Чем отличается настоящий аналитический агент от генератора SQL, почему семантический слой важнее размера языковой модели и почему локальная LLM ещё не означает технологическую независимость?
В 2026 году AI‑ассистент или AI‑агент появился едва ли не у каждого российского BI‑вендора. Проблема в том, что одинаковая наклейка «AI» скрывает совершенно разные механизмы: где‑то это чат к данным, где‑то генератор SQL, где‑то помощник разработчика дашбордов, а где‑то — мультиагентная система с оркестратором, отдельными ролями и проверкой результата.
Сравнивать такие продукты по принципу «у кого есть агент» бессмысленно. Поэтому мы решили посмотреть, что именно умеет каждый из них, как устроена архитектура, насколько можно доверять ответам и где заканчивается реальный функционал и начинается маркетинг.
Как мы исследовали AI‑агентов
Исследование «AI в BI‑круг Громова 2026» проходило с февраля по июнь 2026 года. В нашу выборку вошло 11 российских решений с подтверждёнными коммерческими внедрениями AI‑агентов для бизнес‑аналитики. Вендоры заполняли анкету по 55 критериям, показывали работу агента в демо или давали доступ к демо‑стенду. Затем шла менее парадная часть: документация, тестовые вопросы и активное сжигание токенов российских и зарубежных языковых моделей.
Что проверяли? В первую очередь точность и достоверность ответов — результат сверяли с источниками. Затем сценарную пригодность, архитектуру, работу с семантическим слоем, юридические риски и попытались оценить бизнес‑ценность. С последним оказалось сложнее: красивый AI‑диалог ещё не означает измеримый эффект для бизнеса.
Сразу про ограничения
AI‑продукты меняются быстрее, чем успеваешь дописать исследование. Мы зафиксировали состояние рынка на июнь 2026 года: в начале работы у одного продукта, например, не было прослеживаемости до источника, а к финалу она уже появилась. И так — по многим критериям. В какой‑то момент пришлось просто поставить точку, иначе исследование продолжалось бы бесконечно. Ещё одна оговорка: часть функций мы видели на демо‑стендах, а не в промышленной эксплуатации. И только в середине проекта стало понятно, что местами мы сравниваем не столько разработчиков BI‑агентов, сколько качество подключённых к ним языковых моделей. Но методологию на ходу уже не переворачивали.
Вендоры получили возможность проверить результаты — и пользовались ею не один раз. Мы старались отделять показанный функционал от обещаний и не засчитывать желаемое за действительное.
Что мы называем AI‑агентом в BI
Сам по себе вопрос к данным на естественном языке уже дано не выглядит агентностью. Поэтому мы разложили решения по шести уровням зрелости — от простого преобразования запроса пользователя до автономной аналитики с планированием, проверкой и действиями.
В нашем исследовании встретились решения уровней 1–4. До уровня 5 российский рынок на момент фиксации результатов пока не дошёл.
Зоопарк архитектур: кто здесь кто
В статье позволим себе чуть менее академичный подход, чем в исследовании. Мы сопоставили решения с животными. Это не рейтинг и не оценка «хороший/плохой», а способ наглядно показать различия между продуктами по тем же характеристикам, которые мы проверяли в исследовании.
Медведь — Yandex AI Studio
Медведь хорошо чувствует себя на собственной территории: инфраструктура, ресурсы и правила игры — свои. У Yandex AI Studio похожая модель «закрытого сада»: YandexGPT, собственные ЦОД и сертификация для работы с персональными данными находятся внутри одной экосистемы.
Масштаб тоже вполне медвежий. Внутри Яндекса Yandex AI Studio ежемесячно используют более 60 тысяч сотрудников. За пределами компании — около 5 тысяч организаций, а каждый пятый пользователь DataLens применяет AI‑агента в ежедневной работе.
Развитие идёт без резких разворотов: 4–6 крупных обновлений в год. От простых помощников в сентябре 2025 года продукт дошёл до агентских сценариев в мае 2026-го. Для корпоративного заказчика это скорее история про последовательную эволюцию, чем про еженедельные эксперименты.
Сильный сценарий: государственные организации и компании с жёсткими требованиями к локализации данных.
Ограничение: неявные фильтры вроде «прошлый квартал» или «по Сибири» могут интерпретироваться с ошибками.
Бобёр — Easy Report GenBI
Бобёр не пытается стать царём леса — он строит инфраструктуру. Easy Report GenBI делает примерно то же самое вокруг аналитики: интегрируется с разными мессенджерами, включая корпоративные, и выносит доступ к данным туда, где пользователь уже привык работать.
Практический эффект понятный: чтобы дать аналитику тысячам сотрудников, не обязательно сначала обучать их отдельному BI‑интерфейсу. Сильная сторона здесь не максимальная автономность агента, а массовый и привычный канал доступа.
Сильный сценарий: массовое распространение аналитики через мессенджеры и быстрый доступ к данным для широкого круга сотрудников.
Ограничение: многошаговые автономные цепочки находятся в разработке; при использовании иностранных LLM нужно учитывать риски передачи данных за рубеж.
Дельфин — PIX BI AI‑ассистент
Дельфин — быстрый, дружелюбный и не требует долгого приручения. PIX BI AI‑ассистент можно попробовать практически без входного билета: сам инструмент бесплатный, пользователь оплачивает только токены выбранной языковой модели. Технически это браузерное расширение.
Ассистент понимает русский язык, опечатки и сокращения и позволяет выбирать разные LLM. Поэтому это удобный способ быстро проверить саму гипотезу AI‑аналитики: будут ли сотрудники задавать вопросы данным и получать от этого пользу.
Но область применения довольно чёткая. Для быстрых ответов и экспериментов — хорошо. Для длинных автономных цепочек в сложном корпоративном контуре — уже нет: отсутствуют встроенная прослеживаемость, техническая поддержка и проактивные сценарии. Для госсектора также важны ограничения по сертификации и реестру ПО.
Архитектурный профиль: помощник в интерфейсе, браузерное расширение / чат‑виджет.
Сокол — DataForge AI Analyst Agent
Сокол здесь — не столько про скорость, сколько про контроль. Архитектура DataForge построена вокруг цикла «планирование → действие → проверка» и использует MCP.
На тесте из 250 вопросов средняя точность ответов с OpenAI составила 8,4 из 10, с локальной моделью — 7,2 из 10. Для нас это оказался полезный пример того, насколько сильно итоговое качество агента зависит не только от его собственной архитектуры, но и от выбранной LLM.
Сильная сторона — прослеживаемость. Через SQL‑запросы и Панель выполнения можно увидеть действия агента, сформированные запросы и использованные показатели. В систему встроено 18 аналитических навыков: прогнозирование, корреляционный анализ, RFM, когортный анализ, кластеризация и другие сценарии.
Поддерживаются разные совместимые языковые модели.
Архитектурный профиль: внешний агент, цикл с MCP‑шлюзом.
Сильный сценарий: компании с DWH на PostgreSQL / ClickHouse, которым важны точность и объяснимость ответа.
Ограничение: нет проактивного мониторинга и анализа дашборда целиком.
Волк — Visiology Cortex
У Visiology Cortex не один агент, а целая стая на LangGraph. Роли разделены: один агент анализирует дашборды, другой генерирует DAX и запускает цикл проверки и исправления, третий ищет по документации, четвёртый работает с SQL, отдельный агент занимается оформлением виджетов.
В роли «вожака» используется VisiologyGPT на базе Qwen — российская разработка. При этом архитектура не привязана к единственной LLM: модель можно менять.
Архитектурный профиль: внешний агент, LangGraph, MCP‑сервер.
Сильный сценарий: сложная аналитика, генерация формул и работа с документацией через RAG.
Ограничение: многошаговый диалог для аналитика пока нестабилен; управляемого бизнес‑глоссария нет; проактивность отсутствует.
Слон — Навигатор BI, Сбер
Слон — крупная автономная система со своей инфраструктурой и жёстко контролируемым контуром. У Навигатора BI собственная языковая модель GigaChat, многоагентная схема с оркестратором, классификатором и верификатором, учёт ролей и глоссарий.
С точки зрения технологической независимости подход максимально последовательный: реестр ПО, 152-ФЗ, локализация, отсутствие зависимости от внешних API. Обратная сторона той же архитектуры — смена языковой модели не поддерживается.
Развитие тяжёлых enterprise‑систем обычно не похоже на спринт стартапа. Проактивность и анализ корневых причин заявлены к концу 2026 года; гибкость выбора компонентов сейчас ограничена.
Архитектурный профиль: встроенный AI, многоагентная система на.NET Core.
Сильный сценарий: крупные госкорпорации и госсектор, где на первом месте стабильность и безопасность.
Ограничение: невысокая гибкость в выборе языковой модели и более медленный темп развития функциональности.
Хамелеон — Glarus AI
Хамелеон хорош тем, что подстраивается под окружение. MCP‑сервер и мультиагентная архитектура позволяют выбирать LLM — Claude, GPT, DeepSeek, YandexGPT, GigaChat — и подключать разные MCP‑клиенты.
Но гибкость сама по себе не отменяет зависимостей. Модель по умолчанию — зарубежная, а значит, для российского заказчика остаются санкционные риски и риск ограничения доступа. В госсекторе это почти наверняка потребует перехода на российскую LLM; в коммерческом контуре такая архитектура, наоборот, удобна для экспериментов.
Сильный сценарий: компании, которые строят собственный AI‑стек поверх корпоративных данных и ценят свободу выбора компонентов.
Ограничение: зарубежная LLM по умолчанию, санкционные риски; проактивность пока в планах.
Барсук — ТЕРН ИИ Ассистент
Барсук живёт в своей норе — и в данном случае это преимущество. ТЕРН ИИ Ассистент рассчитан на изолированный контур без доступа в интернет, использует локальную Qwen 3.5 14B, а данные не покидают инфраструктуру заказчика.
Цена такой изоляции — функциональные ограничения. По текстовому запросу строятся таблицы, но не графики; нет анализа дашбордов и анализа корневых причин. Это осознанный компромисс: максимум контроля и минимум внешних зависимостей. Семантический слой задаётся в JSON и ограничивает пространство, в котором работает агент.
Архитектурный профиль: ассистент на семантическом слое, локальная языковая модель, работа на серверах заказчика.
Сильный сценарий: КИИ и полностью изолированные контуры, где безопасность важнее широты функциональности.
Ограничение: только табличная форма ответа, нет анализа дашбордов и анализа корневых причин.
Осьминог — Insight Solaris AI
У осьминога много рук, у Insight Solaris AI — много агентов. Мультиагентность и визуальное создание новых агентов позволяют довольно быстро собирать специализированные сценарии для HR, продаж, логистики и других функций.
Важная техническая деталь: числовые ответы считает SQL‑движок, а не сама языковая модель. Это уменьшает риск арифметических галлюцинаций, хотя ошибка всё равно возможна на этапе интерпретации запроса. Управляемый глоссарий использует гибридный поиск — векторный и нечёткий, с учётом русской морфологии — чтобы лучше сопоставлять пользовательские формулировки с бизнес‑терминами.
Архитектурный профиль: встроенный AI, SQL‑движок, каталог данных, MCP‑сервер.
Сильный сценарий: компании, которым критична точность числовых ответов и нужна кастомизация агентов.
Ограничение: анализ дашборда целиком пока в планах, работа с неструктурированными данными — в разработке, проактивных сценариев нет.
Конь — Luxms AI
Конь — рабочая система полного цикла: от подключения источника до готового отчёта и аналитического вывода.
У Luxms AI есть сертификат ФСТЭК, что расширяет применимость в чувствительных контурах. Из менее типичных для BI‑агентов возможностей — встроенное прогнозирование на базе линейной регрессии и экспоненциального сглаживания, а также запись данных обратно в источники.
Ограничения тоже вполне практические: анализ корневых причин и предписывающая аналитика находятся в разработке, систему метрик ещё нужно усиливать. Санкционные риски зависят от выбранной LLM. В итоге это скорее «рабочая лошадка» для автоматизации широкого аналитического цикла, чем экспериментальный AI‑конструктор.
Сильный сценарий: автоматизация полного цикла аналитики, запись данных обратно в источники и встроенное прогнозирование.
Ограничение: анализ корневых причин и предписывающая аналитика — в разработке; система метрик требует улучшения.
Сова — Polyanalyst
Сова специализируется на том, что не всегда удобно укладывается в строки и столбцы. Polyanalyst давно работает с анализом текстов, интеллектуальным анализом данных и RAG, поэтому его сильная сторона — извлечение смысла из неструктурированной информации и поиск скрытых связей.
Диалоговый режим хранит контекст пяти вопросов, система умеет выявлять проблемы с данными и глубоко разбирать тексты. Для задач, где документы и текст важнее очередного SQL к витрине, это заметное отличие от большинства участников.
При этом построение графиков по тексту пока неполное: сложные визуализации не поддерживаются. Анализ дашборда может давать ошибки, а смена языковой модели была протестирована только на одной модели.
Сильный сценарий: текстовая аналитика, работа с неструктурированными документами и RAG.
Ограничение: неполное построение графиков по тексту, ошибки при анализе дашборда и отсутствие прослеживаемости.
Что стало понятно после 11 продуктов и 55 критериев
Когда смотришь на отдельные демо, рынок кажется почти агентным: система понимает вопрос, пишет SQL, строит график и иногда довольно убедительно объясняет, что произошло. Но сводная матрица из исследования отрезвляет. Российские AI‑BI уже неплохо научились давать доступ к данным на естественном языке и строить визуализации, а вот подготовка данных, прогнозирование и особенно проактивная наблюдаемость заметно отстают. Иными словами, разговор с данными уже работает. Самостоятельный аналитический цикл — пока не везде.
Если разложить агента не по маркетинговому названию, а по шести функциональным слоям, картина выглядит так:
Какие выводы мы сделали?
Семантический слой оказался важнее размера LLM
Даже сильная языковая модель может дать неправильный бизнес‑ответ, если не понимает, что компания называет «активным клиентом», какую дату использует для выручки и что включает в маржу. Без управляемых мер, терминов, синонимов, календарей и lineage агент вынужден угадывать.
Полноценный управляемый глоссарий есть лишь у части решений; другие используют описания полей, промпты или собственные механизмы сопоставления терминов с мерами. Полноценного графа знаний для бизнес‑семантики мы в выборке не увидели. Похоже, следующий этап конкуренции AI‑BI будет идти не только вокруг LLM, но и вокруг качества контекста, который ей предоставляют.
Точность рождается в архитектуре, а не в красноречии модели
В корпоративной аналитике мало получить убедительный текст — нужно понимать, откуда взялось число. Поэтому наиболее надёжные подходы разделяют роли: SQL‑движок считает, семантический слой связывает бизнес‑термины с показателями, а LLM интерпретирует запрос и формулирует ответ. Отсюда ценность lineage: чем длиннее агентная цепочка, тем важнее видеть SQL, меры, фильтры и шаги выполнения.
BYOM ещё не означает независимость от вендора
Возможность подключить свою LLM закрывает только один слой зависимости. Остаются API агента, формат семантического слоя, скилы, RLS/CLS, глоссарии, оркестрация и лицензирование. На практике заменить модель часто проще, чем весь контекст и инструменты вокруг неё.
Поэтому стоит спрашивать не только «можно ли подключить GigaChat или локальную Qwen», но и можно ли самостоятельно управлять агентом через API, выгружать глоссарий, работать без облака вендора и менять LLM без покупки новой лицензии.
Локальная LLM — ещё не технологический суверенитет
Локальное развёртывание модели само по себе не делает решение полностью независимым. Важно смотреть на всю цепочку: где работает оркестратор, куда уходят метаданные, нужны ли внешние API для эмбеддингов, можно ли эксплуатировать систему без связи с вендором, входит ли AI‑компонент в реестр и есть ли необходимая сертификация. Один и тот же продукт может заметно менять свой санкционный профиль в зависимости от выбранной LLM и схемы развёртывания.
Максимальная автономия нужна не всегда
В нашей шкале уровни автономии идут от 0 до 5, но больше — не обязательно лучше. Для простого запроса вроде «покажи продажи прошлого квартала по регионам» вполне уместен уровень 3: агент сам выбрал источник и вернул результат. Для финансовой аналитики, очистки данных или причинного анализа безопаснее уровень 2, когда AI предлагает действие, а человек его подтверждает. Human‑in‑the‑loop здесь — нормальный механизм управления риском.
Единого «лучшего AI‑BI» нет — и это не дипломатическая оговорка
Разные архитектуры решают разные задачи. Госсектору и КИИ нужны локальный контур, реестр и сертификация. Крупной коммерции могут быть важнее MCP, точность и возможность менять LLM. Кому‑то нужны writeback и прогнозирование, кому‑то — RAG по документам, а кому‑то достаточно недорогого помощника поверх дашборда. Поэтому выбирать стоит не «лучшего зверя» из нашего зоопарка, а решение под конкретный сценарий и нужный уровень автономии.
И ещё один практический совет: пилотируйте AI‑BI не на красивых демо‑вопросах. Возьмите 30–50 реальных запросов руководителей, добавьте неоднозначные бизнес‑термины, неявные временные фильтры, плохие данные и несколько случаев, где правильный ответ — «я не знаю». Разница между чат‑ботом, хорошим ассистентом и настоящим аналитическим агентом проявится довольно быстро.
