Чат никогда не был главной сложностью: AI для BI против горизонтальных агентов данных

Turner · 2026/06/12

BI Стратегия & GenAI

Честный взгляд практика на горизонтальные агенты данных ИИ — Snowflake Cortex, Databricks Genie, Microsoft Fabric — и на то, где встроенная в BI помощница, такая как JAS, действительно приносит пользу. Спойлер: окно чата никогда не было самой сложной частью.

Если вы смотрели демонстрацию агента данных за последний год, вы знаете, как она проходит. Кто-то набирает «покажите мне доход по региону в прошлом квартале» в чат-бокс, корректный запрос SQL создается автоматически, появляется таблица, может быть, диаграмма, и присутствующие одобрительно кивают. Это хорошая демонстрация. Она и задумана как хорошая демонстрация.

Затем вы возвращаетесь в свою среду: 3,000 отчетов, названия таблиц, накопленные за сорок лет и понятные кому-то в 2009 году, финансовая команда, определяющая «активного клиента» иначе, чем отдел продаж, и специалист по соответствию требованиям, который лично положит конец вашей карьере, если данные пациентов покинут здание. Здесь магия демонстрации начинает меркнуть.

Мы провели хорошую часть 2026 года, наблюдая, как горизонтальные агенты данных созревают: Snowflake Cortex, Databricks Genie, агенты данных Microsoft Fabric и Copilot, а также системы, которые люди самостоятельно собирают за выходные из ClickHouse, LibreChat и векторного хранилища. Они действительно впечатляют, и мы хотим отдать им должное, прежде чем сказать вам, в чем, по нашему мнению, их слабости, потому что честная версия этого сравнения более полезна, чем версия брошюры, и это в любом случае более лестно для подхода, встроенного в BI.

А вот и честная версия.

В чем на самом деле хороши горизонтальные агенты

Эти инструменты находятся рядом с вашими необработанными данными. Это их тезис, и он хороший. Когда вопрос никогда не задавался раньше — какой-то действительно новый срез, которого не ожидал ни один аналитик — агент, подключенный прямо к хранилищу данных, может проанализировать исходные таблицы и попытаться ответить на него. Для открытого исследования, для работы в области науки о данных, для фазы «я еще даже не знаю, что я ищу», эта близость к lakehouse является реальным преимуществом. Они масштабируются с вашими вычислительными ресурсами. Им все равно, что ваш вопрос странный.

Если вы работаете преимущественно в Snowflake или используете Fabric, история интеграции также чиста: агент работает внутри платформы, за которую вы уже платите, с теми средствами контроля доступа, которые вы уже настроили. Управление на уровне хранилища реально - политика доступа Snowflake, разрешения Databricks Unity Catalog и Microsoft Purview в Fabric - все это доходит до агента. Любой, кто говорит вам, что эти агенты «игнорируют вашу безопасность», продает вам что-то. Они соблюдают правила безопасности. Пользователи видят строки, которые им разрешено видеть.

Итак: мощный, хорошо управляемый на уровне данных, отлично подходит для исследования. Это – справедливая отправная точка.

То, чего не показывают на слайде

Вот что демо не показывает вам, и о чем продавцы удивительно откровенны, когда вы выходите за рамки маркетинговых материалов.

Ни один из этих агентов не является магией в сырой схеме. Они становятся надежными лишь после того, как кто-то выполнил тяжелую, негламурную работу по созданию семантического слоя поверх данных.

Снег
хлопья

Snowflake Cortex

«Семантическая модель — это то, что делает Cortex Analyst точным».

Snowflake говорит об этом почти дословно в своей документации: универсальная модель, получившая только схему базы данных, испытывает трудности, потому что схема не содержит бизнес-определений и логики показателей. Решение — семантическая модель: файл YAML или семантическое представление, где человек описывает, что означают таблицы, какие соединения допустимы, как вычисляется каждый показатель и на что ссылается «CUST_ID». Без этого остается умное автодополнение, угадывающее пути соединения. Сам Cortex поставляется как API; готового интерфейса, который бизнес-пользователи могли бы просто открыть, в комплекте нет.

Данные
кирпичи

Databricks Genie

Такая же история в разных одеждах.

Genie Space настраивает аналитик данных: регистрирует таблицы в Unity Catalog, ограничивает их число тридцатью на пространство, добавляет примеры SQL-запросов и инструкции, определяет «доверенные активы» — заранее проверенные параметризованные запросы для ожидаемых вопросов. Genie лучше отвечает на вопросы, которые заранее предусмотрели и подготовили. Результат приходит в виде таблицы, и Databricks прямо отмечает: нетехническому пользователю часто не хватает знаний, чтобы проверить правильность сгенерированного SQL.

РС
Ткань

Microsoft Fabric

То же домашнее задание, плюс сноска соответствия.

Microsoft Fabric требует той же подготовки: создайте тщательно подготовленную семантическую модель Power BI с заданными вручную связями и мерами, затем подключите к ней агента данных. Если предоставить доступ к агенту через Copilot Studio или M365, ответы могут выйти за собственные границы соответствия требованиям и географические границы Fabric. Команда безопасности захочет узнать об этом заранее, а не постфактум.

Чат-бокс - самая легкая часть. Семантический слой – это фактический продукт.Каждый горизонтальный агент - это тонкая, блестящая разговорная оболочка, обернутая вокруг проекта моделирования, который вы должны построить и поддерживать. Интеллект не в LLM, а в тщательно подготовленном описании вашего бизнеса, которое вы передаете LLM.

Что переосмысливает весь вопрос о покупке. Это не «есть ли у этого инструмента ИИ?» Сейчас ИИ есть повсюду. Реальный вопрос: где живет ваша бизнес-логика, кто ее поддерживает, и в каком количестве мест вы должны поддерживать ее?

Почему «Bi-Native» — это другой ответ

Именно здесь появляется JAS TURBOARD, и довод в ее пользу становится предельно простым, если принять изложенную выше постановку вопроса.

Если аналитика уже работает на платформе BI, семантический слой уже построен. Управляемые представления, описания узлов, таблиц и полей, вычисляемые меры, дашборды, фильтры и модель разрешений — это и есть подготовленный бизнес-контекст, который горизонтальные агенты предлагают создать с нуля в YAML. JAS — помощница, которая читает уже оплаченный и поддерживаемый актив, вместо того чтобы просить создать его вторую копию в другом месте.

Из этого факта следует несколько последствий, которые важнее, чем кажется:

Один источник истины, а не два

Подключите к хранилищу отдельного агента данных, и на один вопрос будут отвечать две системы — сертифицированный дашборд и окно чата — без гарантии согласованности. Когда помощница работает внутри слоя BI и использует ту же управляемую модель, что и дашборды, ответ в чате совпадает с ответом на дашборде. Правила управления не дублируются, не расходятся со временем и не начинают незаметно противоречить друг другу.

Выход - это актив, а не квитанция

Горизонтальный агент выдает таблицу. Она исчезает, когда вы закрываете вкладку. JAS производит собственные дашлеты и дашборды — интерактивные вещи, в которых можно раскрывать детали, применять фильтры и закреплять результаты. Ответ не останавливается на «вот число»; он становится частью аналитической поверхности, которую ваша организация уже использует завтра.

Управление, которое вам не нужно восстанавливать

Агенты хранилища обеспечивают безопасность на уровне строк — это следует признать. Преимущество встроенного в BI подхода — это не "у нас есть безопасность, а у них нет". Это то, что вы не поддерживаете свою логику доступа в двух местах в надежде, что они останутся согласованными - и что для регулируемой работы JAS может работать на малых языковых моделях в собственной инфраструктуре, поэтому подсказки и данные никогда не покидают вашу инфраструктуру вообще.

Это Место, Где Люди Уже Работают

Отдельный «портал данных» звучит великолепно в демо и умирает в ежедневном использовании, потому что его использование означает оставление вашей приборной панели, повторное описание того, на что вы смотрели, и возвращение. JAS появляется в точке потребления — в приборной панели, рядом с дашлетом, в глобальной панели — поэтому вопрос и данные живут в одном и том же месте.

В этом последнем пункте два новых компонента JAS делают абстракцию конкретной.

JASlet и JAS Pane: часть, которую трудно скопировать

JASlet

Виджет JAS можно поместить прямо на дашборд. Она читает текущее состояние дашборда или конкретного дашлета, обобщает и объясняет его, отвечает на уточняющие вопросы о данных на экране. Полезная деталь: для каждого виджета задается персона. Один дашборд продаж можно объяснить по-разному: финансовому аудитору нужны точные цифры с необходимыми оговорками, а операционному руководителю — тенденция и ее практический смысл. Объяснение перестает быть общим абзацем ИИ и учитывает роль пользователя.

Глобальная Панель JAS

Она решает проблему, которую сторонники горизонтальных агентов обычно обходят стороной: их подход целиком строится на генерации ответа из исходных данных. В зрелой организации ответ обычно уже существует. Кто-то уже создал сертифицированный дашборд. Реальная задача — не генерация, а поиск: найти надежное представление среди тысяч отчетов.

Панель JAS позволяет задать вопрос из любой точки платформы. Используя генерацию с дополнением поиском по описаниям узлов, таблиц и полей и реальным сценариям использования, она находит наиболее подходящую и часто используемую витрину или дашборд, применяет нужный фильтр и за секунды показывает ответ. Она не генерирует ответ заново в надежде совпасть с официальным: она направляет к надежному активу и фильтрует его под вопрос. Агент преобразования текста в SQL охотно перепишет запрос, который аналитик усовершенствовал и сертифицировал несколько месяцев назад, возможно, по-другому. Панель JAS направляет к сертифицированному активу. При большом числе отчетов в этом разница между помощницей и источником риска.

Когда горизонтальный агент — правильный выбор

Мы сказали, что будем честными, поэтому: есть реальные случаи, когда мы предпочтем Cortex, Genie или агента Fabric встроенному в BI помощнику.

Если ваша ситуация... Более подходящее решение...
Данные, еще не смоделированные в инструменте BI - они находятся в lakehouse, пользователи - это ученые данных, выполняющие открытое исследование исходных таблиц в масштабе Агент, встроенный в хранилище и работающий непосредственно на его вычислительных ресурсах
Ценность, которая вам нужна, заключается в том, чтобы «задать любой вопрос о необработанных данных, включая вопросы, которые никто не ожидал» Близость к складу выигрывает
Вы находитесь в общей экосистеме одной облачной платформы и никогда не планируете уходить Нативная интеграция действительно удобна
Ваша аналитика уже живет в управляемой платформе BI, используемой ежедневно лицами, принимающими бизнес-решения встроенный в BI помощница, такая как JAS, повторно использует слой, который вы уже построили

JAS тоже не волшебница. Ее качество зависит от семантической модели: представлений, описаний и показателей. Если они подготовлены небрежно, JAS тоже будет неточной. Сходство подходов очевидно: оба зависят от хорошо построенного семантического слоя. Разница в том, что на платформе BI этот слой, скорее всего, уже построен и поддерживается, а встроенная в BI помощница использует его повторно. Горизонтальный агент предлагает создать или перестроить этот слой как отдельный актив и затем постоянно поддерживать его параллельно.

Вывод

Самый чистый способ, который мы нашли, чтобы выразить это: горизонтальные агенты данных позволяют вам разговаривать со своими данными. Это очень ценно. Но бизнес-интеллект никогда не был просто таблицами и запросами. Это управляемые модели, приборные панели, фильтры, визуальные соглашения, разрешения, персоны и десятилетняя институциональная память о том, какому отчету вы действительно доверяете.

Встроенный в BI помощник позволяет вам общаться со своей BI-средой — со всей управляемой средой, а не только с базой данных под ней.

Если ваша аналитика уже живет на платформе BI, семантическая работа, которая делает любого помощника ИИ заслуживающим доверия, - это работа, которую вы уже выполнили. Вопрос, который стоит задать продавцу, не в том, добавили ли они чат-бокс. У всех есть. Это вопрос, понимает ли их ИИ бизнес, который вы уже смоделировали, уважает управление, которое вы уже установили, и отвечает ли в рабочем процессе, который ваши люди уже используют, или это еще одно место для восстановления всего этого и еще один источник истины, чтобы примириться.

Чат-бокс никогда не был самой сложной частью. Самое сложное — знать, что ответ правдив.

Посмотреть JAS на своем собственном BI

Если ваша аналитика уже живет в управляемой среде BI, JAS не просит вас перестроить его - он читает семантический слой, в который вы уже инвестировали, и отвечает внутри дашбордов, которые ваши люди уже используют.

Запишитесь на демонстрацию с нашей командой и посмотрите JAS, JASlet и глобальную панель JAS, работающую с управляемой моделью - с локальной поддержкой SLM для регулируемых сред.

Вы также можете изучить наш Полный обзор BI-платформ чтобы увидеть, как TURBOARD выглядит в сравнении в других корпоративных сценариях.

Принесите один реальный бизнес-вопрос. Посмотрите, как на него ответит TURBOARD.

Мы демонстрируем JAS на ваших отчётах, ваших определениях и вашем контексте безопасности — а не на типовой демонстрационной базе.

Are you curious?