# Барыш Гюльтекин из Snowflake: Почему ИИ-агенты заменят традиционную бизнес-логику

Источник: https://www.youtube.com/watch?v=txYahwrTEZA
Канал: Cognitive Revolution "How AI Changes Everything"
Опубликовано: 14.01.2026

---

Компания Snowflake, долгое время известная как гигант в сфере облачного хранения данных, переживает масштабную трансформацию. Под руководством Барыша Гюльтекина, вице-президента по ИИ, компания переосмысливает свою роль, превращаясь в «AI Data Cloud». Основной тезис этой стратегии прост, но радикален: вместо того чтобы отправлять чувствительные корпоративные данные во внешние модели, необходимо привести искусственный интеллект непосредственно к данным.

## 🚀 От хранилища к «AI Data Cloud»: новая философия Snowflake
[[JUMP:03:03]]

Барыш Гюльтекин пришел в Snowflake вместе с нынешним CEO Шридхаром Рамасвами после поглощения компании Neva в мае 2023 года [00:40]. По его словам, сегодня Snowflake — это не просто платформа для аналитики, а полноценное облако данных для ИИ.

Основные изменения в работе клиентов:

*   **До эры ИИ:** Клиенты использовали Snowflake преимущественно для структурированных данных, строили BI-дашборды и боролись с «силосами» (разобщенностью) данных внутри организации [05:13].
*   **С приходом ИИ:** Произошел «великий апгрейд» неструктурированных данных. Теперь компании могут извлекать структуру из сотен тысяч документов (контрактов, PDF, отчетов) и анализировать их так же легко, как обычные таблицы [06:09].

Гюльтекин утверждает, что 80–90% всех корпоративных данных являются неструктурированными [08:20]. Ранее они были «мертвым грузом», но современные LLM позволяют превратить их в ценный актив. В качестве примера он приводит сферу управления капиталом: теперь агент может одновременно проверять текущие котировки акций (структурированные данные) и анализировать отчеты об активах в формате PDF (неструктурированные данные) [09:13].

## 📊 Революция в Text-to-SQL: почему это заработало сейчас
[[JUMP:09:25]]

Традиционно перевод естественного языка в SQL-запросы (Text-to-SQL) был крайне сложной задачей. По мнению Барыша Гюльтекина, в этой сфере практически нет права на ошибку: если пользователь спрашивает о выручке, существует только один правильный ответ [10:28].

Основные трудности Text-to-SQL:

1.  **Семантическая неоднозначность:** Определение «выручки» или «прибыли» может меняться от отдела к отделу.
2.  **Масштаб:** Реальные базы данных содержат тысячи таблиц и сотни тысяч колонок [11:06].
3.  **«Племенные знания»:** Информация о том, какие колонки устарели, часто хранится только в головах аналитиков.

Ситуация изменилась в последние полгода благодаря появлению моделей рассуждения (reasoning models), таких как o1. Гюльтекин отмечает, что качество Text-to-SQL достигло уровня, при котором технологию можно развертывать массово для бизнес-пользователей, не владеющих кодом [11:35]. Продукт Snowflake Intelligence стал самым быстрорастущим в истории компании, так как он позволяет менеджерам получать инсайты мгновенно, не дожидаясь ответа от аналитиков целую неделю [12:03].

Чтобы решить проблему семантики, Snowflake предложила стандарт **Open Semantic Interchange**. Это открытый формат, разрабатываемый совместно с Tableau и Omni, который позволяет один раз создать семантическую модель (описание того, что значат данные) и использовать ее в разных ИИ-платформах без привязки к конкретному вендору [14:11].

## 🧠 RAG и обработка сложных документов
[[JUMP:21:12]]

Технология RAG (генерация с дополнением извлеченными данными) в Snowflake строится на наследии поискового движка Neva. Гюльтекин подчеркивает, что качество RAG зависит не только от модели, но и от всей цепочки обработки [22:17]:

*   **Обработка PDF:** Документы часто содержат изображения, таблицы и многоколоночную верстку, что сбивает обычные модели.
*   **Гибридный поиск и ре-ранкеры:** Использование поисковых технологий Neva позволяет находить более релевантные куски текста перед отправкой в LLM.
*   **Агентурная аналитика документов:** Теперь системы могут не просто находить абзац, а отвечать на сложные вопросы типа «Какова средняя выручка за последние 10 лет на основе всех квартальных отчетов в PDF?» [23:52].

В вопросе выбора моделей Гюльтекин придерживается прагматичного подхода. Если нужно обработать миллионы документов, использовать топовые модели вроде Claude 3.5 Opus или Gemini 1.5 Pro слишком дорого и медленно [26:17]. В таких случаях Snowflake предлагает специализированные, оптимизированные модели для извлечения информации, которые в разы меньше и дешевле флагманских решений [26:30].

## 🛡️ Безопасность: «ИИ идет к данным»
[[JUMP:36:14]]

Ключевой барьер для внедрения ИИ в крупных корпорациях — страх утечки данных. Гюльтекин поясняет, что Snowflake решила эту проблему через партнерство с облачными провайдерами и лабораториями моделей (Anthropic, Google, OpenAI).

Инференс (исполнение) модели происходит внутри защищенного периметра Snowflake [36:54]. Это означает:

*   Данные не покидают границы безопасности Snowflake.
*   Модели не сохраняют состояние (zero retention) и не обучаются на данных клиентов [37:07].
*   Соблюдается строгая резиденция данных (data residency).

Особое внимание уделяется гранулярному доступу. Если в компании есть ИИ-агент по кадровым вопросам, он автоматически «наследует» права доступа пользователя. Менеджер увидит зарплаты только своих подчиненных, а обычный сотрудник — только свою, хотя обращаются они к одному и тому же боту [1:01:29].

## 🤖 Агенты и будущее рабочих процессов
[[JUMP:51:26]]

Гюльтекин разделяет агентов на две категории по типу интерфейса и задач:

1.  **Для бизнес-пользователей (Snowflake Intelligence):** Это структурированные ассистенты. Например, отдел продаж из 5000 человек использует торгового ассистента для подготовки к продлению контрактов [53:25]. Здесь важна предсказуемость и доверие к ответу.
2.  **Для разработчиков и аналитиков:** Кодинг-ассистенты, которые работают в режиме «выбери свое приключение» (как Claude Code).

Относительно будущего «автономных коллег», Гюльтекин согласен, что это естественная прогрессия. Хотя некоторые эксперты прогнозируют появление полноценных «drop-in» ИИ-сотрудников уже во втором квартале 2026 года, гость считает, что успех будет зависеть от четкости поставленных рамок (scoping) [1:12:54]. ИИ-агент не сможет сразу стать «новым коллегой, который делает всё», но он вполне способен взять на себя узкую, изолированную роль.

## 📈 Экономика ИИ и «стирание середины»
[[JUMP:1:23:45]]

Барыш Гюльтекин представил интересное видение того, где будет аккумулироваться стоимость (value capture) в индустрии ИИ. По его мнению, «середина будет размыта», а края — расширяться:

*   **Нижний уровень (Инфраструктура):** Производители чипов (Nvidia) и провайдеры моделей продолжат забирать значительную долю прибыли [1:24:11].
*   **Верхний уровень (Приложения):** Компании, создающие уникальный пользовательский опыт на базе моделей (например, Cursor), будут процветать.
*   **Средний уровень (Кастомная бизнес-логика):** Традиционные SaaS-решения, которые просто автоматизируют узкие процессы, рискуют исчезнуть, так как агенты смогут генерировать эту логику «на лету» [1:25:41].

Гюльтекин делает ставку на горизонтальные платформы. Он считает, что вертикальные решения (специализированные под одну нишу) становятся менее защищенными, так как современные модели обладают достаточным «интеллектом», чтобы разобраться в специфике любой отрасли при наличии правильных данных.

## 💡 Советы лидерам индустрии
[[JUMP:1:38:04]]

В завершение беседы Барыш Гюльтекин дал несколько рекомендаций руководителям предприятий:

1.  **Прекратить осторожничать:** ИИ уже достаточно мощен, и сейчас идет гонка за интуицией и опытом его использования [1:38:18].
2.  **Готовить фундамент данных:** Главное препятствие — «силосы». Нужно инвестировать в то, чтобы данные были доступны для ИИ, а не заперты в старых системах [1:39:01].
3.  **Менять философию продукта:** В эпоху ИИ-кодинга прототипирование должно стать мгновенным. «Рабочий прототип — это валюта нашего времени» [1:11:07].