ИИ-агенты: это конец генерации SQL, «Далее» передала всю логику аналитику

Российская команда «Далее» опубликовала разбор собственного решения по встраиванию ИИ в BI-систему (систему бизнес-аналитики). Проект вырос из реальной задачи: терабайты данных о рекламных кампаниях, десятки площадок, множество таблиц и расчётных метрик. До внедрения менеджеры не могли самостоятельно получить сложную выборку без аналитика, а переиспользовать данные в других системах приходилось вручную, вплоть до скриншотов дашбордов. Теперь всё собрано в одном диалоговом окне, где пользователь задаёт вопрос, получает цифры, объяснение и визуализацию.

Что умеют три агента и почему отказались от генерации SQL?

ИИ-агенты (AI agents) в данном случае это программные модули, каждый из которых отвечает за свой участок работы с данными. Их три:

• Data Agent получает метаданные о наборах данных, формирует структурированные запросы к аналитической модели и возвращает агрегированные цифры. Он же проверяет допустимые значения: если менеджер пишет сокращённое название кампании, агент находит корректное наименование сам.
• Insight Agent занимается интерпретацией. В семантическом слое (отдельный сервис, который обогащает сырые данные бизнес-логикой) хранится описание каждой метрики. Агент берёт полученные цифры и добавляет контекст: «CPC у вас ниже среднего, кампания работает эффективно» или, наоборот, объясняет ухудшение показателя.
• Visualization Agent интегрирован с BI-системой, создаёт графики и таблицы прямо на интерактивном холсте. Менеджер может сказать: «Визуализируй динамику показов и кликов по месяцам», и виджет появится на дашборде.

Принципиальное архитектурное решение: нейросеть не генерирует SQL. Команда «Далее» прямо заявляет: «Мы уверены, что нейросеть не должна генерить SQL. Это плохо контролируемый процесс, а вольности тут недопустимы». Вместо этого аналитик заранее пишет сложный SQL, агрегирует данные, рассчитывает метрики и фиксирует всё в семантическом слое. Разработчику или агенту достаточно передать пару параметров, чтобы получить результат. Если аналитику нужно написать 12 строк SQL для одного поля, агенту хватает двух параметров.

Как выстроена архитектура?

Внедрение прошло в пять этапов:

1. Реализация Data Agent с инструментами доступа к метаданным и аналитической модели.
2. Обогащение семантического слоя: краткое описание бизнес-логики каждой метрики и группировки для ИИ-агента.
3. Создание API для Visualization Agent, который размещает виджеты на интерактивном холсте.
4. Пользовательский интерфейс с корпоративной авторизацией и прозрачностью работы ИИ.
5. Развёртывание MCP-коннектора (серверное решение, позволяющее обращаться к агенту из внешних ИИ-клиентов с соблюдением прав доступа).

Экономика тоже продумана: на разных этапах используются разные модели. Для определения типа запроса достаточно лёгкой и дешёвой модели, для сложной логики подключается более мощная. Выбор одной модели под все задачи компания считает невыгодным.

Как это соотносится с тем, что есть в России?

Для аудитории, работающей с российскими инструментами, полезно понимать контекст. YandexGPT и GigaChat умеют отвечать на вопросы по данным, но ни один из них не предлагает готовую трёхагентную архитектуру с семантическим слоем и разделением ответственности «аналитик фиксирует логику, агент только запрашивает».

Что делать с этим прямо сейчас, по ролям?

Авторам Дзена и копирайтерам. ИИ-агенты это не абстрактная технология из Кремниевой долины. Кейс «Далее» показывает, что агентный подход уже применяется в российских проектах. Если вы пишете про маркетинг и аналитику, этот разбор даёт конкретный пример для контента.

Маркетологам. Обратите внимание на принцип: нейросеть не пишет SQL, а работает с уже подготовленными данными. Это снижает риск ошибок в отчётах. Если ваша компания думает о внедрении ИИ в аналитику, начните с семантического слоя, а не с подключения языковой модели к базе данных напрямую.

Предпринимателям РФ и СНГ. Решение создано российской командой, значит, нет проблем с доступом и санкционными ограничениями. Конкретную стоимость внедрения компания не раскрыла, но архитектурный подход описан достаточно подробно, чтобы обсудить его с вашей командой аналитиков.

Как попробовать?

1. Изучите опубликованный разбор команды «Далее», чтобы понять архитектуру и принцип семантического слоя.
2. Проверьте, есть ли в вашей BI-системе возможность добавить метаописания к полям данных. Это основа, без которой агент не сможет интерпретировать метрики.
3. Свяжитесь с командой «Далее» для обсуждения интеграции, если ваша компания работает с большими объёмами рекламных или аналитических данных.

Частые вопросы

ИИ-агенты это сложно для компании без технической команды?

ИИ-агенты это программные модули, каждый из которых выполняет одну задачу: получить данные, объяснить их, визуализировать. Но внедрение требует подготовки: нужен аналитик, который опишет бизнес-логику метрик в семантическом слое. Без этого этапа агент не поймёт, что означают цифры в вашей базе.

Почему нейросеть не должна сама писать SQL?

Команда «Далее» объясняет это так: генерация SQL нейросетью плохо контролируется. Модель может составить запрос с ошибкой в фильтре или агрегации, и менеджер получит неверные цифры, не подозревая об этом. Когда логика зафиксирована аналитиком заранее, агент просто передаёт параметры и получает проверенный результат.

Можно ли использовать этот подход с YandexGPT или GigaChat?

Архитектурный принцип (семантический слой плюс агенты с разделением ответственности) не привязан к конкретной модели. Какие именно модели использует «Далее», компания не раскрыла. Но сам подход можно реализовать с любой языковой моделью, доступной в России, при условии, что есть API для интеграции.