ИИ в бизнес-аналитике: эволюция или революция?
Следует ли ожидать революцию в результате широкого проникновения искусственного интеллекта в процессы бизнес-аналитики? Есть ли смысл внедрять ИИ ради ИИ? Можно ли рассматривать ИИ-инструментарий как «серебряную пулю», способную одним махом решить накопившиеся в области BI проблемы? Поиску ответов на эти вопросы была посвящена дискуссия, прошедшая в рамках конференции BItech 2026.
«Это, конечно, ошибочное впечатление, — так прокомментировал эти наблюдения Игорь Алюшин, исполнительный директор компании «Гларус Диджитал» (Glarus BI). — Если качественных данных будет недостаточно, то ИИ в диалоге с пользователем выдаст тысячу галлюцинаций».
Анатолий Власов, начальник аналитического направления ДИТ Москвы, предположил, что за стремлением к инвестициям в ИИ ради ИИ стоит желание добиться в отдельных компаниях повсеместного применения искусственного интеллекта. И предостерег: «Что может случиться при таком огульном применении ИИ? Компании потеряют много ценных, хороших кадров. При этом никуда не деться от весьма сдержанного доверия к результатам ИИ».
По словам Надежды Лариной, руководителя группы продаж компании Loginom, нередко приходится сталкиваться с ситуацией, когда инициаторы внедрения ИИ даже не ставят перед собой четких целей и не очерчивают круг задач, которые хотели бы решить с его помощью. ИТ-консультантам приходится проводить с такими заказчиками определенную работу, чтобы сделать их ожидания более понятными и конкретными.
Кроме того, добавил Александр Костюков, менеджер продукта в проекте Easy Report, встречаются ситуации, когда инициаторы ИИ-проектов не задумываются над тем, чтобы изменить «устоявшиеся, закостенелые процессы и паттерны взаимодействия», причем это касается не только данных, но и бизнес-процессов в целом: «Если их не пересмотреть, никакой ИИ не поможет».
Сергей Комаров, директор по бизнес-аналитике «Биннофарм Групп», обратил внимание на то, что в нынешних условиях российского рынка сотрудники, как правило, обходятся дешевле, чем многие современные технологии автоматизации, поэтому внедрение того же ИИ зачастую не приводит к заметному снижению затрат. Искать бизнес-эффекты от ИИ следует в другом — например, в ускорении процессов и принятия решений.
Отличное от других экспертов мнение выразила Ольга Романова, руководитель департамента анализа данных и контента компании «Газпром нефть»: с ее точки зрения, в некоторых случаях подход «ИИ ради ИИ» может быть оправдан. Например, в больших компаниях внедрение новых технологий происходит медленно, в том числе из-за требований информационной безопасности, внутренних производственных регламентов и пр. Но если к внедрению не приступить вовремя, есть риск сильно опоздать, отстать от рынка в освоении новых технологий.
Важно также учитывать стоимость ошибки, добавила Романова: «При внедрении ИИ на производстве цена ошибки может быть очень высокой. И здесь можно и нужно пытаться внедрять ИИ там, где это будет в первую очередь безопасно». Что же касается управленческих решений, то полностью доверить их принятие искусственному интеллекту в компании не готовы: «Решение пока остается именно за человеком».
В компании «Биннофарм Групп», по словам Комарова, при оценке перспектив применения ИИ в первую очередь обращают внимание именно на цену ошибки: «Она может быть стратегической, особенно на производстве. Впрочем, и на уровне продаж тоже. Само собой, на уровне стратегических решений мы тоже не готовы полностью довериться ИИ». Область применения, где ИИ мог бы прижиться в компании достаточно легко, — это обработка документации.
Между тем, попытки применения ИИ для анализа данных сталкиваются с определенными трудностями. В частности, как отметил Костюков: «Без целостного и нормализованного качественно отстроенного фундамента, включающего методологию, выстроенные процессы, хранилища, на выходе получится далеко не впечатляющий результат».
Ну а чтобы искусственный интеллект работал качественно и результатам его работы можно было доверять, необходимо, чтобы ИИ четко и правильно понимал контекст, в котором работает.
Директор по развитию компании Modus («БиАй Про») Максим Иванов отметил, что добиться этого можно путем создания семантического слоя данных. «Серебряная пуля или нет — ИИ действительно повышает эффективность работы и используется не только в BI. Главный момент — достоверность данных. Здесь всё просто: можно сделать так, чтобы ИИ работал качественно, чтобы можно было ему доверять. Но при одном условии: если он работает в контексте проектных документов, когда есть семантический слой данных, когда ИИ обращается к семантике, понимает, как рассчитываются показатели, а не фантазирует. Даже лучше, если он поймёт задачу и поставит её, а расчёты будут производиться по одному и тому же скрипту, по одной формуле. Решая вопрос с семантикой, мы как минимум сокращаем галлюцинации на уровне данных и выводов, которые делает ИИ», – заявил Максим Иванов.
Есть и ряд других аспектов, которые важно учесть, переходя к использованию ИИ для бизнес-анализа. Так, Романова обратила особое внимание на необходимость выстраивания правильной корпоративной культуры работы с данными, аналитикой и ИИ: «Пока компании не сформируют культуру и не улучшат качество данных, они не смогут работать с аналитикой и ИИ в полную силу».
Об еще одном непростом вопросе напомнила Ларина: «Если, например, в отчете, созданном средствами ИИ, будут содержаться ошибки, которые приведут к миллиардным потерям, кто будет отвечать?»
Ее коллега Алюшин выразил опасение по другому важному вопросу: «Если мы начнем применять генеративный BI для построения отчетов или дашбордов, которые затем будут уходить в массы, то рискуем столкнуться с тем же, с чем сталкиваются, например, создатели видеоконтента: продукты начинают жить своей жизнью, при этом обратная связь с разработчиками теряется».
Для оценки проектов внедрения ИИ Иванов предложил использовать «четверку волшебных метрик», так или иначе связанных с временными показателями: сроки получения ощутимых полезных результатов (time-to-value), время получения аналитических выводов (time-to-insight), скорость принятия решений (time-to-decision) и сроки сдачи новых функций в эксплуатацию (time-to-market). "Эта «четвёрка» и становится тем языком, на котором сегодня удобнее всего обсуждать пользу от ИИ — уже не в категориях «ради ИИ», а во вполне измеримых единицах ценности для бизнеса", – отметил Иванов.
По его словам, речь идет о смене самой логики работы с аналитикой. Привычный сценарий «зайти на дашборд и посмотреть цифры» постепенно отходит на второй план — вместе с простыми триггерами вроде «показатель ушёл в красную зону — прилетело сообщение в Telegram». На их место приходят интеллектуальные агенты: система не просто фиксирует отклонение, а понимает, какие факты нужны ЛПР для решения, и сразу собирает их в готовый контекст. Руководитель получает не сухой алерт, а основу для действия — принять решение сразу или поставить точечную задачу.
В целом, согласились эксперты, широкое применение ИИ, по всей вероятности, сильно изменит процессы бизнес-аналитики: наряду с ускорением ее создания и снижением трудоемкости этих процессов следует ожидать дальнейшей автоматизации аналитики, в том числе увеличения проникновения ИИ-агентов и снижения доли отчетов, дашбордов и других BI-возможностей, созданных сотрудниками-аналитиками.
Согласно подсчетам, которые привел Александр Костюков, на российском рынке бизнес-аналитики имеется более сотни решений: «Не знаю, кому и зачем нужен этот BI ради BI?» По его мнению, эти решения соответствуют тому спросу на импортозамещение, что был в предыдущие годы. Между тем, бизнес уже ожидает получить что-то более новое. «И вот здесь наблюдается фундаментальный разрыв», — выразил мнение Костюков.
Как отметил Сергей Комаров, на рынке сохраняются все те же проблемы с качеством данных, ресурсами, производительностью, с использованием данных непосредственно в бизнесе. «Иногда встречается паралич из-за отсутствия данных, а иногда — от их переизбытка», — добавил он.
По мнению Ольги Романовой, за последнее время сильно изменилась парадигма работы с BI: теперь нередко расчеты выполняются с данными в хранилище. Кроме того, по ее словам, появились новые проблемы: «Если раньше не хватало бизнес-аналитиков, то теперь чувствуется и нехватка инженеров по данным, которые готовят витрины».
Издательство "Открытые системы"
ИИ ради ИИ? Это оправдано лишь в редких случаях
Как рассказала модератор дискуссии, независимый эксперт Ольга Свитнева, стейкхолдеры и, в частности, владельцы бизнеса в ходе личных встреч с ней нередко выражали желание поменьше инвестировать в технологии работы с данными и побольше — в искусственный интеллект. Таким образом, сделала вывод Свитнева, со стороны владельцев наблюдается тенденция к внедрению ИИ ради ИИ.«Это, конечно, ошибочное впечатление, — так прокомментировал эти наблюдения Игорь Алюшин, исполнительный директор компании «Гларус Диджитал» (Glarus BI). — Если качественных данных будет недостаточно, то ИИ в диалоге с пользователем выдаст тысячу галлюцинаций».
Анатолий Власов, начальник аналитического направления ДИТ Москвы, предположил, что за стремлением к инвестициям в ИИ ради ИИ стоит желание добиться в отдельных компаниях повсеместного применения искусственного интеллекта. И предостерег: «Что может случиться при таком огульном применении ИИ? Компании потеряют много ценных, хороших кадров. При этом никуда не деться от весьма сдержанного доверия к результатам ИИ».
По словам Надежды Лариной, руководителя группы продаж компании Loginom, нередко приходится сталкиваться с ситуацией, когда инициаторы внедрения ИИ даже не ставят перед собой четких целей и не очерчивают круг задач, которые хотели бы решить с его помощью. ИТ-консультантам приходится проводить с такими заказчиками определенную работу, чтобы сделать их ожидания более понятными и конкретными.
Кроме того, добавил Александр Костюков, менеджер продукта в проекте Easy Report, встречаются ситуации, когда инициаторы ИИ-проектов не задумываются над тем, чтобы изменить «устоявшиеся, закостенелые процессы и паттерны взаимодействия», причем это касается не только данных, но и бизнес-процессов в целом: «Если их не пересмотреть, никакой ИИ не поможет».
Сергей Комаров, директор по бизнес-аналитике «Биннофарм Групп», обратил внимание на то, что в нынешних условиях российского рынка сотрудники, как правило, обходятся дешевле, чем многие современные технологии автоматизации, поэтому внедрение того же ИИ зачастую не приводит к заметному снижению затрат. Искать бизнес-эффекты от ИИ следует в другом — например, в ускорении процессов и принятия решений.
Отличное от других экспертов мнение выразила Ольга Романова, руководитель департамента анализа данных и контента компании «Газпром нефть»: с ее точки зрения, в некоторых случаях подход «ИИ ради ИИ» может быть оправдан. Например, в больших компаниях внедрение новых технологий происходит медленно, в том числе из-за требований информационной безопасности, внутренних производственных регламентов и пр. Но если к внедрению не приступить вовремя, есть риск сильно опоздать, отстать от рынка в освоении новых технологий.
Важно также учитывать стоимость ошибки, добавила Романова: «При внедрении ИИ на производстве цена ошибки может быть очень высокой. И здесь можно и нужно пытаться внедрять ИИ там, где это будет в первую очередь безопасно». Что же касается управленческих решений, то полностью доверить их принятие искусственному интеллекту в компании не готовы: «Решение пока остается именно за человеком».
В компании «Биннофарм Групп», по словам Комарова, при оценке перспектив применения ИИ в первую очередь обращают внимание именно на цену ошибки: «Она может быть стратегической, особенно на производстве. Впрочем, и на уровне продаж тоже. Само собой, на уровне стратегических решений мы тоже не готовы полностью довериться ИИ». Область применения, где ИИ мог бы прижиться в компании достаточно легко, — это обработка документации.
ИИ — «серебряная пуля»? По крайней мере, не сейчас
Эксперты оказались не склонны воспринимать ИИ как некую «серебряную пулю», которая позволит решит все проблемы. Тем не менее, есть ряд задач бизнес-аналитики, которые ИИ помогает успешно решать. Она из них — снижение доли рутинных операций: избавление от рутины помогает сократить сроки создания новых аналитических возможностей и ускорить принятие различных бизнес-решений.Между тем, попытки применения ИИ для анализа данных сталкиваются с определенными трудностями. В частности, как отметил Костюков: «Без целостного и нормализованного качественно отстроенного фундамента, включающего методологию, выстроенные процессы, хранилища, на выходе получится далеко не впечатляющий результат».
Ну а чтобы искусственный интеллект работал качественно и результатам его работы можно было доверять, необходимо, чтобы ИИ четко и правильно понимал контекст, в котором работает.
Директор по развитию компании Modus («БиАй Про») Максим Иванов отметил, что добиться этого можно путем создания семантического слоя данных. «Серебряная пуля или нет — ИИ действительно повышает эффективность работы и используется не только в BI. Главный момент — достоверность данных. Здесь всё просто: можно сделать так, чтобы ИИ работал качественно, чтобы можно было ему доверять. Но при одном условии: если он работает в контексте проектных документов, когда есть семантический слой данных, когда ИИ обращается к семантике, понимает, как рассчитываются показатели, а не фантазирует. Даже лучше, если он поймёт задачу и поставит её, а расчёты будут производиться по одному и тому же скрипту, по одной формуле. Решая вопрос с семантикой, мы как минимум сокращаем галлюцинации на уровне данных и выводов, которые делает ИИ», – заявил Максим Иванов.
Есть и ряд других аспектов, которые важно учесть, переходя к использованию ИИ для бизнес-анализа. Так, Романова обратила особое внимание на необходимость выстраивания правильной корпоративной культуры работы с данными, аналитикой и ИИ: «Пока компании не сформируют культуру и не улучшат качество данных, они не смогут работать с аналитикой и ИИ в полную силу».
Об еще одном непростом вопросе напомнила Ларина: «Если, например, в отчете, созданном средствами ИИ, будут содержаться ошибки, которые приведут к миллиардным потерям, кто будет отвечать?»
Ее коллега Алюшин выразил опасение по другому важному вопросу: «Если мы начнем применять генеративный BI для построения отчетов или дашбордов, которые затем будут уходить в массы, то рискуем столкнуться с тем же, с чем сталкиваются, например, создатели видеоконтента: продукты начинают жить своей жизнью, при этом обратная связь с разработчиками теряется».
Для оценки проектов внедрения ИИ Иванов предложил использовать «четверку волшебных метрик», так или иначе связанных с временными показателями: сроки получения ощутимых полезных результатов (time-to-value), время получения аналитических выводов (time-to-insight), скорость принятия решений (time-to-decision) и сроки сдачи новых функций в эксплуатацию (time-to-market). "Эта «четвёрка» и становится тем языком, на котором сегодня удобнее всего обсуждать пользу от ИИ — уже не в категориях «ради ИИ», а во вполне измеримых единицах ценности для бизнеса", – отметил Иванов.
По его словам, речь идет о смене самой логики работы с аналитикой. Привычный сценарий «зайти на дашборд и посмотреть цифры» постепенно отходит на второй план — вместе с простыми триггерами вроде «показатель ушёл в красную зону — прилетело сообщение в Telegram». На их место приходят интеллектуальные агенты: система не просто фиксирует отклонение, а понимает, какие факты нужны ЛПР для решения, и сразу собирает их в готовый контекст. Руководитель получает не сухой алерт, а основу для действия — принять решение сразу или поставить точечную задачу.
В целом, согласились эксперты, широкое применение ИИ, по всей вероятности, сильно изменит процессы бизнес-аналитики: наряду с ускорением ее создания и снижением трудоемкости этих процессов следует ожидать дальнейшей автоматизации аналитики, в том числе увеличения проникновения ИИ-агентов и снижения доли отчетов, дашбордов и других BI-возможностей, созданных сотрудниками-аналитиками.
Стабилизация или стагнация?
Оценивая состояние рынка бизнес-аналитики, эксперты согласились с тем, что российский рынок аналитических решений вышел на плато стабилизации. Например, Анатолий Власов оценил нынешнее состояние даже не просто как стабилизацию, а как стагнацию: «Сейчас на рынке есть порядка 20 узнаваемых всеми продуктов, обладающих схожей функциональностью. Различия наблюдаются в основном по отдельным функциональным направлениям».Согласно подсчетам, которые привел Александр Костюков, на российском рынке бизнес-аналитики имеется более сотни решений: «Не знаю, кому и зачем нужен этот BI ради BI?» По его мнению, эти решения соответствуют тому спросу на импортозамещение, что был в предыдущие годы. Между тем, бизнес уже ожидает получить что-то более новое. «И вот здесь наблюдается фундаментальный разрыв», — выразил мнение Костюков.
Как отметил Сергей Комаров, на рынке сохраняются все те же проблемы с качеством данных, ресурсами, производительностью, с использованием данных непосредственно в бизнесе. «Иногда встречается паралич из-за отсутствия данных, а иногда — от их переизбытка», — добавил он.
По мнению Ольги Романовой, за последнее время сильно изменилась парадигма работы с BI: теперь нередко расчеты выполняются с данными в хранилище. Кроме того, по ее словам, появились новые проблемы: «Если раньше не хватало бизнес-аналитиков, то теперь чувствуется и нехватка инженеров по данным, которые готовят витрины».
Издательство "Открытые системы"
Modus BI
