Как генеративные BI-агенты превращают запрос в решение «здесь и сейчас»?

Об этом на Fintech Data Day рассказал Александр Жаворонков, ведущий консультант по LLM системам Neoflex.

Что такое генеративный BI-агент
Генеративный ИИ-ассистент, встроенный в инфраструктуру управления данными банка. Он закрывает три уровня аналитики:
— Descriptive BI: что произошло и как это описать;
— Predictive BI: что мы можем предсказать;
— Prescriptive BI: что делать дальше и какие рекомендации дать.

Зачем это бизнесу
— Быстрый доступ к аналитике и ответам “здесь и сейчас”.
— Радикальное сокращение времени на ad-hoc-отчеты — с недель до минут.
— Более глубокий и качественный анализ без лишних итераций.
— Снижение стоимости подготовки отчетности.
— Доступ к данным для нетехнических сотрудников и автоматизация запросов.

Как выглядит стандартный процесс и процесс с агентом

Стандартно: руководитель формулирует задачу → дата-инженеры готовят витрины данных → аналитики собирают отчет → требования уточняются → цикл повторяется. Это занимает дни или недели.

С BI-агентом: автоматизируются ключевые этапы — от формирования запросов до визуализации и рекомендаций. Время подготовки отчета сокращается до минут.

Место агента в архитектуре
Генеративный агент — не отдельный продукт а часть корпоративной Lakehouse-архитектуры. Он использует наработки каталога данных, lineage и Data Quality, опираясь на проверенные источники для корректных и воспроизводимых отчетов.

Что добавляем в типовой Lakehouse:
— Векторные хранилища для базы знаний — агент должен ориентироваться во внутреннем контексте и терминологии;
— Сервис инференса LLM и пул GPU-узлов — для поиска и генерации;
— Agent Studio — платформу управления жизненным циклом агентов.

Что под капотом у BI-агента:

🛠Инструменты:
— Execute SQL — генерация и выполнение SQL;
— RAG Tool — извлечение релевантного контекста из документов;
— Graph Tool.

📚База знаний:
— DDL-схемы (описание данных),
— внутренние документы (регламенты, методики),
— ранее использованные SQL-запросы.

С помощью RAG агент подбирает контекст, а генерация SQL формирует запросы к нужным источникам с учетом DDL. На этапах планирования и рефлексии агент уточняет шаги и повышает точность ответа.

Что нужно, чтобы ассистенты приносили максимальную пользу:
— Каталог данных и сквозной lineage: фиксируем происхождение данных, их структуру и назначение;
— Программа Data Quality и Data Observability, управление схемами и data contracts: контролируем корректность, стабильность и предсказуемость изменений.
— Платформа управления агентами — включаем модели и агентов в цикл CI/CD: непрерывная интеграция и развертывание, автоматическое тестирование, управление релизами и версиями.
— Корпоративная база знаний: документы с определениями, метриками и методиками расчётов, чтобы модель корректно извлекала параметры и понимала логику показателей.
— Data API: устойчивые и безопасные точки доступа к данным.

Пример использования AI-агента аналитиком:
Вопрос: почему снизилась маржа по розничным кредитам.
Агент:
— через RAG подтягивает определения и методики из базы знаний;
— подбирает релевантные метрики и формулы;
— формирует и исполняет SQL‑запросы, строит визуализации;
— уточняет гипотезы и итеративно формирует обоснованный ответ.

Например, при плановой маржинальности 5% и фактической 4,1 агент определит, в каких таблицах и по каким продуктам возникло отклонение, и за счёт каких факторов (ставка, стоимость фондирования, уровень просрочки, комиссии и т. п.).

Итог: за считанные минуты, без ручного SQL, агент формирует для аналитика прозрачный ход рассуждений, план действий и конкретные рекомендации.