Databricks о том, почему enterprise AI отошла от волнения к безопасности
Enterprise AI входит в совсем другую фазу. Компании больше не оценивают AI по фактору волнения — они оценивают его по фактору безопасности. Главный вопрос уже н
На TechCrunch Disrupt 2026 соучредитель Databricks сделал наблюдение, которое многое объясняет: enterprise AI переходит в принципиально новую фазу. Компании повзрослели в отношении к технологии. Года два назад вопрос был простой: «Это волшебно? Сможем ли мы применить это?» Сейчас вопрос другой: «Это безопасно? Это будет работать в боевых условиях? Сколько это реально стоит?»
Конец дикому западу пилотов Это поворотный момент в индустрии.
В 2024-2025 годах компании шли волной: ChatGPT вышел, все хотят AI, давайте запустим пилот. Бюджеты были щедрые, скептицизм минимален. Databricks, OpenAI, Anthropic продавали не продукты — продавали возможность.
Вендоры объясняли: вот это может изменить вашу компанию, вот это может сэкономить вам деньги. Пилоты проходили. Красивые демо.
Модель работала на 100 примерах, все были в восторге. Но потом наступал момент: а как мы теперь это в production запустим? И в этот момент всё замирало.
Databricks видит это прямо в своих переговорах. Она готовится к Disrupt 2026 с полусотней историй успеха — и в каждой истории есть одна и та же фраза: «Сделка замерла на этапе compliance-review.» Или: «Компания ждала ответ на вопрос: как обновлять модель?»
Или: «Три месяца ушли на обсуждение: а что если модель галлюцинирует в реальной ситуации?»
Что по факту убивает сделки
Оказалось, главный враг enterprise AI — это не конкуренция вендоров, а реальность corporate governance: * Compliance и регуляция — GDPR, HIPAA, PCI DSS. Банк не может просто взять и отправить данные клиентов в облако, где живёт модель. Insurance company не может положиться на модель, которая может нарушить HIPAA.
Это не абстрактный риск — это штрафы в миллионы долларов. * Интеграция с legacy — большинство Fortune 500 работают на базах данных, которые старше чем сами инженеры. Новый AI-pipeline должен интегрироваться так, чтобы не сломать 20-летний workflow.
* Реальные расходы — пилот обошёлся в $200K. Но production — это $500K-$2M в год. Потому что нужны MLOps, потому что нужны инженеры, потому что модель надо переучивать, потому что надо мониторить, потому что надо откатывать версии.
* Надёжность на scale — пилот работал на 100 примерах. В production 100K примеров в день. Модель может неожиданно сломаться на edge cases, которых не было в тестовой выборке.
* Вопрос источника истины — откуда берутся данные? Если модель разговаривает с 10 разными API, какой из них источник истины? Что если они конфликтуют?
Databricks выпустила свою платформу именно для этого: unified data + AI workspace, где можно обучить модель, её же запустить в production, мониторить, и всё это на одном месте — без интеграций 15 вендоров.
Что это значит для рынка Вендорам больше не хватает крутых демо и обещаний.
Enterprise хочет гарантии. Хочет архитектуру, которая не требует переписывания всей инфраструктуры. Хочет доказательство: вот тут audit trail, вот тут compliance-log, вот тут версионирование моделей. Enterprise-сегмент AI замедляется. Но это не плохая новость — это хорошая новость. Компании перестают делать бессмысленные пилоты с приписанным ROI. Они спрашивают: а ценность где? Кто будет это поддерживать? Это хорошо для рынка, потому что значит правильные инвестиции. Плохо для вендоров, которые продавали только AGI-сказки.