можно предложить упрощённую схему взаимодействия:

1. Источники данных (SaaS, базы, датчики)
        ↓
2. Слой интеграции (ETL/ELT)
        ↓
3. Семантический слой (онтологии, глоссарий, правила)
        ↓
4. ИИ-агент (принимает запрос, получает контекст)
        ↓
5. Результат (рекомендация, действие, отчёт)

Это не код, но структура, которую можно описать, визуализировать и защитить. Используйте термины: data fabric, governance pipeline, business context — они покажут вашу вовлечённость в тему.

Экономические расчёты — как учесть новые данные

В третьей главе ВКР часто требуют экономический эффект. Используйте данные из статьи:

• Проблема: 67% компаний не доверяют данным → ошибки в принятии решений → потери.
• Решение: Внедрение семантического слоя → повышение доверия → снижение ошибок.

Пример расчёта:

• Средняя стоимость ошибки в логистике — 50 тыс. руб./случай.
• Компания фиксирует 20 ошибок в месяц → 12 млн в год.
• Ожидаемое снижение ошибок на 40% → экономия 4,8 млн руб./год.
• Стоимость внедрения — 2 млн → окупаемость за 5 месяцев.

Этот расчёт реалистичен и основан на проблеме из статьи. Такие цифры запоминаются на защите.

Чему вы научитесь

Если вы возьмёте одну из этих тем и проработаете её с опорой на статью, вы:

• Научитесь анализировать свежие отчёты McKinsey, Deloitte, SAP — это ценно и для учёбы, и для карьеры.
• Освоите методы интеграции данных и понимание архитектур data fabric и data mesh.
• Поймёте, как обосновывать экономическую эффективность ИТ-решений на основе реальных бизнес-метрик.
• Научитесь работать с бизнес-контекстом — ключевой навык для аналитиков и архитекторов данных.
• Сможете аргументировать выбор технологий, а не просто перечислять их.

FAQ

Насколько сложно внедрить семантический слой в дипломной работе?

Не нужно делать полноценную систему. Достаточно: 1) описать концепцию, 2) предложить структуру онтологии (например, таблицу с терминами и определениями), 3) показать, как это улучшит работу ИИ. Это реально даже на уровне диплома бакалавра.

Где взять данные для анализа, если у меня нет доступа к корпоративным системам?

Используйте публичные данные: отчёты McKinsey, Deloitte, SAP, IDEA. Также можно взять открытые датасеты (например, из Kaggle) и на их основе показать, как добавить бизнес-контекст. Главное — методология, а не объём данных.

Подойдёт ли тема про ИИ-агентов для специальности «Менеджмент»?

Ещё как! Управление данными — это не только ИТ. Вы можете сделать акцент на: 1) организационных изменениях, 2) управлении качеством данных, 3) формировании культуры доверия к данным. Это прямо из статьи — и это высоко ценится в гуманитарных направлениях.

Могу ли я использовать эту статью как источник в ВКР?

Да, но правильно. Это материал из MIT Technology Review, подготовленный Insights (подразделение). Укажите: автор — Insights, MIT Technology Review, год — 2026. Это считается достоверным источником, особенно если вы ссылаетесь на цитаты экспертов (например, Ирфана Хана).

Источник: Building a strong data infrastructure for AI agent success (опубликовано 2026-03-10)