Q1. Согласно опросу McKinsey 2026 года, восемь из десяти респондентов отмечают рост личной продуктивности от ИИ, но влияние на EBIT видят лишь 37%. Что отличает компании, где ИИ уже влияет на прибыль?
Доступный сотрудникам ИИ и прибыль от него не одно и то же. Разница в том, во что встроен ИИ: в личную работу сотрудника или в процесс, результат которого можно посчитать.
Разрыв между восемью респондентами из десяти и тридцатью семью процентами опрошенных объясняется тем, что личная продуктивность не складывается. Если двадцать аналитиков стали писать запросы на час быстрее, в отчёте о прибыли вы этого не увидите: освободившееся время уйдёт на другую работу, а не в экономию. В прибыль попадает только то, что меняет стоимость ресурса или решение, у которого есть цена. Эти компании встроили ИИ в процесс с измеримой единицей: сколько стоит один запрос, одна кампания, одно решение по лимиту.
Эффект даёт сценарий, где человека в цепочке решения нет, а результат проверяется счётом. В платформах данных это автоматика обслуживания: сведение мелких файлов, чистка устаревших снимков, перераспределение ресурсов между пулами по реальному профилю нагрузки.
Q2. Пару лет назад рынок просил «чат поверх хранилища». Как за это время изменился запрос бизнеса к ИИ, и кто сегодня чаще всех работает с агентами?
Первые попытки внедрения ИИ напоминали компьютеризацию 90-х через установку компьютера на столе рядом с калькулятором. Причём если раньше освоение новой техники было уделом молодых инициативных сотрудников, то сейчас всё чаще активными пользователями агентских сценариев являются менеджеры высшего и среднего звена.
Внедрение больших языковых моделей (LLM) значительно снизило порог входа в новые технологии. Нет необходимости запоминать расположение пунктов меню в громоздких интерфейсах или изучать новые языки программирования. Системе можно сформулировать задачу текстом и получить результат в привычном формате текста или готового документа.
В результате ИИ перестал быть инструментом рядом с платформой данных, а стал её частью. Данные не нужно переносить от инструмента к инструменту. Табличные и сложноструктурированные данные являются единым пространством. Интерфейс агентов позволяет обращаться естественным языком ко всему доступному объёму информации.
Q3. Какие условия заказчики Data Sapience ставят, прежде чем пустить ИИ-агента к своим данным?
Сейчас к нам в Data Sapience приходят уже с тремя условиями. Первое: модель должна работать внутри контура заказчика, без обращения к внешнему API. Для пилота это условие допуска, экзотикой оно быть перестало. Второе: агент должен работать внутри платформы, а не рядом с ней, и пользоваться каталогом, правами и журналом, как обычный сотрудник. Третье: спрашивают, что именно агент увидит, какие строки и колонки и от чьего имени. Два последних условия закрывает MCP-сервер из релиза Data Ocean Nova 2026.3.0. Поверх него в интерфейсе Platform UI работает ИИ-ассистент.
У каждого пользователя есть учётная запись и след в журнале аудита. Всё это позволяет поддерживать индивидуальные сессии и контролировать качество ответов. Поменялся собеседник, сменились права доступа, поднялась история предыдущего диалога — и работа продолжается в другом контексте.
Q4. Что должно быть готово у заказчика до запуска ассистента по данным и сколько времени обычно уходит на подготовку?
Если в качестве исходных данных у заказчиков Data Sapience выступают документы, то зачастую к работе можно приступать сразу. Как правило, документы содержат достаточно много информации для больших языковых моделей, чтобы начать с ними работать.
При этом начать работать с, казалось бы, более простыми данными в табличной форме может оказаться гораздо сложнее. Имена таблиц и полей могут быть недостаточно информативными, а иногда даже вводящими в заблуждение. Нередко описания модели данных может просто не оказаться. Кроме того, при наличии описаний поля таблиц могут использоваться не совсем по тому назначению, как это предусмотрено документами. Что считать клиентом, что договором, какая таблица — источник истины. ИИ эту работу не ускоряет, договариваются люди.
Качество работы агентских сценариев с данными во многом зависит от описаний таблиц и метрик на языке бизнеса. По публичным замерам поставщиков платформ доля верных ответов на одних и тех же вопросах отличается в разы в зависимости от того, описаны ли данные.
Проверить это можно на себе. Если на вопрос «какая таблица источник истины по выручке» в компании три ответа, ассистент будет ошибаться так же, как люди, только быстрее и увереннее.
Поэтому начинать необходимо с определения самых базовых терминов. Что такое объём продаж? Какова сумма позиций в чеке? Учитываем ли возвраты? Если да, то каким числом? По цене на дату покупки или продажи? Так даже простой термин требует уточнений. Иногда создаётся опасная иллюзия, что если в организации есть утверждённый список бизнес-терминов, не проверенный на реальных отчётах, то этого достаточно, чтобы задавать вопросы к данным. В полноте определений лучше всего убедиться с помощью сверки самых простых отчётов по базовым определениям. Как только подтверждены правила расчёта базовых показателей, можно переходить к утверждению более сложных составных показателей.
Q5. Где ИИ-функция в платформе данных скорее вредит, чем помогает?
Как правило, в двух областях – там, где требуется выполнение заранее определённых правил и где есть завышенные ожидания, что ИИ заменяет опыт и знания человека. Регуляторная отчётность, расчёты с клиентом и всё, что подписывается именем человека. Автоматическое решение без явной проверки экономит минуты и создаёт риск, который измеряется другими единицами. ИИ там уместен для подготовки материала для человека, последним звеном он быть не должен.
Как-то мне на основании снимка подтвердили отсутствие перелома пальца. Через полгода там же подтвердили наличие сросшегося перелома. Обученная на размеченных таким образом снимках модель не будет точнее того человека, который размечает данные для обучения моделей. Работа сложных ИИ-моделей требует аккуратной постановки задачи и ещё более аккуратной проверки результатов. Если доля ошибок невелика, а процесс контроля результатов отлажен, то итоговый результат будет выше среднего, просто потому, что модель не устаёт и не делает ошибок из-за невнимательности. Она освобождает человека от рутины, он менее утомлён ею и более эффективно выполняет функцию контроля.
Q6. Data Sapience Data Day 2026 откроет дискуссия «ИИ в данных и в работе data-команд». Что ИИ уже берёт на себя, и что, по-вашему, останется за людьми к 2028 году?
Агентную модель я бы сравнил с экзоскелетом для бизнеса. Он усиливает идущего, а куда идти – человек решает самостоятельно.
Останутся три вещи. Первая: согласование смысла. Вторая: всё, что подписывается именем человека, о чём мы говорили в предыдущем ответе. Третья: решение о том, кому что видеть. Права доступа задаёт человек, а модель их только соблюдает.
Уже сейчас ИИ берёт на себя подсказки разработчику, диагностику для администратора, автоматику обслуживания данных и черновики описаний таблиц по метаданным. К 2028 году этот список вырастет, а три названные вещи, по моим ожиданиям, останутся за людьми. Где проходит граница у клиентов Data Sapience, услышим на конференции Data Sapience Data Day 18 ноября.