AI-агенты для аналитики: кто заменит SQL-запросы к дашбордам

За последний год крупные разработчики выкатили функции, которые продают под общим лозунгом «спроси данные словами». OpenAI встроил анализ файлов и построение графиков в ChatGPT (функция раньше называлась Code Interpreter, теперь она часть Advanced Data Analysis). Anthropic добавил Claude выполнение кода и работу с таблицами. Microsoft развивает Copilot в Power BI и Excel, а Google — Gemini в BigQuery и Looker. Идея у всех одна: аналитик или менеджер загружает выгрузку, задаёт вопрос на естественном языке, а модель возвращает расчёт, диаграмму и текстовый вывод. На практике между демо и рабочим отчётом остаётся заметный разрыв, и его стоит понимать до того, как вы отдадите такому агенту квартальную отчётность.

Что именно называют аналитическим агентом

Термин размылся до бесполезности, поэтому разложим по слоям. Есть три разных класса продуктов, которые продают под одной вывеской.

• Чат-модель с исполнением кода. ChatGPT и Claude умеют принять CSV или Excel, написать Python-код, выполнить его в песочнице и показать результат с графиком. Это не агент в строгом смысле — скорее интерпретатор с языковой оболочкой.
• Copilot внутри BI-платформы. Power BI Copilot, Looker с Gemini, Tableau Pulse — они работают поверх уже подготовленной модели данных и семантического слоя, поэтому меньше галлюцинируют на определениях метрик.
• Автономный агент¹. Инструмент, который сам планирует шаги: подключается к базе, формулирует запросы, проверяет результат, при ошибке переписывает запрос. Здесь больше всего маркетинга и меньше всего надёжности на проде.

Разница между «модель написала SQL» и «модель написала правильный SQL» — это вся суть аналитики. Первое умеют все, второе не гарантирует никто.

Сравнение основных инструментов

Ниже — сопоставление по возможностям, которые реально влияют на работу с отчётностью. Доступность и цены указаны на состояние конца 2024 — начала 2025 года, актуальные тарифы сверяйте на страницах вендоров, они меняются часто.

Важная оговорка: конкретные бенчмарки по точности генерации SQL (например, на наборах вроде Spider или BIRD) публикуются исследователями, но напрямую не переносятся на ваши схемы данных с их именами таблиц и бизнес-логикой. Цифру из статьи про открытый датасет нельзя выдавать за точность на вашей корпоративной базе.

Где агент экономит время, а где создаёт риск

Что получается хорошо

Разведочный анализ — сильная сторона. Вы получили незнакомую выгрузку, и вместо получаса в Excel спрашиваете: покажи распределение, найди выбросы, построй динамику по месяцам. Модель делает это за секунды и с приличными графиками. Так же хорошо идёт черновая работа: сформулировать гипотезу, набросать первую версию запроса, объяснить, что означает непонятная колонка.

Что требует проверки

Проблема начинается там, где цена ошибки высокая. Модель может молча взять не ту дату (создания заказа вместо оплаты), посчитать средний чек по строкам, а не по заказам, или проигнорировать возвраты. Внешне отчёт выглядит убедительно — с графиком и уверенным текстом. Именно уверенность и опасна: агент редко пишет «я не уверен в определении выручки», он просто выдаёт число.

Кому это пригодится и кому нет

Разберём по конкретным сценариям, а не абстрактно.

• Пригодится продакт-менеджеру или маркетологу, которому нужен быстрый срез по выгрузке без ожидания аналитика. Тут скорость важнее последнего знака после запятой.
• Пригодится аналитику как ускоритель: набросать запрос, проверить гипотезу, оформить график. Но с обязательной ручной валидацией итоговых цифр.
• Пригодится малому бизнесу без штатного аналитика — разобрать выгрузку из CRM или банка на естественном языке дешевле, чем нанимать человека под разовую задачу.
• Не подойдёт для регуляторной и финансовой отчётности, где цифра идёт в налоговую или инвестору. Здесь нужен воспроизводимый, проверяемый запрос, а не результат из чёрного ящика.
• Не подойдёт при чувствительных данных без разбора политики хранения: загрузка персональных данных или коммерческой тайны в публичный чат-сервис — это отдельный вопрос к юристам и безопасникам.

Как встроить агента без ущерба

1. Начните с закрытых задач: разовый анализ выгрузки, а не автоматическая ежедневная отчётность.
2. Требуйте от модели показывать код или SQL, а не только результат — так ошибку в логике видно.
3. Заведите набор эталонных вопросов с заранее известными ответами и прогоняйте их при смене модели или версии.
4. Для повторяющихся отчётов фиксируйте проверенный запрос в BI-системе, а не полагайтесь на генерацию каждый раз заново.
5. Проверьте, куда уходят загруженные данные и используются ли они для обучения — это описано в политике конкретного сервиса.

¹ AI-агент — программа на основе языковой модели, которая не просто отвечает одним сообщением, а самостоятельно планирует последовательность действий, вызывает внешние инструменты (базу данных, API, интерпретатор кода) и корректирует шаги по результату. В отличие от обычного чата, агент выполняет задачу в несколько итераций без участия человека на каждом шаге.