Аналитика с искусственным интеллектом в России: точность падает в 7 раз на реальных данных

Перестраиваю архитектуру под реальное содержание источника: обзор рыночных изменений с фокусом на практическую пользу.

---

Российские BI-вендоры к 2026 году массово встроили ИИ в свои аналитические платформы, сделав ставку не на точность моделей самих по себе, а на адаптацию под корпоративный контекст, отраслевые регламенты и разрозненные данные конкретного заказчика.

Обзор, опубликованный командой Raft AI4BI, фиксирует состояние российского рынка аналитических решений с ИИ-слоем по состоянию на 2026 год. После ухода западных платформ и появления больших языковых моделей (LLM, нейросети, которые понимают и генерируют текст на естественном языке) рынок пришёл к новому набору требований: решение должно быть доступным, близким к отрасли заказчика, с коротким сроком окупаемости и понятным форматом поставки.

Почему «лабораторная» точность не работает в реальном бизнесе?

Авторы обзора отталкиваются от популярного бенчмарка BIRD, который оценивает качество text2SQL (технология, когда нейросеть переводит вопрос на обычном языке в SQL-запрос к базе данных). Лидер российского сегмента, Sber Text2SQL, показывает на BIRD результат execution accuracy (доля правильно выполненных запросов) 81,33%. Это третий результат бенчмарка, уже сопоставимый с человеческим уровнем в 92,96%.

Но на бенчмарке BEAVER, который эмулирует реальные корпоративные условия, даже продвинутый агентный подход выдаёт лишь 11,4% execution accuracy.

Разрыв почти в семь раз, и авторы объясняют его тремя причинами:

• Размер схемы. В базах BEAVER в среднем 101,5 таблицы и 869,4 колонки. В BIRD всего 6,8 таблицы и 72,5 колонки. Корпоративное хранилище на порядок сложнее учебного.
• Проблемы именования. Реальные поля называются вроде SIS_SUBJECT_CODE и FCLT_ROOMS, а не понятные orders и customers. Модель не может угадать смысл из названия.
• Нехватка доменных знаний. Чтобы правильно посчитать метрику, нужно знать отраслевые и корпоративные правила, которые не описаны ни в схеме, ни в самих данных.

Ключевой вывод авторов: если той же модели дать дополнительный отраслевой контекст и правильно декомпозировать запрос, точность ответа вырастает в 3 раза. Проблема не в «мозгах» нейросети, а в том, знает ли она конкретный бизнес.

Кто и как встроил ИИ в аналитику на российском рынке?

К 2026 году ИИ-слой появился почти у каждой российской BI-платформы (BI, система бизнес-аналитики, которая собирает данные из разных источников и показывает их в виде отчётов и дашбордов). Вот как разные вендоры подошли к задаче.

Luxms BI в версии 12 добавил «ИИ-аналитика», который создаёт аналитические модели данных, формирует дашборды и отчёты по запросу на естественном языке без специальных промптов (промпт, текстовая инструкция для нейросети). Заявлена поддержка локальных моделей: данные остаются внутри корпоративного контура. ИИ поставляется как расширение платформы с отдельной лицензией.

Modus BI зашёл через MCP (протокол, позволяющий ИИ-агенту подключаться к внешним инструментам). Команда написала собственный сервер modusbi-mcp и провела эксперимент: человек без опыта в SQL и статистике за четыре часа собирал дашборды по базе из сотен тысяч записей. Авторы честно указали точки роста: тип диаграммы не всегда угадывался с первого раза, подписи осей и сортировку приходилось уточнять, а на сложных взаимосвязях «человек всё равно необходим». Ускорение разведки данных оценено в 5 до 10 раз.

Raft AI4BI строит решение на базе открытой платформы Apache Superset с фокусом на мультиагентную обвязку (ансамбль моделей, когда несколько нейросетей работают вместе, каждая на своей задаче), RAG-слой (RAG, технология, когда модель ищет ответ не из «головы», а по внутренним документам и регламентам компании) и предиктивную аналитику. Интеграционный слой позволяет стартовать с разрозненных информационных систем без единого аналитического хранилища. Формат поставки гибкий: от облака до программно-аппаратного комплекса.

Easy Report позиционируется как «AI-аналитик для корпоративных данных», который готовит бизнес-отчёты прямо в чате мессенджера, подключаясь к любым источникам данных компании.

Среди крупных игроков: Visiology встроил собственную LLM Visiology Cortex поверх аналитического движка DanKo, а Yandex DataLens представил обновлённого ассистента «Нейроаналитик 2.0».

Коммерческий не будет залезать на BI-портал, нужна понятная картинка в мессенджере. Сможет ваша система такое поддержать? : Типичный запрос заказчика, по данным обзора Raft AI4BI

Что это значит для вас?

Автору Дзена и копирайтеру. Аналитика с искусственным интеллектом перестаёт быть темой для узких технических каналов. Российские вендоры конкурируют не моделями, а сценариями для конкретных отраслей. Это готовый материал для экспертного контента: разбирайте конкретные кейсы внедрения, а не абстрактные возможности ИИ.

Маркетологу. Если ваша компания использует BI, проверьте, появился ли у вашего вендора ИИ-слой. Возможность задать вопрос на обычном языке и получить отчёт в мессенджере сокращает путь от данных до решения. Но помните вывод обзора: на сложных запросах человек по-прежнему необходим.

Предпринимателю в РФ. Все перечисленные решения работают внутри российского контура. Если данные разбросаны по нескольким системам и единого хранилища нет, обратите внимание на платформы с интеграционным слоем: Raft AI4BI заявляет старт с «низкой базы», Modus BI показал результат на реальных данных за четыре часа.

Практический шаг: возьмите один реальный вопрос, который ваш коммерческий отдел задаёт аналитикам каждую неделю, и протестируйте его на двух-трёх платформах из обзора. Разрыв между 81% на бенчмарке и 11% на живых данных покажется абстракцией, пока вы не увидите его на собственной базе.