Светлана Тарашнина, менеджер практики Applied Intelligence компании Axenix

 

Светлана Тарашнина

Применение генеративного искусственного интеллекта в бизнес-аналитике (BI) вышло на этап активного экспериментирования и пилотных внедрений. Ведущие глобальные вендоры BI-платформ постепенно интегрируют ГенИИ-функциональность, хотя речь пока и не идет о полноценной замене традиционных решений. Однако уже сейчас можно сказать, что это открывает для бизнеса возможности значительной оптимизации процессов работы с данными.

 

Генеративный ИИ выводит аналитику на новый уровень. Он автоматизирует процессы, упрощая сбор и обработку данных, а также повышая понятность и интерпретируемость результатов. Важная особенность ГенИИ — взаимодействие с пользователями через естественный язык (Natural Language Query — NLQ). Благодаря этому работа с BI становится более интуитивной и доступной, в том числе для непрофильных специалистов и пользователей без технического бэкграунда.

Кроме того, применение ИИ в BI позволяет повысить качество прогнозов. Этот фактор привлекает особое внимание компаний к ИИ-инструментам и будет способствовать значительному увеличению инвестиций в соответствующие технологии в ближайшие годы — свидетельствуют данные исследования Precedence Research.

В целом мы наблюдаем, как формируется новая парадигма, в которой ИИ не просто дополняет, а трансформирует традиционные подходы к аналитике.

ГенИИ и традиционные методы

В отличие от классических BI-инструментов, требующих ручного формирования запросов и отчетов, ГенИИ, основанный на больших языковых моделях (LLM), может применяться для автоматизации создания аналитического контента. Это включает генерацию запросов к базам данных, написание кода для задач обработки данных, проектирование дашбордов, генерацию аналитических отчетов и интерпретацию сложных графиков и тенденций.

ГенИИ демонстрирует успешное применение в генерации кода на SQL, Python и других языках, значительно ускоряя процесс подготовки и обработки данных. Однако в проектировании дашбордов и генерации аналитических отчетов мы наблюдаем лишь первые попытки применения. В перспективе также можно ожидать, что инструменты BI, дополненные ГенИИ, смогут автоматически визуализировать ключевые изменения, тренды и аномалии, такие как, например, падение или рост продаж продукции компании в определенном регионе, и одновременно обозначать их возможные причины, опираясь на контекст и исторические данные.

При этом традиционные методы машинного обучения, такие как регрессия, классификация или математическая оптимизация не исчезнут. Они остаются мощными инструментами для выявления паттернов и построения сценариев. Они продолжат развиваться за счет ресурсов ГенИИ и в его составе — будучи включенными в функциональные возможности ИИ-агентов и создавая синергетический эффект.

Однако важно учитывать и ограничения технологии на текущий момент. Например, генеративные модели могут выдавать неточные или избыточные объяснения, поэтому критически важна проверка выводов и интеграция с дополнительными инструментами для выполнения самого широкого круга задач.

В России процесс внедрения развивается медленнее, что объясняется несколькими факторами.

Во-первых, существуют ограничения доступа к некоторым зарубежным языковым моделям, которые потенциально можно было бы интегрировать в BI. Решением этой проблемы может стать использование отечественных LLM. Во-вторых, вопросы информационной безопасности и регуляторные требования создают дополнительные барьеры.

Кроме того, многие компании сосредоточены на импортозамещении базового функционала, отодвигая инновационные разработки на второй план. Тем не менее, уже появляются первые пилотные проекты, такие как совместная инициатива нашей компании с российским BI-вендором по созданию интеллектуального аналитического решения.

В целом интерес со стороны бизнес-заказчиков к внедрению ГенИИ в BI растет — особенно в тех индустриях, где скорость получения аналитических выводов и простота работы с данными имеют критическое значение.

Барьеры и пути преодоления

Одним из препятствий на пути массового распространения решения остается чувствительность ГенИИ к качеству исходных обучающих материалов — модели демонстрируют значительно более низкую эффективность при работе с некачественными данными.

Не менее серьезным барьером является непредсказуемость поведения моделей, проявляющаяся в рисках генерации ошибочных выводов или «галлюцинаций». Эта проблема усугубляется отсутствием четких рамок ответственности за решения, принятые на основе ИИ-аналитики.

С экономической точки зрения многие компании сталкиваются с высокой стоимостью внедрения — мощные LLM требуют значительных вычислительных ресурсов, а ROI таких проектов пока сложно точно прогнозировать. Вопросы безопасности данных решаются через on-premise установки и технологии маскирования информации, но эти меры увеличивают стоимость внедрения.

Важным технологическим прорывом стало появление универсального протокола Model Context Protocol (MCP), который существенно упрощает интеграцию языковых моделей с существующими BI-платформами и системами-источниками данных.

Проблема качества данных при использовании ГенИИ требует комплексного подхода. Компании-лидеры внедряют многоуровневую систему контроля, начиная с усиления процессов Data Governance — разработки четких политик и процедур управления качеством данных. Обязательным этапом становится тщательная очистка и стандартизация данных в источниках перед их обработкой генеративными моделями.

Особое внимание уделяется созданию надежного семантического слоя — системы четко определенных метрик, измерений и связей, которые служат основой для работы ГенИИ. Для минимизации рисков галлюцинаций применяются техники «заземления» (Grounding/RAG), ограничивающие ответы модели информацией только из проверенных внутренних источников.

Не менее важным аспектом становится обучение пользователей — сотрудников учат понимать ограничения ГенИИ, формулировать точные запросы и критически оценивать полученные результаты. Такой многофакторный подход позволяет значительно повысить надежность генеративной аналитики, хотя и не устраняет риски полностью.

Готовность пользователей и трансформация ролей

С приходом генеративного ИИ происходит фундаментальная трансформация профессиональных ролей в сфере работы с данными. Аналитики постепенно снижают объем рутинных задач, переходя к более стратегическим функциям.

Их новая роль может включать в себя архитектуру сложных запросов, экспертизу по валидации ИИ-генераций, интерпретацию неочевидных инсайтов и консультирование бизнеса по возможностям и ограничениям технологий.

Бизнес-пользователи получают беспрецедентный доступ к аналитике через естественно-языковые интерфейсы, но при этом должны развивать новые компетенции — от точной формулировки запросов до критической оценки полученных результатов. Это создает новую экосистему взаимодействия, где ценность экспертизы человека смещается в область постановки задач и интерпретации выводов.

Перспективы ГенИИ в бизнес-аналитике

Можно предположить, что на горизонте в 5 лет генеративный ИИ превратится в компонент передовых BI-систем, значительно расширив их аналитические возможности и став их неотъемлемой частью, в том числе в нишевых решениях, ориентированных на конкретные сценарии работы с естественным языком.

При этом сохранится потребность в классических инструментах анализа для сложных, многоуровневых задач, где необходим точный контроль каждого этапа обработки данных.

Идея полного отказа от традиционных интерфейсов BI в пользу естественно-языкового взаимодействия (концепция «BI без BI») выглядит привлекательной, но имеет существенные ограничения. Такой подход может эффективно работать для простых запросов к хорошо структурированным данным.

Перспективным выглядит гибридный сценарий, где NLQ-интерфейс становится одним из равноправных способов взаимодействия с данными, дополняя, но не заменяя традиционные аналитические инструменты.