Agentic Analytics: почему KI-агентам нужна более качественная аналитическая база для принятия решений

Когда ИИ-агенты принимают решения – но половина из них оказывается неверной

Обещание грандиозное: ИИ-агенты, которые не просто анализируют данные, но и самостоятельно выполняют целые рабочие процессы, распознают закономерности и инициируют на их основе действия. Agentic Analytics считается следующим крупным эволюционным шагом в управлении предприятием. Однако актуальное исследование MIT Technology Review Insights, проведённое в партнёрстве со Snowflake, рисует отрезвляющую картину нынешнего уровня зрелости – и тем самым задаёт важные ориентиры для всех компаний, которые уже серьёзно используют ИИ-агентов или планируют их внедрение.

Ключевой результат таков: лишь около 48 процентов выводов, которые аналитические агенты генерируют в опрошенных компаниях, действительно приводят к мерам, улучшающим бизнес. Год назад этот показатель составлял 37 процентов – развитие идёт в правильном направлении, однако более половины агентически сформированных инсайтов улетучиваются без измеримого эффекта. Для компаний, инвестировавших в ИИ-инфраструктуру, это означает существенные потери возврата на инвестиции.

Дескриптивное versus прескриптивное – решающий разрыв в качестве

Особенно показательно разграничение между различными типами инсайтов. Многие компании вполне удовлетворены качеством дескриптивных выводов – то есть способностью агентов описывать состояния, выявлять закономерности и обобщать исторические тенденции. Однако в отношении прескриптивных инсайтов – то есть рекомендаций к действию, на основании которых агенты должны активно действовать, – картина значительно более неоднозначная.

Это различие принципиально, поскольку прескриптивные инсайты составляют подлинное ядро agentic AI: агент, который лишь описывает прошлое, по существу является усложнённым инструментом отчётности. Трансформационный потенциал технологии раскрывается лишь тогда, когда агенты способны надёжно рекомендовать и действовать. Именно здесь сегодня и кроется главная слабость.

Отсутствие контекста как основная проблема

Исследование также чётко называет причины недостаточного качества инсайтов. На первом месте – для 55 процентов опрошенных руководителей – стоит нехватка бизнес-контекста. ИИ-агенты зачастую не располагают необходимыми организационными знаниями, чтобы правильно интерпретировать сигналы данных: какая аномалия носит сезонный характер? Какой показатель стратегически нерелевантен? Что внутри компании считается пороговым значением для эскалации?

На втором месте – проблема фрагментированных или труднодоступных данных, которую назвали 45 процентов респондентов. Оба фактора вместе объясняют, почему даже технически зрелые агенты регулярно спотыкаются о контекст – и эту проблему не решить одними лишь улучшенными моделями.

«ИИ-агент ровно настолько умён, насколько богаты доступные ему знания – и это в явном виде включает неявные корпоративные знания, которые зачастую нигде не формализованы».

Dr. Maik Bunzel, основатель и генеральный директор mabucon.eu, описывает это явление как одну из центральных проблем внедрения на практике: компании систематически недооценивают, насколько значительная работа по контекстуализации необходима прежде, чем ИИ-агент сможет самостоятельно формулировать значимые для бизнеса выводы. Построение такой контекстной основы – это не техническая, а прежде всего организационная задача.

Перегрузка инсайтами как недооценённый риск

Ещё один вывод исследования заслуживает особого внимания: в 52 процентах опрошенных организаций ИИ-агенты генерируют больше инсайтов, чем возможно осмысленно обработать. Лишь 24 процента компаний успевают в полной мере оценить все результаты, получаемые от агентов, – остальные работают по принципу выборочной проверки, по-прежнему требующей значительных человеческих ресурсов.

Это явление – назовём его Insight Overload – парадоксально: агенты, призванные снизить нагрузку, своим огромным объёмом выходных данных порождают новые затраты на анализ. Это подрывает выигрыш в эффективности и приводит к тому, что ценные сигналы теряются в информационном шуме. Решение – не в увеличении числа агентов, а в более грамотно настроенных агентах с чёткими иерархиями приоритетов и фильтрами релевантности.

Что делают «лидеры инсайтов» иначе

Исследование выявило небольшую группу компаний-первопроходцев, обозначенных как Insight Leaders. В этой группе более 70 процентов агентически сгенерированных инсайтов приводят к мерам, улучшающим бизнес-показатели, – значительно выше среднего уровня. Что эти компании делают иначе?

• Более зрелое управление ИИ и данными: 60 процентов всех респондентов называют это приоритетной мерой – у Insight Leaders уровень зрелости в этой области заметно выше.
• Semantic Layer в архитектуре данных: 45 процентов компаний целенаправленно выстраивают семантический слой, обогащающий данные смыслом и позволяющий агентам интерпретировать понятия в правильном корпоративном контексте.
• Меньше агентов, но с более чётким фокусом: Вместо широкого производства инсайтов первопроходцы делают ставку на целевые профили задач с чётко определённой областью ответственности.

Семантический слой в особенности выделяется экспертами как критический фактор успеха. Semantic Layer выступает переводческим мостом между необработанными точками данных и контекстом, значимым для бизнеса: он определяет, что означают понятия «клиент», «выручка» или «отклонение» в конкретном корпоративном контексте, и делает эти определения машинно-используемыми для агентов.

Управление как фундамент, а не тормоз

Распространённое заблуждение на практике – воспринимать governance как препятствие для гибкости ИИ. Данные исследования убедительно опровергают это: компании с сильным управлением данными и ИИ производят качественно более высокие выходные данные агентов и достигают более высоких показателей ROI. Governance в данном контексте – не бюрократический корсет, а инфраструктура, которая и делает агентов по-настоящему дееспособными.

Dr. Maik Bunzel из mabucon.eu видит в этом фундаментальный урок для построения продуктивных архитектур автоматизации: «Без надёжных структур управления у агента отсутствует система координат, необходимая для правильной расстановки приоритетов, интерпретации и принятия решений. Грамотно выстроенное управление – это не контроль над ИИ, а предпосылка для того, чтобы ИИ мог действовать контролируемо».

Перспективы: что компаниям следует делать уже сейчас

Выводы исследования служат важным ориентиром для всех организаций, которые серьёзно относятся к Agentic Analytics. Путь к надёжным, практически значимым агентным инсайтам – не сугубо технический проект: он требует взаимодействия архитектуры данных, организационных знаний и стратегического управления.

Конкретно можно выделить следующие приоритеты:

• Систематически формализовать бизнес-контекст: неявные знания о пороговых значениях, исключительных правилах и стратегических приоритетах должны быть сделаны явными и машиночитаемыми.
• Внедрить Semantic Layer: семантический слой данных – не приятное дополнение, а обязательное условие для качественных прескриптивных инсайтов.
• Ограничить область действия агентов: лучше иметь несколько чётко сфокусированных агентов с высокой точностью, чем множество универсалов с Insight Overload в качестве побочного эффекта.
• Качество важнее количества: показатели успеха агентов должны основываться не на числе сгенерированных инсайтов, а на доле тех, которые приводят к измеримым улучшениям.

Agentic Analytics находится ещё на сравнительно раннем этапе – но кривая обучения крутая. Компании, которые уже сегодня инвестируют в контекст, семантику и управление, завтра войдут в число Insight Leaders. Конкурентное преимущество, которое из этого следует, должно оказаться весьма значительным – ведь более надёжные агенты означают более быстрые решения, меньшие издержки на ошибки и поддерживаемую ИИ способность к действию, которая напрямую отражается на бизнес-результатах.