Teradata Corp. расширяет своего ИИ-ассистента Tera контекстным движком и системой исполнения, которые позволяют агентам выполнять задачи с данными в корпоративных системах. Tera — это агентное ИИ-рабочее пространство и интерфейс на естественном языке: пользователи работают с корпоративными данными и ИИ-агентами, описывая нужное словами, а не написанием SQL-запросов или кода. Обновление рассчитано на бизнес-аналитиков, инженеров данных и администраторов баз данных, и оно важно потому, что ассистент позиционируется для работы с данными за пределами собственных систем Teradata, оставаясь в рамках правил доступа организации.
Что входит в обновление Tera
Выпуск добавляет три компонента. Tera Context Engine связывает информацию из баз данных, каталогов, пайплайнов и других источников, не требуя от компаний переносить свои данные. Он объединяет метаданные, происхождение данных, бизнес-определения и политики доступа, чтобы агент мог трактовать запрос в контексте использующей его организации; по заявлению Teradata, движок может прослеживать выводы ИИ до их источников и применять те же политики при перемещении информации между системами. Tera Harness отвечает за исполнение: он выбирает инструменты, модели и данные, необходимые для задачи, отслеживает прогресс на нескольких шагах и может приостановиться для одобрения человеком перед чувствительными действиями. Agent Skills упаковывает типовые задачи инженерии данных, анализа и data science в переиспользуемые функции. Teradata сообщает, что новые возможности вместе с набором специализированных агентных навыков будут доступны в четвёртом квартале 2026 года.
Хотя Tera входит в состав основной платформы Teradata Autonomous Knowledge Platform, компания заявляет, что она может обращаться к данным, хранящимся вне систем Teradata. В этом и смысл разделения контекста и исполнения. Context Engine даёт организационный смысл запроса — какие определения применимы, откуда пришли данные, кому разрешено их видеть, — а Harness решает, что и в каком порядке запускать. Контроль применяется до запуска действия, а не после, что призвано ограничить несанкционированные или разрушительные операции, и система может возобновить работу после сбоя инфраструктуры. Организации также могут подключать собственные инструменты через Model Context Protocol, поэтому ассистент не ограничен функциями, которые поставляет сама Teradata.
Дополнения появляются на фоне попыток бизнеса дать ИИ-агентам достаточно информации и полномочий для завершения работы, не теряя контроля над доступом к данным и согласованиями. Сумит Арора, директор по продуктам Teradata, заявил, что большинство предприятий не начинают с нуля в области ИИ: они имеют дело с инструментами, которые не работают вместе, и с нехваткой навыков, из-за которой эти инструменты трудно использовать в масштабе. Teradata также приводит аргумент по эксплуатационным расходам. В проведённом компанией тестировании на бенчмарке SWE-bench Pro с использованием одной и той же модели Opus 5 Tera израсходовала на 73% меньше токенов, чем Claude Code, выполнила задачи на 42% быстрее и при 58% меньшей общей стоимости, показав при этом более высокую долю завершённых задач. На бенчмарке инженерии пайплайнов data-eng-bench Teradata сообщила о 53% меньшей стоимости на надёжно решённую задачу, чем у Cortex Code от Snowflake Inc., исходя из опубликованных результатов Snowflake. Компания предупредила, что сравнения отражают её собственное тестирование и заявленные условия бенчмарков, а не производительность на всех корпоративных нагрузках.
Что это значит для бизнеса
Для компаний, внедряющих ИИ-агентов, практическое изменение в том, что управление доступом переходит из документа с политиками в сам путь исполнения. Запрос может быть проверен на соответствие правилам доступа до запуска действия, а чувствительный шаг — дождаться одобрения человеком вместо автоматического продолжения. Это важнее всего в регулируемых сферах — финансах, здравоохранении, телекоме, — где агенту, читающему данные клиентов, нужен прослеживаемый ответ о происхождении его вывода. Небольшая компания, скорее всего, заметит в первую очередь переиспользуемые Agent Skills, потому что написание SQL или Python, оптимизация запросов, настройка нагрузок и подбор вычислительных ресурсов — задачи, под которые у неё может не быть отдельных специалистов. Крупному предприятию важнее Context Engine, поскольку его проблема обычно в разрозненных определениях и политиках across множества систем, а не в нехватке инструментов.
Перед решением предстоит проверить несколько вещей. Показатели бенчмарков заявлены вендором и прямо привязаны к оговорённым условиям, поэтому они описывают Tera против Claude Code и Cortex Code в этих тестах, а не в среде конкретной компании. Срок доступности — четвёртый квартал 2026 года — означает, что сегодня эти возможности в общем доступе развернуть нельзя, а в источнике не указаны ни цены, ни то, какие модели могут выбирать заказчики, кроме заявления компании о возможности выбирать модели и запускать нагрузки в облаке, на собственных серверах или в суверенных средах. Teradata предлагает AI Services, чтобы помочь заказчикам выявлять сценарии использования, настраивать Industry Knowledge Models и быстрее переводить корпоративные знания в продакшен, что говорит о необходимости конфигурационной работы, а не простого включения. Покупателям стоит спросить, как обеспечивается соблюдение происхождения данных и политик доступа, когда агент обращается к данным вне Teradata, как выглядит шаг одобрения человеком на практике и как получены измерения токенов и стоимости.
Следить стоит за тем, выйдет ли релиз четвёртого квартала 2026 года с Context Engine, Harness и Agent Skills в описанном виде и опубликуют ли заказчики собственные данные о стоимости и доле завершённых задач, а не будут повторять бенчмарки вендора. Если независимые внедрения подтвердят меньшее потребление токенов и меньшую стоимость на решённую задачу при управляемом исполнении, спор сместится с качества моделей на контроль над действиями агентов — и именно на этом поле поставщики платформ данных будут конкурировать за бюджеты предприятий на ИИ.
