Нейросеть собирает дашборд за минуту. Почему это еще не BI-аналитика

Короткий ответ — нет, ИИ не заменяет BI. Он быстро строит графики, но только поверх данных, которые уже собраны и приведены в порядок. Свести данные из 1С, CRM и Excel, договориться, как считается каждый показатель, и проверить результат нейросеть пока не может. А именно на это уходит основное время и бюджет BI-проекта.

ИИ уже встроен в BI-системы

Еще пару лет назад ИИ в BI был экспериментом, сейчас это обычная функция. Нейроаналитик в Yandex DataLens после летнего обновления строит новые графики прямо по датасету, и им пользуются более 1 500 компаний. В Power BI работает Copilot, в Visiology есть собственная языковая модель Visiology Cortex. Параллельно появились подрядчики, которые обещают «дашборд за день без BI-разработчика».

Под такими обещаниями обычно скрывается один из трех вариантов.

1. ИИ-помощник внутри BI-системы. Отвечает на вопросы по уже настроенной модели данных, и качество ответов целиком зависит от этой модели.
2. Отдельный ИИ-агент. Его подключают к базам данных, он сам пишет SQL-запросы и строит отчеты. Если показатели и связи между таблицами не описаны, агент угадывает их по названиям столбцов.
3. Сервис «загрузите Excel — получите дашборд». Хорош для разовых графиков к совещанию. Данные сами не обновляются, и через неделю понадобится новая выгрузка.

Во всех трех случаях ИИ работает с тем, что ему дали. Если данные противоречат друг другу, он аккуратно визуализирует эти противоречия.

На реальных данных ИИ ошибается чаще, чем на демо

Когда вы задаете ИИ-агенту вопрос, он переводит его в запрос к базе данных. От точности этого запроса зависит каждая цифра в отчете.

На простых учебных базах модели уровня GPT-4 пишут правильный запрос примерно в 91% случаев. Но когда исследователи собрали набор задач Spider 2.0 из настоящих корпоративных баз с сотнями полей, даже лучшие ИИ-агенты справились примерно с 40% задач. На данных, похожих на данные реальной компании, ИИ ошибается чаще, чем отвечает правильно.

Причина простая. Демо-файл чистый, а данные компании нет. Допустим, руководитель просит показать выручку по регионам за квартал. В 1С выручка хранится с НДС, в CRM — без учета возвратов, а в файле финансистов регионы названы по-другому. Агент выберет один вариант, построит аккуратный график и не скажет, что вариантов было три.

Опаснее всего убедительный, но неверный отчет

Ошибку в запросе, который написал человек, обычно видно сразу. Отчет не строится или цифры явно не сходятся. Нейросеть же редко предупреждает, что не поняла задачу. Она строит убедительный график и уверенно формулирует вывод. Microsoft прямо пишет в документации Power BI, что ответы Copilot могут содержать ошибки, и советует сверять их перед использованием.

Если полностью отдать ИИ создание отчетов, со временем в компании появятся десятки правдоподобных отчетов, которые по-разному считают одну и ту же выручку. Финансовый директор видит одну цифру, коммерческий другую, и доверие к аналитике падает быстрее, чем растет скорость ее получения.

Главная работа происходит до дашборда

Самая трудоемкая часть BI-проекта не графики. Нужно подключить источники, построить хранилище данных, настроить их загрузку, привести справочники к единому виду и зафиксировать, как считается каждый показатель. В итоге получается семантическая модель, единый слой с описанием всех показателей и связей между данными.

Именно на ней держится точность ИИ, и сами вендоры это признают. В Power BI для Copilot появился отдельный раздел Prep data for AI. В нем специалист скрывает от ИИ лишние таблицы, пишет пояснения вроде «выручку считаем без НДС и за вычетом возвратов» и заранее задает правильные ответы на частые вопросы. По сути, сам разработчик Copilot говорит, что без подготовленной модели данных точных ответов ждать не стоит.

В России добавляется еще один вопрос, где будет работать сама нейросеть. Закон 152-ФЗ «О персональных данных» требует обрабатывать персональные данные россиян в базах на территории России, поэтому зарубежные облачные сервисы для таких отчетов не подходят. Остаются российские модели с меньшим выбором или установка модели на свои серверы, а это отдельные расходы.

ИИ в BI — это разделение труда, а не замена

ИИ уже заметно экономит время, если поручать ему правильные задачи. Лучше всего он работает там, где нужен быстрый ответ на разовый вопрос или черновик, который потом проверит специалист. Регулярную управленческую отчетность мы строим в BI-системе на проверенной модели данных, а ИИ подключаем поверх нее.

ИИ хорошо справляется с такими задачами:

1. черновики SQL- и DAX-запросов, формулы вычисляемых полей;
2. дополнительные срезы и отчеты поверх уже настроенной модели данных;
3. первичный поиск отклонений и аномалий;
4. объяснение графика или изменений показателя обычным языком.

За специалистом остается то, от чего зависит доверие к цифрам:

1. подключение источников и контроль качества данных;
2. построение и поддержка семантической модели;
3. правила расчета показателей;
4. проверка того, что сгенерировал ИИ.

Три вопроса подрядчику, который предлагает ИИ-дашборды

1. Откуда берутся данные и обновляются ли они автоматически из 1С, CRM и других систем?
2. Где зафиксировано, как считается каждый показатель?
3. Кто и как проверяет ответы ИИ?

Если конкретных ответов нет, скорее всего, вам предлагают красивую картинку, а не аналитику, на которую можно опираться при принятии решений.

В VSL-BI мы внедряем BI-системы и строим хранилища данных, на которых ИИ-помощники дают правильные цифры. Если хотите понять, готовы ли ваши данные к работе с ИИ, запишитесь на бесплатную консультацию. Наши специалисты посмотрят, как сейчас хранятся и связаны ваши данные, и предложат, как подготовить их для удобного анализа. Примеры того, как мы выстраиваем аналитику для компаний, смотрите в наших кейсах.