Мы привыкли думать о базе данных как о месте, где данные хранятся, фильтруются, агрегируются и быстро отдаются в аналитику.
Но появляется новый слой: AI-функции прямо внутри SQL.
Идея простая, но очень сильная:
ClickHouse может вызывать LLM-модели — например OpenAI, Anthropic или другие endpoint’ы — прямо из SQL-запроса.
То есть можно написать примерно так:
SELECT aiGenerate('Summarize this in one line: ' || review)
FROM product_reviews
LIMIT 10;И получить не просто строки из таблицы, а уже обработанный моделью результат: краткое резюме отзыва, классификацию обращения, перевод сообщения или извлечённые сущности.
Фактически LLM становится частью аналитического пайплайна.
Что это даёт на практике?
1. Суммаризация текстов
Отзывы клиентов, обращения в поддержку, комментарии, новости, расшифровки звонков — всё это можно превращать в короткие смысловые выжимки прямо в SQL.
Было: тысячи строк неструктурированного текста.
Стало: компактные summary, готовые для BI, дашбордов и управленческой аналитики.
2. Классификация обращений
Например:
SELECT aiClassify(text, ['bug', 'feature', 'question'])
FROM tickets;
Модель может автоматически разложить тикеты по категориям: ошибка, запрос функции, вопрос, жалоба, инцидент, коммерческий интерес.
Это уже не просто поиск по ключевым словам. Это смысловая классификация.
3. Извлечение сущностей
SELECT aiExtract(article, 'people, organizations, dates')
FROM news;
Из текстов можно доставать людей, компании, даты, продукты, суммы, события, риски, договоры, географию.
Для корпоративной аналитики это особенно интересно: появляется возможность превращать текстовые массивы в структурированные признаки.
4. Перевод и нормализация
SELECT aiTranslate(message, 'English')
FROM logs;
Можно переводить сообщения, нормализовать формулировки, приводить разнородные описания к единому стилю, готовить данные для последующей аналитики.
Ключевой момент: ClickHouse сам не становится LLM.
Он остаётся высокопроизводительной аналитической базой данных.
Но получает возможность обращаться к внешней модели как к интеллектуальному сервису.
Схема выглядит так:
данные в таблице → SQL-запрос → AI-функция → вызов LLM → ответ модели → результат в выборке
То есть LLM можно использовать не как отдельный чат, а как встроенный инструмент обработки данных.
И это важный сдвиг.
Потому что до сих пор работа с LLM часто выглядела как отдельный эксперимент: загрузили файл, написали промпт, получили ответ, вручную перенесли результат.
А здесь появляется промышленная логика:
данные уже лежат в базе;
запросы выполняются массово;
результат можно сохранять в таблицы;
обогащённые признаки можно отдавать в BI;
обработку можно встроить в регулярные пайплайны;
доступ к LLM можно контролировать на стороне сервера.
Отдельно важно, что настройки провайдера и ключи доступа хранятся server-side.
Пользователь SQL-запроса не видит API-ключи. Для корпоративного контура это критично: можно дать аналитикам AI-функции, не раздавая секреты и не ломая модель безопасности.
На мой взгляд, это один из признаков новой архитектуры аналитики.
Раньше BI отвечал на вопрос:
что произошло?
Потом продвинутая аналитика начала отвечать:
почему это произошло?
Теперь LLM-слой внутри SQL позволяет задавать вопросы нового типа:
что написано в этих данных?
какой смысл скрыт в текстах?
какие темы повторяются?
какие сигналы похожи на риск?
что нужно вынести на уровень управленческого решения?
И всё это не в отдельном интерфейсе “поговорить с ИИ”, а прямо рядом с таблицами, дашбордами и аналитическими витринами.
ClickHouse в такой схеме становится не просто хранилищем быстрых данных, а платформой для смыслового обогащения данных.
Это особенно интересно для:
клиентской аналитики;
анализа обращений;
мониторинга инцидентов;
обработки логов;
конкурентной разведки;
анализа новостей;
подготовки данных для BI;
автоматизации отчетности;
построения AI-ready data pipeline.
Главная идея: LLM перестаёт быть поверх данных и становится функцией внутри аналитического контура.
И это уже совсем другой уровень