Современные реалии предъявляют к государственным структурам и крупным корпорациям повышенные требования по скорости обработки данных, качеству обслуживания граждан и эффективности внутренних процессов — и всё чаще в качестве инструмента оптимизации рассматриваются ИИ‑ассистенты. Эксперты специально для портала «ГлобалМедиа» провели анализ практики использования ИИ‑ассистентов в госсекторе и корпоративном управлении, чтобы разобраться, где технология действительно закрывает рабочие задачи, а где остаётся формальным элементом цифровой повестки.

Документирование данных – основа надёжного ИИ: почему без реестра метрик не обойтись

Часто внедрение ИИ‑ассистентов превращается в демонстрацию технологичности без реального эффекта, потому что автоматизацию запускают до чёткого определения задач. Между тем ощутимую пользу технология даёт именно при работе с повторяющимися операциями, например при обработке ad hoc‑запросов в управленческой аналитике, где каждый лишний час на поиск данных оборачивается задержкой решений.

Аркадий Фроймчук, основатель и коммерческий директор отечественной компании-разработчика BPA Tech:

Сегодня ИИ-ассистентов часто внедряют раньше, чем определяют, какую именно работу они должны выполнять. Отсюда и проекты, которые выглядят технологично, но не дают заметного эффекта. Практическая ценность появляется там, где ассистент берет на себя конкретные повторяющиеся операции: ищет информацию в корпоративных системах, готовит справки, обрабатывает типовые запросы и сокращает время между поступлением вопроса и получением ответа.

Особенно хорошо это видно на примере работы с управленческой аналитикой. В крупных организациях большая часть регулярной отчетности уже автоматизирована с помощью BI-систем. Однако во время совещаний, переговоров и подготовки презентаций у руководителей постоянно возникают дополнительные вопросы: каким был определенный показатель за вчера, что повлияло на его изменение, где появились риски и факторы роста.

Обычно такие запросы передаются аналитикам. Специалисту необходимо найти нужную витрину данных, проверить методику расчета показателя и подготовить краткий вывод. В результате аналитическая команда тратит значительную часть времени не на глубокий анализ, а на срочные и часто повторяющиеся ad hoc-запросы.

Для решения таких задач используются Text-to-SQL-агенты — системы, которые переводят вопрос, сформулированный обычным языком, в запрос к корпоративному хранилищу данных. Один из таких инструментов команда BPA внедрила для федерального государственного заказчика. Руководитель формулирует вопрос, а система определяет нужные показатели, обращается к хранилищу и формирует краткий ответ на основе фактических данных организации. Это сокращает время подготовки информации для операционных и стратегических решений и снижает нагрузку на аналитиков.

При этом основная сложность проекта заключалась не в выборе языковой модели. Чтобы агент давал достоверные ответы, необходимо подробно описать корпоративные данные: определить значение каждой метрики, правила ее расчета, источник и связанную с ней витрину. Модель также должна иметь жесткие ограничения и использовать только те сведения, которые действительно присутствуют в информационных системах компании.

Для этого применяются решения класса OpenMetadata или DataHub. Они позволяют объединить в одном каталоге описание хранилищ, метрик, дашбордов и BI-систем. В результате аналитики получают целостное представление о структуре данных, а ИИ-агент понимает, где искать нужный показатель и как его интерпретировать.

После документирования основных витрин, формирования реестра метрик и настройки ограничений точность ответов агента достигла 99,8%. Если пользователь запрашивал показатель, отсутствующий в хранилище, или задавал вопрос вне области работы системы, агент не пытался достроить ответ, а сообщал, что необходимых данных нет, и рекомендовал обратиться к профильному специалисту. Для управленческой аналитики это принципиально важно: контролируемый отказ безопаснее, чем убедительный, но недостоверный ответ, на основании которого может быть принято ошибочное решение.

Отдельно прорабатывалась стоимость эксплуатации. Использование одной крупной модели для поиска данных, обработки запроса и подготовки ответа приводит к избыточным расходам. Поэтому система была построена по мультиагентной схеме: более компактные модели выполняли поиск и сбор информации, а основная модель интерпретировала результат. В итоге обработка одного запроса стала требовать на 36% меньше вычислительных ресурсов, чем при использовании одной крупной модели для всех операций. Для заказчика это означает более низкую стоимость эксплуатации и возможность увеличивать число пользователей и запросов без сопоставимого роста расходов.

Практический вывод состоит в том, что внедрение ИИ-ассистента не сводится к подключению языковой модели. Важно предварительно провести аудит доступных данных, сформировать единый реестр метрик, описать структуру хранилища и определить правила доступа и работы агента. Эти задачи должны входить в контур реализации проекта со стороны разработчика наряду с проектированием архитектуры решения.