Технологии GenAI довольно эффективны, но с другой стороны они ставят перед ИТ индустрией много новых технических задач совершенно другого качественного уровня. И самый большой барьер для массового использования GenAI: надежность и гарантированная предсказуемость работы, которая отсутствует by design. В последнем обзоре Gartner по трендам ИИ доминируют такие темы как agent harness, управление затратами (потому что любая компания хочет не только иметь эффективный бизнес-процесс, но и знать, сколько он стоит, и на его стоимости строить собственную экономику), системы управления контекстом, AI governance и другие мощные тренды, за которыми стоят новые типы ПО и новые платформенные решения. В 2026 году структура расходов на agentic AI в компаниях сместилась. Крупнейшая статья бюджета по прежнему API фундаментальных моделей, около 28 процентов, и GPU инфраструктура, порядка 22 процентов. Но интеграция и агентные платформы занимают уже 11 процентов, а инструменты для оценки, обсервабилити и FinOps на базе ИИ, 9 процентов, и эта доля продолжает расти. Gartner в Hype Cycle for Agentic AI 2026 фиксирует тот же сдвиг структурно: рядом с базовыми агентными технологиями появляются отдельные профили governance, безопасности и контроля затрат. Рынок перестал платить за создание агента. Он платит за возможность управлять тысячей агентов, не теряя видимость, контроль над расходами и соответствие требованиям. И AI governance я считаю одним из самых важных трендов, прямо вытекающим из экспертизы управления данными и микросервисами. AI governance отвечает на несколько ключевых вопросов. Зачем мы используем ИИ и кто за него отвечает. Какие данные мы используем и законно ли это, включая GDPR, банковские регуляции и подобные требования. Как мы убеждаемся, что модель не вредит клиентам и бизнесу. Как мы отслеживаем поведение моделей и вмешиваемся, если что то идёт не так. У AI governance есть шесть основных элементов. • Первый: политики и принципы, то есть формальные правила, где можно применять ИИ, где нельзя, и требования к качеству, честности, прозрачности, защите данных. • Второй: роли и ответственность, кто владелец конкретной модели, кто её утверждает, кто мониторит в проде и кто отвечает перед регулятором и менеджментом. • Третий: процессы по жизненному циклу ИИ, от идеи до деактивации модели: оценка рисков, согласование, тестирование, валидация, релиз, регулярный ревью, аудит. • Четвёртый: мониторинг и контроль, логи, метрики, алерты, human in the loop, независимые проверки, то есть тот самый внешний слой: наблюдение за агентами, журналирование действий, детект отклонений от политик. • Пятый: соответствие закону и стандартам, для финансового сектора это регуляции по кредитованию, AML, рекламе, защите потребителя, EU AI Act, GDPR и подобные, плюс внутренние стандарты компании. • Шестой: аудит и объяснимость, возможность отмотать назад и показать, какая модель, на каких данных, с какими настройками приняла решение и какие проверки она прошла.