Google: частный граф знаний + публичные данные через MCP

Что изменилось

3 августа 2026 Google Cloud объявила два связанных шага:

1. Общая доступность Data Commons на Spanner Graph — публичный граф знаний переведён на нативную графовую модель Spanner.
2. Предварительный доступ к Data Commons Platform — компании могут разворачивать частный экземпляр на той же архитектуре и федеративно запрашивать публичный граф Google.

По данным Google, Data Commons объединяет более 400 млрд статистических наблюдений от более чем 100 поставщиков, включая ООН, World Bank, Eurostat, WHO и NOAA. Наблюдения нормализованы через определения Schema.org. Доступ — инструменты исследования данных, облачные программные интерфейсы и MCP-инструменты.

Домены публичного графа: демография, экономика, окружающая среда, здравоохранение, сельское хозяйство. Google приводит масштаб: 1,7+ млрд узлов, 2,6+ млрд рёбер.

Главный продуктовый сдвиг для бизнеса — федерация частного и публичного графов:

• внутренние показатели остаются в частном экземпляре, с контролем доступа;
• естественно-языковой запрос может объединять частные и публичные результаты;
• закрытые данные не копируются в публичный граф Google.

Пример из поста: ритейлер сопоставляет продажи, результаты магазинов и логистику с населением, занятостью и макроэкономикой — чтобы искать недоосвоенные рынки и уточнять распределение ассортимента.

Что делать тем, кто работает с данными и агентами

Если вы аналитик, маркетолог или владелец агента — не ждите «магии графа», соберите минимальный пилот на доступной географии.

1. Соберите сопоставимую матрицу. Продажи по регионам + население + занятость + доходы или макроиндикатор. Зафиксируйте период и границы территории до запроса к агенту.
2. Задайте жёсткий контракт ответа. Найти регионы с непропорционально низкими продажами; посчитать продажи на душу населения; назвать три гипотезы роста; указать источник и дату каждого внешнего показателя.
3. Пропишите правило остановки. Не делать вывод, если периоды или территории несопоставимы. Лучше «данных недостаточно», чем красивая, но ложная гипотеза.
4. Требуйте действие, не эссе. Результат пилота — список регионов для конкретного рекламного или продуктового теста, а не «исследование рынка на 10 страниц».
5. Разделите слои доступа. Внутренние продажи — только через ваш контур (MCP Panel / частный граф). Публичная статистика — через Data Commons или эквивалентный источник. Не смешивать выгрузки в один неконтролируемый файл.

Практический критерий успеха: по итогам недели у вас есть 3–5 регионов с гипотезой, источником внешнего индикатора и назначенным тестом (бюджет, оффер или ассортимент).

Что сделать мне в MCP-CHEREMISINA

Для нашей линии пост Google — чертёж связки «внутренние KPI + внешний контекст» через MCP.

1. Описать пилотный сценарий — продажи / лиды по регионам + население + занятость; выход: регионы для теста, не отчёт ради отчёта.
2. Закрепить контракт агента — обязательные поля: источник, дата, период, территория; запрет вывода при несопоставимости.
3. Проверить, как MCP-инструменты Data Commons стыкуются с нашими коннекторами Метрики, Директа и CRM: кто отвечает за внутренние цифры, кто — за публичные.
4. Добавить нормирование в Skills аналитики — продажи на душу населения / на занятых, а не только абсолюты.
5. Вшить внешний контекст в голосовой и текстовый брифинг — рядом с вчерашними отклонениями агент называет внешний фактор только с источником.
6. Не копировать закрытые данные во внешние сервисы «для удобства промпта» — федерация и изоляция из поста Google должны стать правилом архитектуры MCP Panel.

Пока пилот не даёт список регионов для теста, «граф знаний» остаётся инфраструктурной новостью, а не рабочим контуром.