Почему российские ИИ-аналитики проваливаются на реальных корпоративных данных

Хочу близости — обзор РФ рынка аналитических решений с ИИ в 2026

Запрос рынка в 2026 году сформулирован предельно прямолинейно: доступные решения, привязанные к отрасли и конкретному бизнес-эффекту, понятный формат поставки, короткий горизонт окупаемости. Слово «близость» здесь не про тёплые чувства, а про дистанцию между вендором и реальной схемой данных заказчика.

Бенчмарк для галочки

Text2SQL-движки на популярном зарубежном бенче BIRD смотрятся почти по-человечески: например, Sber Text2SQL берёт 81,33% execution accuracy (третий результат таблицы), тогда как человеческий бейзлайн там 92,96%. На маркетинговой презентации это звучит как «ещё чуть-чуть — и задача закрыта».

Но у BIRD базы почти игрушечные: в среднем 6,8 таблицы и 72,5 колонки на схему. Когда исследователи собрали бенчмарк BEAVER, приближённый к реальным корпоративным хранилищам, картина получилась сильно скромнее:

— средняя схема там — 101,5 таблицы и 869,4 колонки;

— наименования вроде SIS_SUBJECT_CODE и FCLT_ROOMS вместо учебных orders и customers;

— отраслевые правила вообще не описаны ни в схеме, ни в данных.

На BEAVER даже самый продвинутый «ванильный» агентский подход выдаёт всего 11,4% execution accuracy. И это не вопрос качества модели — это вопрос контекста: если дать той же модели отраслевую подложку и правильную декомпозицию запроса, точность в исследовании вырастает примерно в три раза. Получается, что вендор, который не умеет тащить в платформу доменные знания и ваш корпоративный жаргон, продаёт вам воздушный шарик — красивый, но в продакшене не летает.

Запрос рынка в 2026

У заказчиков сейчас три типовые боли. Первая — внутренние регламенты на десятки страниц, которые модель обязана учитывать в ответе: RAG по этим документам становится обязательной фичей, а не маркетинговым плюсом. Вторая — разъехавшиеся источники: операционные цифры в одной системе, продажи и промо в двух других, нормальных витрин ещё нет. Третья — BI-портал, на который коммерческий директор не зайдёт принципиально; нужен интерфейс в мессенджере в формате «спросил — получил отчёт под рукой».

Из этих болей автор обзора вытаскивает пять архитектурных осей «идеального» решения 2026: семантический слой, ансамбль моделей, RAG по внутренним регламентам, интеграционная прослойка и ролевые сценарии. Вендоры заходят с разных сторон — кто-то силён в семантике, кто-то в интеграциях, — и сравнивать их удобно именно по этим блокам, а не по количеству «кейсов» на лендинге.

Что проверять перед пилотом

К 2026 году AI-слой появился практически у каждой российской BI-платформы. Это и благо, и проблема: на демо-стенде с пятью таблицами любое решение выглядит одинаково умным. Перед тем как подписываться, имеет смысл просить у вендора две вещи.

Первое — демо на вашей реальной схеме: пусть подключат выгрузку с сотней-другой таблиц и проверят, что платформа не посыплется на наименованиях типа FCLT_ROOMS. Второе — конкретный план по подключению отраслевого контекста: где хранится, как обновляется, кто отвечает за актуальность. Если на эти два вопроса отвечают общими формулировками про «гибкую настройку под бизнес», дальше можно не продолжать.

«Близость» в 2026 — это не строчка в роадмапе, а критерий отсева: либо платформа встраивается в вашу отрасль и ваши регламенты, либо вы будете вечно докручивать её костылями на собственной стороне.