Время на прочтение: 8 минут

Дата публикации: 16.10.2026

За последний год на рынке появилось много предложений в духе «дашборд за один день без BI-разработчика». Демонстрация обычно выглядит убедительно. В сервис загружают выгрузку продаж, пишут запрос обычным языком, и через минуту на экране готовый отчет с графиками и выводами. Руководитель может задуматься, а зачем платить за BI-проект, который идет несколько месяцев, если нейросеть делает то же самое за минуту?

Короткий ответ — ИИ уже забирает часть работы, но не ту, на которую уходит основное время и бюджет BI-проекта. Нейросеть хорошо собирает визуализации поверх подготовленных данных. Собрать сами данные из разных систем, договориться, как считается каждый показатель, и проверить результат она пока не может. Поэтому услуга «дашборды с помощью ИИ» ускоряет верхний слой аналитики, но не заменяет построение BI-аналитики.

Ниже разберем, какие решения скрываются за словами «ИИ-аналитика», почему они хорошо работают на демо и хуже на реальных данных компании, где ИИ действительно полезен уже сейчас и что спросить у подрядчика до подписания договора.

Еще пару лет назад ИИ в BI-системах выглядел как экспериментальная функция. Сейчас это обычная часть продукта.

Крупные платформы это подтверждают. Летом 2026 года в Yandex DataLens вышло обновление Нейроаналитика. Теперь ассистент работает не только с готовыми графиками на дашборде, но и напрямую с датасетом: может построить новую визуализацию по запросу и при этом учитывает права доступа конкретного пользователя. По данным Yandex B2B Tech, Нейроаналитиком пользуются более 1 500 компаний. В Power BI работает Copilot и отдельный полноэкранный Power BI-агент, в российском Visiology есть встроенная языковая модель Visiology Cortex.

Прежде чем сравнивать ИИ с классическим BI-проектом, стоит понять, что именно предлагают. От того, где находится ИИ и к каким данным он подключен, зависит, насколько можно доверять результату.

Первый вариант — функция BI-системы, которую компания уже использует или собирается внедрять.

Второй вариант — отдельный агент, которого разработчики собирают поверх языковой модели и подключают к хранилищу данных или напрямую к базам учетных систем. Подключение идет через API или протокол MCP, обычно с правами только на чтение. Агенту передают схему базы: список таблиц, полей и связей между ними. Получив вопрос, он сам планирует шаги, пишет SQL-запрос, выполняет его, смотрит на результат, при необходимости переписывает запрос, затем строит график и формулирует вывод. Как отмечают авторы исследования «AI в BI» центра «Круги Громова», такой подход дает больше гибкости, чем встроенный помощник, но его точность сильно зависит от того, насколько подробно описана схема данных. Если в базе нет описаний полей и правил расчета показателей, агент угадывает их по названиям столбцов.

Третий вариант подходит для разовой задачи, например подготовить графики к совещанию по одной таблице. Для регулярной управленческой отчетности он не годится, потому что через неделю понадобится новая выгрузка и все начнется сначала.

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

Автоматизируем сбор данных и освободим команду от ручной аналитики

Сотрудники тратят часы на отчеты?

Насколько ИИ хуже справляется с реальными данными, чем с демо, хорошо видно по тому, как он пишет SQL-запросы. Именно это делает ИИ-агент, когда пользователь задает ему вопрос обычным языком: он переводит вопрос в запрос к базе, и от точности запроса зависит каждая цифра в отчете.

Эту точность исследователи проверяют на специальных наборах задач. Сначала такие задачи составляли на простых учебных базах: несколько таблиц, понятные названия полей. На них модели уровня GPT-4 писали правильный запрос примерно в 91% случаев. Тогда исследователи собрали новый набор Spider 2.0 из настоящих корпоративных баз, где сотни и тысячи полей, а ответ часто требует нескольких связанных запросов. Результат оказался в разы хуже. Даже сейчас лучшие ИИ-агенты справляются примерно с 40% таких задач. Проще говоря, на данных, похожих на данные реальной компании, ИИ ошибается чаще, чем отвечает правильно.

Дело в том, что демо-файл обычно чистый, там одна таблица, понятные названия столбцов, никаких дублей. В компании данные устроены иначе. Допустим, руководитель просит агента показать выручку по регионам за квартал. В 1С выручка хранится с НДС, в CRM — по сумме сделок без учета возвратов, а в файле финансового отдела регионы названы не так, как в справочнике продаж. Агент выберет одно из полей, построит аккуратный график и не сообщит, что вариантов расчета было три.

Ошибку в SQL-запросе, который написал человек, обычно видно. Отчет не строится или цифры явно не сходятся. С ИИ ситуация другая. Если нейросеть неправильно поняла задачу, она редко останавливается и предупреждает об этом. Она строит убедительный график и формулирует вывод так, будто все посчитано правильно.

Microsoft прямо пишет в документации Power BI, что ответы Copilot генерирует ИИ и они могут содержать ошибки. Поэтому вендор рекомендует тестировать ответы на конкретной модели данных и сверять результаты перед использованием в работе.

Проблема становится серьезнее, если полностью отдать ИИ создание отчетов. Без человека, который отвечает за модель данных, некому проверить, правильно ли выбраны показатели и какие фильтры применены. Со временем в компании появляется много отчетов, которые выглядят правдоподобно, но по-разному считают одну и ту же выручку или маржу. Финансовый директор получает одну цифру, коммерческий — другую, и доверие к аналитике падает быстрее, чем росла скорость ее получения.

Покажем демо-дашборд и расскажем, как это работает на практике

Один дашборд вместо десятков отчетов

Самая трудоемкая часть BI-проекта происходит до визуализации. Нужно подключить источники, построить хранилище данных (DWH), настроить загрузку и преобразование данных (ETL), привести справочники к единому виду и зафиксировать правила расчета показателей. Результат этой работы — семантическая модель, то есть единый слой, где описано, что означает каждый показатель, как он считается и как связаны таблицы.

Чем больше аналитики автоматизирует ИИ, тем важнее становится этот слой, и вендоры это понимают. Хороший пример — Power BI. Чтобы Copilot отвечал точно, Microsoft добавила в систему отдельный раздел настроек Prep data for AI, то есть «подготовка данных для ИИ». В нем специалист, который отвечает за модель данных, делает три вещи.
1. Скрывает от Copilot лишние и технические таблицы, чтобы тот не путался.
2. Пишет обычным языком пояснения, например «выручку считаем без НДС и за вычетом возвратов».
3. Заранее задает правильные ответы на самые частые вопросы.

По сути, сам разработчик Copilot говорит компаниям, что без подготовленной модели данных точных ответов от ИИ ждать не стоит. С Нейроаналитиком 2.0 в DataLens то же самое, он строит отчеты по датасету, а датасет должен кто-то собрать и описать.

В России есть еще один вопрос, и он касается того, где будет работать сама нейросеть. Закон 152-ФЗ «О персональных данных» требует хранить и обрабатывать персональные данные россиян в базах на территории России, а их передачу за рубеж ограничивает. Поэтому отправить такие отчеты в зарубежный облачный сервис нельзя. Компаниям остается выбирать между российскими облачными моделями, где выбор меньше, и установкой модели на собственные серверы, а это отдельные расходы на оборудование и его поддержку.

Все это не значит, что ИИ в BI бесполезен. Он уже сейчас заметно экономит время, если поручать ему правильные задачи. Лучше всего ИИ работает там, где нужен быстрый ответ на разовый вопрос или гипотезу, которую потом проверит специалист. Регулярную управленческую отчетность, по которой принимают решения, мы по-прежнему строим в BI-системе на проверенной модели данных, а ИИ подключаем поверх нее.

ИИ хорошо справляется с такими задачами:
• черновики SQL- и DAX-запросов, формулы вычисляемых полей;
• дополнительные срезы и отчеты поверх уже настроенной модели данных;
• первичный поиск отклонений и аномалий;
• объяснение графика или изменений показателя обычным языком;
• типовые визуализации под конкретный вопрос.

За специалистом остаются задачи, от которых зависит, можно ли доверять цифрам:
• подключение источников и контроль качества данных;
• построение и поддержка семантической модели;
• определение показателей и правил их расчета;
• проверка того, что сгенерировал ИИ;
• изменения в модели, когда меняется структура учета.

Получается разделение труда, а не замена. ИИ ускоряет работу с данными, которые уже приведены в порядок, а люди отвечают за то, чтобы этот порядок существовал.

Сами по себе ИИ-инструменты в BI — нормальная практика. Важно понять, решает ли конкретное предложение вашу задачу или только показывает эффектную картинку. Эти вопросы помогут разобраться еще на этапе обсуждения.
1. Откуда будут браться данные и как они будут обновляться — разово из файла или автоматически из 1С, CRM и других систем?
2. Где будут зафиксированы определения показателей и кто отвечает за их изменение?
3. Как проверяется ответ ИИ? Есть ли эталонные расчеты, с которыми сверяют результат?
4. Получат ли два сотрудника одну и ту же цифру, если зададут один вопрос разными словами?
5. Где работает языковая модель и уходят ли данные во внешнее облако?
6. Кто поддерживает решение, когда в компании меняется структура учета или появляется новая система?

Если на первые три вопроса подрядчик не может ответить конкретно, скорее всего, вам предлагают быстро собранную визуализацию, а не аналитику, на которую можно опираться при принятии решений.

Мы уже реализовали более 127 проектов по настройке BI-аналитики под разные задачи. Проведём бесплатную консультацию и аудит ваших процессов, чтобы предложить оптимальное решение именно для вас.
Запишитесь на бесплатную консультацию, и мы поможем сделать аналитику вашего бизнеса прозрачной и эффективной.