Привет, гики! Сегодня у нас на повестке дня история о том, как одна старая компания решила омолодиться. Dun & Bradstreet, ребята, которые занимаются данными о бизнесе уже почти два века, внезапно осознали, что их огромная база данных, содержащая информацию о 642 миллионах компаний, безнадежно устарела. И знаете почему? Потому что она была создана для людей, а не для AI-агентов!
В VentureBeat появилась информация, что D&B поняли, что их Commercial Graph, с его корпоративными иерархиями и профилями рисков, был заточен под кредитных аналитиков и менеджеров по продажам, которые могли подождать результатов запросов и разобраться в неоднозначных совпадениях. Но AI-агенты, как оказалось, ждать не умеют.
Когда клиенты D&B начали внедрять AI-агентов в процессы кредитования, закупок и управления цепочками поставок, выяснилось, что системы, построенные для людей, просто не подходят для машин. И D&B решили это исправить.
"Нам нужно думать об агентах как о новой категории потребителей, – заявил Гари Котовец, директор по данным и аналитике Dun & Bradstreet. – Мы должны обслуживать не только кредитных аналитиков и специалистов по продажам, но и агентов наших клиентов".
Что сломалось, когда агенты начали делать запросы?
Оказалось, что Commercial Graph – это не единая база данных, а набор разрозненных систем, созданных для разных задач и рынков. Все это держалось вместе благодаря пользовательским интеграциям. Люди могли ориентироваться в этом хаосе с помощью SQL-запросов или готовых интерфейсов. Агенты – нет.
Масштаб данных тоже сыграл свою роль. База данных выросла почти вдвое за последние пять лет, с 300 миллионов до 642 миллионов записей, с 11 000 полей на запись. D&B проводит около 100 миллиардов проверок качества данных в месяц. Запрашивать все это с субсекундной задержкой, необходимой агентам, было невозможно.
Отношения между компаниями тоже были представлены в устаревшем формате. Системы хранили статические связи между организациями. Генеральный директор связан с компанией, и точка. Но агентам, работающим с кредитными рисками, нужны динамические связи: если генеральный директор уходит в другую компанию, что происходит с его послужным списком? Если меняется владелец дочерней компании, как это отражается на корпоративной иерархии? Раньше эти вопросы решались вручную. Агенты не могут ждать ручной работы.
Котовец рассказал, что общался с сотнями CDO и CIO и слышал одно и то же: они не могут построить то, что хотят в AI, потому что их данные не стандартизированы, не нормализованы и не подходят для запросов агентов.
Что они построили?
D&B начали с консолидации. Они перенесли разрозненные базы данных в облачную инфраструктуру, переработали схему данных и создали слой data fabric, который нормализует записи по всем рынкам, сохраняя при этом соответствие региональным требованиям. В результате получился унифицированный knowledge graph, который отслеживает миллиарды связей между 642 миллионами компаний, постоянно обновляемый и обогащаемый с помощью AI.
На основе этого графа D&B построили структурированный уровень доступа для агентов. Прямой доступ к SQL-запросам при объемах и задержках, требуемых агентам, не был решением. Вместо этого D&B создали набор инструментов и навыков, доступных через MCP, которые объединяют данные с контекстом и направляют агентов к нужным записям для конкретных запросов. Механизм сопоставления и разрешения сущностей находится за каждым запросом, подтверждая, что когда агент спрашивает о компании, ответ относится к проверенной, конкретной сущности, а не просто к совпадению имен.
D&B решили проблему идентификации агентов с обеих сторон. Они построили новую модель регистрации для агентов. Они должны быть привязаны к проверенному IP-адресу и зарегистрировать индивидуальный ключ доступа, который рассматривается как аутентифицированная личность в том же конвейере, что и человек.
"У нас есть концепция Know Your Agent, аналогичная Know Your Customer, которая выполняет дополнительные проверки", – сказал Котовец.
Это решает проблему входящих данных: знать, к какой компании принадлежит агент и какие данные он имеет право запрашивать. Но D&B также построили решение для исходящих данных: что происходит, когда многоагентный рабочий процесс клиента теряет контроль над тем, какая компания...