AI-агенты вместо бизнес-аналитика: что они умеют в 2024-м

За 2024 год три крупных вендора — OpenAI, Anthropic и Microsoft — сдвинули языковые модели от режима «спроси и получи текст» к режиму агента: система сама решает, какой инструмент вызвать, обращается к базе данных, запускает код и возвращает не ответ словами, а сводку с графиком. В октябре 2024 Anthropic открыла бета-функцию Computer Use для Claude 3.5 Sonnet, где модель управляет интерфейсом: двигает курсор, кликает, заполняет поля. OpenAI к этому времени держал в ChatGPT инструмент анализа данных (бывший Code Interpreter), который выполняет Python над загруженным файлом. На стыке этих возможностей и появился запрос: заменит ли агент живого бизнес-аналитика.

Короткий ответ — частично и в узких сценариях. Длинный — ниже.

Что именно теперь умеет агент

Бизнес-аналитик в компании обычно делает три вещи: достаёт данные (пишет запрос к базе или выгружает отчёт), считает и визуализирует, объясняет результат тем, кто принимает решение. Агент на базе современной LLM закрывает первые две задачи заметно лучше, чем модель год назад.

• Запрос к данным. Модель принимает вопрос на русском («покажи выручку по регионам за квартал с падением год к году») и генерирует SQL. Точность зависит от того, дали ли ей схему таблиц и примеры. На чистой схеме результат приличный, на запутанной легаси-базе с полями вроде fld_007 — регулярные ошибки.
• Расчёт и график. Инструмент анализа данных в ChatGPT запускает Python в песочнице: читает CSV или Excel, считает агрегаты, рисует matplotlib-графики. Здесь агент воспроизводит рутину джуниор-аналитика почти без правок.
• Текстовый вывод. Модель формулирует «что выросло, что упало и на сколько» человеческим языком. Это то, что LLM делают лучше всего изначально.

Слабое звено — агентность ^[1]: цепочка «выбрал инструмент → вызвал → проверил результат → исправил себя». Чем длиннее цепочка, тем выше шанс, что модель уйдёт не туда и уверенно покажет неверную цифру.

Сравнение подходов

Три способа получить «виртуального аналитика» в конце 2024 года различаются не столько качеством модели, сколько тем, к каким данным они подключены и кто отвечает за безопасность.

Если сравнивать по «сырому» качеству рассуждений, публичные бенчмарки вроде рассуждательных тестов между Claude 3.5 Sonnet и GPT-4o идут вплотную и меняются с каждым релизом. Приводить конкретные проценты без свежего источника здесь смысла нет — сверяйтесь с текущими техотчётами вендоров.

Агент хорошо считает и плохо сомневается. Он редко скажет «в этих данных дыра за март, вывод ненадёжный» — а именно за это компания и платит аналитику.

Кому это пригодится, а кому нет

Пригодится

• Основателю малого бизнеса без аналитика. Выгрузка продаж из CRM в Excel, вопрос «какие товары дают 80% выручки» — агент отвечает за минуты и рисует Парето-график. Раньше это был либо вечер в таблицах, либо фрилансер.
• Продакт-менеджеру для быстрой прикидки. Проверить гипотезу по выгрузке до того, как ставить задачу в очередь дата-команды.
• Аналитику для рутины. Генерация болванки SQL, первичная чистка данных, черновик пояснительной записки. Дальше человек проверяет и правит.

Не пригодится (или опасно)

• Там, где цена ошибки — деньги или отчётность. Финансовая сводка для инвесторов, налоговая база, расчёт бонусов — цифру от агента нужно перепроверять вручную, а значит выигрыш во времени тает.
• На грязных и неописанных данных. Если в базе дубли, разные форматы дат и поля без документации, агент выдаст правдоподобный, но неверный результат — и не предупредит.
• При жёстких требованиях к приватности. Загрузка персональных данных клиентов в облачную модель — это вопрос к службе безопасности и к 152-ФЗ, а не к удобству.

Где агенты ломаются чаще всего

По типичному опыту работы с такими инструментами узкие места повторяются:

1. Молчаливые ошибки. Модель перепутала колонки или взяла не тот период и выдала уверенный ответ. Без сверки с источником вы этого не увидите.
2. Контекстное окно ^[2]. Крупную выгрузку целиком в модель не положить; она работает с образцом или агрегатом, и часть картины теряется.
3. Галлюцинации в объяснении. Расчёт верный, а текстовый вывод «потому что вырос спрос в регионе X» — домысел без данных.
4. Стоимость на объёме. Агентные цепочки с множеством вызовов инструментов тратят токены; на регулярных задачах счёт за API растёт быстрее, чем ожидаешь.

Практический вывод: агент экономит время на 70% рутины, но последние 30% — проверка, приватность и ответственность за цифру — остаются на человеке. Именно поэтому в 2024-м речь идёт не о замене аналитика, а о переносе его роли ближе к контролю и постановке вопросов.

^[1] Агент — режим работы модели, когда она не просто отвечает текстом, а сама выбирает и вызывает инструменты (поиск, код, обращение к базе), оценивает результат и при необходимости повторяет шаг.

^[2] Контекстное окно — объём текста (в токенах), который модель удерживает за один раз: и ваш вопрос, и данные, и промежуточные рассуждения. За его пределами информация «выпадает».