ИИ для бизнес-аналитики: какие вопросы руководителя он закрывает и как проверить его цифры

Коротко о главном

ИИ для бизнес-аналитики полезен, когда переводит управленческий вопрос в запрос к данным, объясняет результат и сам присылает отклонения. Цифры считает код, таблица или BI по заранее описанным правилам, а не языковая модель. Без словаря метрик и проверки на собственных вопросах точность ниже, чем на демо: даже лучшая система на бенчмарке BIRD (октябрь 2026) ошибается примерно в каждом шестом запросе.

В июне 2026 года на workspace.ru вышел кейс ИИ-аналитика для сети ресторанов. В первой версии облегченная языковая модель получала таблицу продаж текстом, путала столбцы и придумывала блюда, которых нет в меню. Ошибку исправили не сменой модели, а архитектурой: считать стал код, модели оставили формулировку ответа. На этом разделении держится любой ИИ для бизнес-аналитики, которому можно доверить цифры.

Речь об аналитике для решений руководителя: почему просела выручка, какой канал окупается, сколько зарабатывает товар, хватит ли денег на квартал. Профессия бизнес-аналитика с требованиями и BPMN-схемами — отдельная тема.

Содержание:

• Как устроено разделение труда между ИИ и расчетом
• Пять управленческих вопросов: что ответит ИИ и где он ошибется
• Можно ли верить цифре: почему на демо точность выше, чем на ваших данных
• Словарь метрик: что такое семантический слой простыми словами
• ИИ внутри BI или агент, который сам приходит с отчетом
• Чек-лист: как проверить ответ ИИ с цифрами
• Когда ИИ для бизнес-аналитики не нужен
• Как собрать ИИ-аналитика в ASCN без кода
• Почему ASCN.ai
• Частые вопросы
• С чего начать

Как устроено разделение труда между ИИ и расчетом

ИИ для бизнес-аналитики — это языковая модель, подключенная к данным компании: она принимает вопрос на естественном языке, находит нужную метрику, запускает расчет и объясняет результат. Главное слово здесь «запускает». Сама модель складывает и делит ненадежно, особенно когда ей отдают таблицу текстом, как в первой версии ресторанного аналитика.

В рабочей схеме у каждого шага свой исполнитель:

1. Вопрос. Руководитель спрашивает обычными словами: «почему выручка в сентябре ниже, чем в августе».
2. Определение метрики. ИИ находит в словаре, что такое «выручка» именно в этой компании: без НДС, за вычетом возвратов, по дате оплаты, а не заказа.
3. Расчет. SQL-запрос, формула в таблице или отчет BI возвращает число. Шаг детерминированный: тот же запрос завтра даст тот же результат.
4. Объяснение. ИИ раскладывает число на факторы, показывает разрез, где случилась просадка, и предлагает гипотезы.
5. Решение. Человек выбирает, что делать, и назначает ответственного.

Так и переделали аналитика из кейса workspace.ru: модель вызывает серверные функции, точные значения считает Python с библиотекой Pandas, а модели остается сформулировать ответ. Попутно запрос к модели сократился с 30–100 тыс. до 1,5–3 тыс. токенов: ей больше не нужно читать всю таблицу. Прототип сделали два разработчика за 3 недели.

Спрос на такие системы в России пока узкий. По данным ИСИЭЗ ВШЭ (март 2026, данные Росстата за 2024 год), ИИ используют 4,8% крупных и средних организаций, и около половины из них применяют его для поддержки принятия решений. Перечень сервисов и моделей собран в обзоре нейросети для анализа данных.

Пять управленческих вопросов: что ответит ИИ и где он ошибется

На пять типовых вопросов руководителя ИИ отвечает одинаково: раскладывает число на факторы и объясняет его, а само число считает код или BI. Ошибается он там, где никто не зафиксировал определение метрики, модель атрибуции, порог допуска или допущения прогноза.

Почему упала выручка

ИИ раскладывает выручку на трафик, конверсию и средний чек, находит разрез с просадкой (регион, канал, категория) и предлагает гипотезы. Причину он не знает: в статье Garage Eight на Habr (февраль 2026) это названо разрывом между найденной аномалией и бизнес-действием. Частая ловушка — месяцы, в которых по-разному учтены НДС и возвраты: «просадка» оказывается разницей в методике, а не в продажах.

Какие каналы окупаются

ИИ сводит расходы на рекламу с заявками и оплатами и считает CAC и ROMI по каналам. Но кому засчитать заявку, пришедшую после трех касаний, и что вообще считать заявкой — управленческое решение. В блоге Beget на Habr (январь 2026) разобран пример: «активный клиент» значит разное для маркетинга, финансов и продукта, и модель не выберет определение за вас. Модель атрибуции записывают в словарь, ИИ ее только применяет.

Юнит-экономика товара или клиента

Формула «выручка минус комиссия, себестоимость и реклама» живет в таблице, а ИИ показывает, какие товары или клиенты уходят в минус и из-за какой статьи. По такой схеме работает, например, агент Ozon Analyst из каталога ASCN: прибыль по каждому SKU считается по этой формуле, рекомендации пишет модель. Если себестоимость в таблице не обновляли с прошлого квартала, вывод будет верным по арифметике и неверным по сути.

Отклонения KPI и поиск аномалий в метриках

Когда ИИ используют для мониторинга KPI, порог допуска задают заранее, например «отклонение от плана больше 10%». Агент сравнивает факт с планом и прошлыми периодами, комментирует отклонения за порогом и предлагает одно действие. Без порога он комментирует каждое колебание, и важное отклонение теряется среди мелких.

Хватит ли денег через три месяца

Прогноз денег на 13 недель считается в таблице по сценариям: оплаты по графику, оплаты с задержкой, потеря крупного клиента. ИИ формулирует допущения каждого сценария и ставит плохую новость первой строкой. Допущения утверждает финансовый директор или собственник — от них результат зависит сильнее, чем от формулы.

Можно ли верить цифре: почему на демо точность выше, чем на ваших данных

Верить можно цифре, которую посчитал проверяемый запрос по вашим определениям и которая сошлась с эталоном. Лидерборды показывают, как системы справляются с чужими базами, а не как ИИ ответит про вашу компанию.

Что показывают бенчмарки text-to-SQL

Text-to-SQL — перевод вопроса на естественном языке в SQL-запрос к базе: именно этот шаг ИИ делает, когда вы «спрашиваете у данных».

• BIRD. На официальном лидерборде первое место — 83,40% execution accuracy, то есть совпавших с эталоном результатов (сабмит от 22 октября 2026 года). Человек — дата-инженеры и студенты — дает 92,96%. На языке руководителя: лучшая система ошибается примерно в каждом шестом запросе, человек — в каждом четырнадцатом.
• Spider 2.0-AIFunc. Бенчмарк июля 2026 года: 465 задач к 125 реальным базам в Snowflake. Лучший результат — 70,3%: примерно каждая третья задача решена неверно. Минимальный агент набрал 69,0% и не уступил сложным фреймворкам: сложная обвязка точности не гарантирует.

Почему лидерборд не про вашу компанию

Первая причина — сами бенчмарки. В работе arXiv 2601.08778 (январь 2026, препринт без рецензии) ошибки разметки нашли в 52,8% задач BIRD Mini-Dev и 62,8% задач Spider 2.0-Snow. После исправления точность агентов изменилась от −7 до +31%, а места в рейтинге сдвинулись на ±9 позиций. Часть разницы между системами на лидерборде — разница в качестве эталона.

Вторая — в схеме базы не записано, что такое «выручка» в вашей компании. Julien Hurault (декабрь 2025) описывает типичный сбой: одинаково названные «user_id» в разных таблицах обозначают разные сущности, и модель уверенно строит неверные джойны.

Третья — устройство демо: почти всегда это простой вопрос к одной таблице фактов, и на нем хорошо выглядит любой продукт.

Самая опасная ошибка при этом — не отказ, а убедительный неверный ответ. Модель редко сообщает, что не поняла вопрос, — на это указывают и практики BI в блоге VSL BI на Sostav (октябрь 2026). Как такие системы развиваются от чата с данными до автономного агента, разобрано в статье про уровни зрелости ИИ-агентов для анализа данных.

Словарь метрик: что такое семантический слой простыми словами

Семантический слой — это описание метрик компании, которое ИИ читает до расчета: что считается выручкой, маржой, активным клиентом и CAC, из какой таблицы брать данные и с какими фильтрами. В небольшой компании это не отдельный продукт, а документ, у которого есть владелец.

Пример одной записи словаря:

• Метрика: выручка.
• Определение: оплаченные заказы за период по дате оплаты.
• Формула: сумма оплат минус возвраты, без НДС.
• Источник: лист «Оплаты» в Google Sheets, выгрузка из 1С каждый понедельник.
• Исключаем: тестовые заказы, внутренние перемещения.
• Владелец: финансовый директор.
• Контрольное значение: цифра за последний закрытый месяц из управленческой отчетности.

Как сильно это влияет на точность, показывает препринт arXiv 2604.25149 (28 апреля 2026, без рецензии): 100 вопросов к розничному датасету в ClickHouse, три модели. Markdown-документ на 4 КБ с описанием метрик и правил поднял точность на 17–23 п.п., с 45,5–50,5% до 67,7–68,7%, и разница между моделями почти исчезла. Датасет один, но вывод прямой: словарь влияет на результат сильнее, чем выбор модели.

По прогнозу Gartner (Market Guide for Agentic Analytics, февраль 2026) в пересказе Cube и Redpanda, 60% проектов agentic analytics, опирающихся только на MCP, провалятся из-за отсутствия согласованного семантического слоя. BI-вендоры двигаются туда же. В конце сентября 2026 года Microsoft открыла общий доступ к Fabric IQ, и ответы Copilot теперь привязываются к семантическим моделям Power BI.

Ошибок словарь не отменяет: даже с ним в эксперименте неверна примерно треть ответов, поэтому дальше нужна проверка. Начинать стоит не с описания всей базы, а с 10–15 метрик, которые звучат на планерке: выручка, маржа, заявки, CAC, остаток денег.

ИИ внутри BI или агент, который сам приходит с отчетом

ИИ внутри BI подходит, если BI с описанной моделью данных уже есть, а агент по расписанию — если BI нет или сводка и отклонения должны приходить сами, без открытия дашборда.

ИИ в BI-системах. Нейроаналитик в DataLens работает с датасетом дашборда, качество зависит от «эталонной вкладки». Ограничения по обзору на Habr (9 июля 2026) и документации (10 июля 2026): один датасет, анализ по одному чарту в отчетах, до 2 000 запросов в месяц на пользователя. Индивидуальное место в DataLens бесплатно, командная работа — 990 ₽ в месяц за место с 1 декабря 2025 года. В Power BI на вопросы по отчетам и семантическим моделям отвечает Microsoft 365 Copilot с учетом прав доступа; нужна его лицензия (MC1323266, обновлено 19 августа 2026).

В Looker, по release notes от 8–9 октября 2026 года, data agents в Conversational Analytics вышли в общий доступ, а запланированные агентные воркфлоу с рассылкой сводок по email и в Slack — в Preview; эталонные verified queries доступны всем с 28 августа. BI сам движется к модели «агент присылает отчет по расписанию».

Чат с LLM и выгрузкой. Для разового вопроса это быстрее всего, но таблица, вставленная текстом, — ровно тот сценарий, где модель из кейса workspace.ru путала столбцы. Если в выгрузке есть персональные данные клиентов, зарубежное облако — отдельный вопрос: закон требует записывать и хранить персональные данные россиян в базах на территории России.

По прогнозу Gartner (Predicts 2026, в пересказе Redpanda), к 2028 году 60% пользователей self-service-аналитики будут использовать универсальные LLM для разовых вопросов, а регламентная отчетность останется в BI. Мы считаем, что способы дополняют друг друга: BI остается источником регламентных цифр, а агент берет на себя аналитические сводки по расписанию и алерты. Если задача — собрать регулярный отчет, а не отвечать на вопросы, пригодится разбор того, как автоматизировать отчеты.

Чек-лист: как проверить ответ ИИ с цифрами

Ответ ИИ с цифрой можно принимать, если метрика есть в словаре, в ответе видны формула и источник, а результат сошелся с отчетом за закрытый период. Набор эталонных вопросов и сверку с эталоном повторяют после каждого изменения данных, словаря или модели.

1. Метрика есть в словаре. Если «выручки» в словаре нет или определений два, ответ не принимается, пока определение не утверждено.
2. Ответ показывает, как посчитан. Формула или запрос, источник, период и фильтры — в каждом ответе. В Looker для этого есть настройка показа хода рассуждения и результатов запросов, в других инструментах правило записывают в инструкцию.
3. Сверка с эталоном. Цифра за последний закрытый период совпала с управленческой отчетностью до рубля, или расхождение объяснено (например, разная дата отсечки).
4. Набор эталонных вопросов. 20–30 вопросов с известными ответами — тот же принцип, что verified queries в Looker.
5. Тест на честность. Спросите про метрику, которой нет, или про период, за который нет данных. Правильный ответ — «нет данных», а не правдоподобная цифра.
6. Права доступа. ИИ видит только разрешенные источники, права на изменение и удаление выключены, пока ответы не прошли проверку.
7. У решения есть ответственный. В исследовании McKinsey «The judgment bottleneck» (октябрь 2026; пересказ) финансовый анализ сократился с пяти недель до менее чем двух дней, но решения быстрее не стали: руководителям нужно время проверить допущения. Ответственного за решение назначает руководитель, а не ИИ.

Когда ИИ для бизнес-аналитики не нужен

ИИ для бизнес-аналитики лишний, когда вопросы закрывает сводная таблица, и вреден, когда источники считают одну метрику по-разному: тогда он только быстрее выдаст убедительно неверный отчет.

• Данных мало и все в одной таблице. Пять вопросов в месяц закрывают сводная таблица и формулы.
• Данные не сведены. Если 1С, CRM и Excel считают выручку по-разному, сначала нужны единые правила расчета, потом ИИ.
• Хранилище на сотни таблиц со сложными связями. Здесь нужен BI или семантический слой и команда данных; no-code агент их не заменит и будет работать поверх подготовленных выгрузок.
• Разовое стратегическое решение с высокой ставкой. ИИ ускорит подготовку анализа, но суждение и проверка допущений останутся за людьми, и экономия времени будет меньше, чем кажется.

Как собрать ИИ-аналитика в ASCN без кода

В ASCN.ai ИИ-аналитика собирают из готового агента и ваших таблиц: агент читает данные из Google Sheets или Google Drive, сверяется со словарем метрик в базе знаний и присылает сводку в Telegram или Slack по расписанию.

1. Данные. Нативно подключаются Google Sheets и Docs, Google Drive, Supabase, Notion. Готовой интеграции с 1С, amoCRM и Bitrix24 нет: выгрузку кладут в Google Drive или Sheets, а напрямую систему подключают через ее API или MCP-сервер, ключ хранится в разделе «Секреты и ключи». Если данные лежат в базе, пригодится инструкция, как подключить ИИ-агента к базе данных.
2. Словарь метрик. Загрузите словарь в базу знаний агента: она читается перед каждым ответом. Мы советуем добавить туда же два правила — «не отвечай цифрой, если нет данных» и «показывай формулу и источник». Это рекомендация, а не встроенная функция: проверьте ее эталонными вопросами.
3. Готовый агент. ИИ-агент для KPI-отчетов собирает KPI из Google Sheets, Search Console и GitHub по карте метрик, строит таблицу «факт / план / дельта», комментирует каждое отклонение больше допуска с одним действием на блок, обновляет HTML-дашборд и делает экспресс-срез по запросу.
4. Расписание. Задачу создают сообщением в чате, например «каждый понедельник в 9:00 присылай сводку в Telegram». Можно задать интервал в часах, дни недели и часовой пояс. Работа по расписанию доступна с тарифа Start.
5. Алерты. Триггеры в ASCN есть только у Gmail, Google Calendar и Google Drive, поэтому алерт об отклонении — это проверка по расписанию: например, раз в час с условием «если отклонение больше X — написать в Telegram». Исключение — новый или измененный файл выгрузки в Drive: на него триггер есть. Каждый запуск тратит кредиты; документация советует проверять раз в час, а не каждые 15 минут.
6. Проверка до рассылки. Прогоните эталонные вопросы из чек-листа и сверьте первую сводку с закрытым месяцем.

Под отдельные вопросы из таблицы выше в каталоге есть другие готовые агенты:

• ИИ-CFO-агент — берет выгрузки банка и CRM из Drive, собирает месячный пакет (P&L, движение денег, отклонения) и 13-недельный прогноз кэша в трех сценариях.
• Ozon Analyst — считает чистую прибыль по каждому SKU и риск дефицита в рублях.
• Финансовый ИИ-помощник для малого бизнеса — ведет доходы и расходы, собирает P&L и cash flow в Google Sheets.
• Google Ads аналитик — находит кампании, которые тратят бюджет без заявок.

По странице тарифов ascn.ai (октябрь 2026), Free — 500 кредитов в неделю и один активный агент, платные тарифы — от $29/мес: с тарифа Start начинаются работа по расписанию и подключение агента к Telegram и Slack. Расход кредитов зависит от модели и объема данных, так что стоимость сводки видно только после первых запусков.

Почему ASCN.ai

ASCN Agent — облачная платформа ИИ-агентов от ASCN.ai: агента собирают описанием задачи в чате. Для аналитики в ней есть:

• Агент приходит сам. Сводку и отклонения он присылает в Telegram или Slack по расписанию (с тарифа Start).
• Готовые агенты. Под KPI, финансы и маркетплейсы агентов берут из каталога и донастраивают сообщениями в чате.
• Словарь метрик в базе знаний. Определения и правила ответа лежат в базе знаний, а не в памяти переписки.
• Модель меняется в один клик. Доступны Qwen, Claude, DeepSeek, Kimi, MiMo, GPT и Gemini. С учетом препринта о словаре модель разумно выбирать по цене и скорости, а точность добирать словарем.
• Контроль доступа. Агент видит только разрешенные источники, ключи хранятся в зашифрованном виде, рискованные действия выполняются после подтверждения, права на изменение и удаление файлов — отдельные переключатели.

Граница тоже есть: ASCN не BI-система и не хранилище данных. При сотнях таблиц агент работает поверх подготовленных выгрузок или BI, а не вместо них.

Начать можно с готового ИИ-агента для KPI-отчетов.

Частые вопросы

Может ли ИИ заменить BI-систему?

Нет: BI хранит модель данных, права доступа и регламентные отчеты, а ИИ отвечает на вопросы поверх них и объясняет результат. По прогнозу Gartner (Predicts 2026) в пересказе Redpanda, к 2028 году универсальные LLM для разовых вопросов будут использовать 60% пользователей self-service-аналитики, но регламентная отчетность останется в BI.

Можно ли доверять цифрам, которые дает нейросеть?

Только если цифру посчитал запрос, формула или BI по описанному определению метрики, а ответ сошелся с эталонным отчетом. Сама генерация запроса ошибается: на бенчмарке BIRD (лидерборд, октябрь 2026) лучшая система дает 83,4% верных результатов против 92,96% у человека. Ответ без формулы, источника и периода принимать не стоит.

Что такое семантический слой простыми словами?

Семантический слой — это словарь метрик компании: что считается выручкой, маржой, активным клиентом, по какой формуле, из какой таблицы и с какими исключениями. ИИ читает его до расчета. В препринте arXiv 2604.25149 (апрель 2026, без рецензии) такой документ на 4 КБ поднял точность ответов на 17–23 п.п. и почти выровнял результаты трех моделей.

Можно ли подключить ИИ к 1С или CRM?

Да, но не напрямую: в ASCN.ai готовой интеграции с 1С, amoCRM и Bitrix24 нет. Рабочий путь — регулярная выгрузка в папку Google Drive или в Google Sheets: на новый или измененный файл в Drive есть триггер, и агент обработает выгрузку сразу. Напрямую систему подключают через ее API или MCP-сервер, ключ хранится в «Секретах и ключах».

Как ИИ находит аномалии в метриках и почему алерт приходит не мгновенно?

Агент сравнивает свежие значения с планом, прошлыми периодами и порогом допуска и пишет, если отклонение больше заданного. В ASCN это задача по расписанию (с тарифа Start), например проверка раз в час, как советует документация ради экономии кредитов. Мгновенно срабатывает только триггер на новый или измененный файл в Google Drive, триггера из базы или CRM нет.

Безопасно ли давать ИИ доступ к финансовым данным?

Это зависит от настроек доступа: агент должен видеть только разрешенные источники, а права на изменение и удаление файлов — быть выключены. В ASCN.ai каждый аккаунт изолирован, а ключи хранятся в зашифрованном виде. Отдельный вопрос — персональные данные клиентов: требование обрабатывать данные россиян в России стоит обсудить с юристом до подключения.

Сколько стоит ИИ для бизнес-аналитики?

Цена зависит от способа. В DataLens индивидуальное место бесплатно, командная работа с 1 декабря 2025 года стоит 990 ₽ в месяц за место. Copilot в Power BI требует лицензии Microsoft 365 Copilot. В ASCN.ai (октябрь 2026) тариф Free дает 500 кредитов в неделю и один активный агент, платные — от $29 в месяц, с них доступна работа по расписанию; расход зависит от модели и объема данных.

С чего начать

Начинать стоит не с выбора сервиса, а со словаря метрик: первый шаг занимает неделю, и инструмент для него не нужен. Выпишите пять вопросов, которые вы задаете команде каждую неделю. Для каждой метрики в них запишите определение и источник, а цифры за последний закрытый месяц возьмите как эталон. Это и есть первая версия словаря и первые эталонные вопросы.

Затем подключите таблицу к ИИ-агенту для KPI-отчетов, загрузите словарь в базу знаний и сверьте первую сводку с эталоном. Если цифры совпали, ставьте расписание; если нет, расхождение почти наверняка покажет, какое определение в словаре нужно уточнить. Начать можно после регистрации в ASCN, а с настройкой поможет менеджер в Telegram.