ИИ-агенты меняют роль аналитиков, превращая исполнителей в стратегов. Но развитие российского рынка подобных решений сдерживается парадоксом изоляции

Бизнес-аналитика вступает в новую технологическую эру. Сегодня бизнес-заказчики все чаще смотрят в сторону систем, где ИИ-агенты берут на себя рутинный анализ, генерацию отчётов и даже формирование гипотез. Однако, как показало исследование «AI в BI» от «Кругов Громова», переход к автономной аналитике в России сталкивается с неожиданным препятствием: чем умнее становится ИИ, тем сложнее отличить правду от галлюцинации и обеспечить его работу в изолированных корпоративных контурах без доступа к глобальным языковым моделям.

От исполнителя к стратегу: как меняется роль человека

Эксперты выделяют три ключевых разрыва, которые сегодня преодолевает рынок аналитики. Первый — разрыв между планированием и исполнением (Execution Gap): ИИ может спланировать анализ, но не всегда способен его исполнить. Второй — разрыв в обучении (Learning Gap): между сессиями работы с данными теряется накопленный контекст. Третий — разрыв в координации (Coordination Gap): изолированные инструменты не координируются между собой.

Именно эти разрывы закрывает агентная аналитика (Agentic BI) — подход, при котором интеллектуальные агенты не просто отвечают на запросы пользователя, а самостоятельно исследуют данные, выявляют аномалии, строят многошаговые цепочки рассуждений и даже инициируют действия.

В новой парадигме роль человека принципиально меняется. Специалисту больше не нужно вручную строить дашборды и писать SQL-запросы. Вместо этого он ставит цели, задаёт контекст, проверяет гипотезы, сформулированные ИИ, и принимает финальные решения на основе анализа, проведённого агентами

Архитектурные подходы: этапы пути к агентной аналитике

Авторы исследования предложили собственную классификацию из четырех архитектурных подходов к внедрению ИИ в BI, каждый из которых по-своему решает задачу автоматизации аналитики:

  • Встроенный ИИ (Embedded AI) — ИИ глубоко интегрирован в ядро BI-платформы. Это обеспечивает максимальную надёжность и единый контекст для пользователя. Однако такая архитектура жёстко привязывает к встроенной языковой модели и требует перестройки ядра при смене модели.
  • Внешний агент (Agentic BI) — ИИ-агент существует за пределами BI и подключается через MCP-протокол. Этот подход даёт максимальную гибкость: агент может не только анализировать, но и создавать дашборды, писать SQL, организовывать цепочки специализированных агентов. Однако успех сильно зависит от качества схемы данных и корректной работы инструментов.
  • UI-помощник (Assisted BI) — ИИ-надстройка над существующим интерфейсом BI. Быстрый старт, не требует перестройки архитектуры, но не решает проблему согласованности данных и ограничен реактивными сценариями — агент работает только по запросу пользователя и не способен на автономные многошаговые цепочки.
  • Ассистент на семантическом слое (Semantic-Layer AI) — ИИ-ядро работает исключительно с семантическим слоем (метаданными), не имея прямого доступа к сырым данным. Полная изоляция, работа без интернета, лёгкая замена языковой модели. Однако отсутствует генерация визуализаций и проактивные сценарии.

Решения российских вендоров в той или иной мере представлены во всех четырёх группах — выбор в пользу той или иной архитектуры зависит от продуктовой стратегии и целевых заказчиков. Решения, ориентированные на госсектор и КИИ, фокусируются на полной изоляции данных, наличии в реестре отечественного ПО и возможности работы без доступа к интернету. А продукты для коммерческих компаний больше склоняются в пользу гибких агентных архитектур с поддержкой сменяемых языковых моделей и интеграцией через MCP-протокол. Предложенная авторами сегментация опирается на глобальную классификацию ИИ-агентов Паскаля Борне (SPAR + уровни автономии 0–5) и фиксирует реальное разнообразие архитектурных решений на российском рынке, позволяя выбирать подход не по рейтингу, а по соответствию задачам и регуляторным требованиям.

Семантический слой: контекст доверия для ИИ

Центральным элементом, обеспечивающим надёжную работу ИИ-агентов, становится семантический слой. Без него любой ИИ-ассистент рискует генерировать правдоподобные, но недостоверные ответы.

Проблема в том, что большие языковые модели (LLM) не понимают структуру корпоративных данных так, как их понимают люди. Таблицы, поля, связи — всё это для больших языковых моделей лишь набор слов без контекста. Если дать ИИ прямой доступ к данным без семантического слоя, он начинает угадывать смысл, что может привести к искажению данных и потере объективности.

Семантический слой решает эту проблему, формализуя бизнес-логику: что означает каждая метрика, как она рассчитывается, какие фильтры обязательны, как таблицы связаны между собой. Благодаря наличию такого слоя ИИ оперирует не абстрактными полями, а управленческими понятиями.

В российских BI-решениях подходы к реализации семантического слоя различаются: в одних решениях они представлены как управляемые глоссарии с набором синонимов, а в других — как семантические слои с механизмом привязки бизнес-терминов к данным, который автоматически находит нужную формулу, таблицы и связи.

Парадокс изоляции: российская специфика

Внедрение AI-BI в России связано с уникальным комплексом ограничений. Требования 152-ФЗ о локализации персональных данных, нормы 187-ФЗ о безопасности критической информационной инфраструктуры и санкционные риски исключают использование иностранных облачных LLM при обработке персональных данных и на объектах КИИ, а для госсектора обязывают применять только российское ПО из реестра.

Это создаёт ситуацию, которую можно назвать «парадоксом изоляции»: бизнес стремится к максимально автономным и интеллектуальным ИИ-агентам, но вынужден разворачивать их в изолированных контурах без доступа в интернет. В таких условиях именно семантический слой становится ключевым инструментом, позволяющим сохранить качество ответов и снизить нагрузку на модели.

В ближайшие несколько лет рынок будет двигаться в сторону мультиагентных систем и проактивного мониторинга — когда ИИ-агенты начнут не только отвечать на запросы, но и самостоятельно инициировать проверки и алерты. Ряд вендоров уже анонсировали такие функции в своих дорожных картах на 2026–2027 годы. При этом ключевым условием масштабирования останется качество семантического слоя и способность систем работать в изолированных контурах без потери интеллектуальной мощности.

Текущее состояние российского рынка авторы исследования характеризуют на «твердую четверку»: функционал активно развивается, агенты уже способны сократить до 30-40% времени на рутинные задачи, но до полноценного «автопилота» в принятии решений ещё далеко.

«Может показаться, что главная проблема импортозамещения в AI-BI — это доступность моделей. Но не менее острая проблема — цена. Если завтра использование иностранных LLM станет невозможным, часть российских облачных провайдеров предложит модели дороже мировых аналогов, а у отдельных из них тарифы окажутся выше стоимости Claude Haiku или Opus, при заметно более узком выборе моделей. Для многих компаний это делает облачный AI нерентабельным», — комментирует Сергей Громов, руководитель центра «Круги Громова».

«Отсюда напрашивается вывод о локальном развёртывании open-source моделей на собственном оборудовании. Но здесь нельзя замалчивать встречный вопрос — стоимость железа. GPU-сервер тоже стоит денег: от 250–400 тыс. рублей за эконом-конфигурацию до кластеров стоимостью в десятки тысяч долларов под крупные модели. При малом потоке запросов облако остаётся дешевле. Снизить порог окупаемости помогает второй рычаг — сокращение расхода токенов за счёт точной подстановки контекста, например через семантический слой. Чем меньше токенов на запрос, тем дешевле облако, а точка окупаемости наступает раньше. Поэтому наиболее устойчивое решение — не выбор между облаком и железом, а связка локального интерфейса с семантическим слоем», — добавляет Виктория Рамейкина, директор аналитического центра «Круги Громова».

Источник: