Ран Чернявски, генеральный директор и сооснователь Unfold, заявил, что корпоративный ИИ буксует, поскольку критические данные остаются заперты в устаревших системах и проприетарных приложениях без современных интерфейсов. Традиционная интеграция соединяет системы попольно через API, открытые вендором, тогда как ИИ нужно все, что видит человек, плюс бизнес-смысл данных. Unfold работает через интерфейсы, которые бизнес уже использует, а подключение занимает до 14 дней, и это важно, поскольку 45% ключевых систем до сих пор работают на мейнфреймах или локальных клиент-серверных платформах.
Как Unfold извлекает данные без API
Unfold обращается к закрытым системам так же, как сотрудники: через интерфейс, отчеты, выгрузки, файлы и командную строку, с API или без него. Команда годами интегрировала системы вручную, тратя месяцы на каждую систему, а теперь с помощью ИИ становится экспертом по системе за дни. Компания составляет карту хранения и движения каждого элемента данных, затем создает детерминированный коллектор только для чтения, который извлекает данные через собственные права доступа системы. Подход охватывает мейнфреймы вроде AS/400, локальные ERP и современные SaaS, открывающие лишь часть данных.
Извлечение дополняется восстановлением контекста, поскольку в Oracle ERP JD Edwards таблицы содержат номера вместо названий, а поля статусов хранят коды, которые мало кто помнит. Unfold изучает каждую систему как подготовленный сотрудник, связывая изображение на экране с местом хранения данных, включая связи объектов, бизнес-правила, исключения и фактическое использование. Итогом становится каталог каждого объекта данных с бизнес-значением и полным путем через систему. После описания систем Unfold сводит их к единой канонической схеме предприятия, поэтому KUNNR в SAP и Account в Salesforce поступают как один клиент.
Актуальность темы связана с давлением советов директоров на внедрение ИИ на основе ключевых операционных данных, которые API не открывают. По данным Gartner, приведенным в интервью, 45% ключевых систем работают на мейнфреймах или локальных клиент-серверных платформах, а 34% организаций оставляют ключевые приложения без изменений, поскольку модернизация слишком рискованна. Чернявски считает, что сильнее всего страдает внедрение ИИ, а безопасность страдает как следствие, поскольку нельзя защитить то, чего не видишь. Компании годами платят узким консультантам за ручное картирование полей, аналитики вручную сводят усеченные отчеты в Excel, а пилоты ИИ ошибаются, видя лишь срез API.
Что это меняет для корпоративных ИИ-проектов
Для компаний, внедряющих ИИ-агентов, изменение заключается в доступе к данным, которые никогда не попадали в аналитические платформы, и возможности работать с ними там, где они хранятся. Unfold подпитывает Splunk, Snowflake и Databricks, не заменяя их, либо передает данные напрямую агентам через коннекторы к Claude, Gemini и другим моделям. У глобального ритейлера кассовые данные из систем AS/400 более чем в десяти странах поступают в агент выявления мошенничества на Gemini Enterprise, причем в одной стране регулятор требовал такой контроль для продолжения продаж. Небольшие компании получают ответы across systems без долгих проектов, а крупные могут связать заводы, магазины и ERP единой схемой.
Ограничения связаны с управлением, детерминированностью и проверкой картирования контекста. Unfold оставляет данные в исходных системах клиента, прилагает происхождение каждого поля и описание преобразований, а детерминированные коллекторы возвращают одни и те же данные на один вопрос. Такая конструкция важна до передачи действий агенту, однако покупателям нужно проверить работу прав доступа, покрытие всех интерфейсов и точность картирования бизнес-правил. Само интервью не доказывает результат для всех типов систем, поэтому в оценку вендора стоит включить вопросы аудита, обработки исключений и поддержки каталога.
Признаком подтверждения тренда станет переход кейсов Unfold от пилотов к промышленным контролям в регулируемых операциях. Стоит следить за внедрением выявления мошенничества у ритейлера в десяти странах, за кейсом страховщика из топ-10 США с заменой недель ручного картирования полей и ETL, а также за группой автодилеров с вопросом на обычном языке о возрасте задолженности по гарантии. Если такие внедрения дадут устойчивые детерминированные ответы across sources SAP, Salesforce, JD Edwards и AS/400, данные закрытых систем станут стандартным входом для ИИ.
