Рынок осознал, что аналитические ИИ-агенты бесполезны без правильного контекста. Для решения проблемы компании начинают внедрять специализированные контекстные слои.
3 мин
В течение последнего года индустрия данных и искусственного интеллекта столкнулась с отрезвляющей реальностью. Компании массово пытались внедрить аналитических ИИ-агентов, надеясь автоматизировать ответы на бизнес-вопросы, но большинство этих инициатив потерпело неудачу. Причина кроется не в технических ограничениях самих нейросетей, а в отсутствии у них правильного контекста.
Чтобы понять масштаб проблемы, необходимо взглянуть на недавнюю историю. За последнее десятилетие компании перешли на современный стек данных (modern data stack), централизовав информацию в хранилищах. Ожидалось, что с появлением мощных больших языковых моделей (LLM) сотрудники смогут просто задавать вопросы на естественном языке, а ИИ будет переводить их в SQL-запросы и выдавать готовые графики.
Этот энтузиазм привел к настоящей агентной лихорадке. Разработчики хотели использовать новейшие технологии, а руководство стремилось к автоматизации и снижению затрат. Однако на практике системы столкнулись с непреодолимой стеной. Согласно отчету MIT, большинство внедрений ИИ в бизнесе терпят неудачу из-за хрупкости рабочих процессов и отсутствия контекстуального обучения.
Изображение из источника
Изначально разработчики полагали, что проблема заключается в способности моделей писать качественный SQL-код. Но по мере того как модели становились умнее, стало очевидно, что корень проблемы лежит глубже. Корпоративные данные остаются разрозненными и запутанными.
Рассмотрим простой вопрос: «Каким был рост выручки в прошлом квартале?». Для ИИ-агента это сложнейшая задача. Во-первых, агент не знает, как именно компания определяет «выручку» — идет ли речь о регулярной годовой выручке (ARR) или о текущих показателях. Во-вторых, он не знает, какой финансовый квартал используется в организации. В-третьих, данные могут быть разбросаны по десяткам таблиц, и неочевидно, какая из них содержит проверенную информацию.
Традиционным решением этой проблемы считался семантический слой (semantic layer) — набор жестко закодированных правил и метрик, созданный для классических систем бизнес-аналитики. Однако на практике такие слои часто устаревают, не поддерживаются должным образом и не включают новые продукты или направления бизнеса.
Изображение из источника
Именно поэтому индустрия начинает говорить о необходимости создания слоя контекста (context layer). Это понятие шире, чем просто семантический слой. Слой контекста должен включать не только определения метрик, но и канонические сущности, правила управления данными, а также неформализованные знания сотрудников. По сути, это операционная система контекста, которая связывает разрозненные данные и объясняет ИИ, как работает конкретный бизнес.
Создание такого слоя требует новых подходов. На первом этапе необходимо обеспечить доступ ко всем нужным данным, включая внутренние документы и рабочие чаты. На втором этапе к процессу подключаются сами LLM: они могут автоматически анализировать историю прошлых запросов, выявляя наиболее часто используемые таблицы и связи между ними.
В перспективе успешная интеграция ИИ-агентов в корпоративную среду будет зависеть не от выбора самой мощной языковой модели, а от качества и актуальности контекста, который ей предоставляется. Только оцифровав внутреннюю логику и опыт компании, можно создать по-настоящему автономные и полезные аналитические системы.
Изображение из источника
ИИ-агенты не могут заменить аналитиков только за счет генерации кода; им необходимо глубокое понимание бизнес-логики и структуры данных конкретной компании.
Главное препятствие для ИИ в корпоративной аналитике — это не технические ограничения моделей, а неформализованные знания сотрудников, которые необходимо оцифровать и передать алгоритмам.
