К 2026 году российский рынок аналитических решений с ИИ прошел через череду изменений: уходили привычные BI-платформы, появлялись новые технологии, менялась экономика. В итоге сформировался запрос на доступные решения, близкие к пользователю и отрасли, с четко прослеживаемыми бизнес-эффектами и небольшим горизонтом возвратности инвестиций. Вендоры отвечают по-разному: через семантический слой, ансамбль моделей, RAG по внутренним регламентам, интеграционный слой и ролевые сценарии.
Главный разрыв, который обнаружился, — между результатами на бенчмарках и реальной практикой. Популярный бенчмарк BIRD, оценивающий качество text2SQL, показывает, что лидер российского сегмента Sber Text2SQL достигает execution accuracy 81,33% — это третий результат, сравнимый с человеческим базлайном в 92,96%. Однако бенчмарк BEAVER, построенный по принципу эмуляции реальности, демонстрирует, что даже наиболее прогрессивный «ванильный» агентский подход дает лишь 11,4% execution accuracy. Причины расхождения — размер схем (в BEAVER в среднем 101,5 таблицы и 869,4 колонки против 6,8 и 72,5 в BIRD), проблемы именования (корпоративные схемы полны аббревиатур вроде SIS_SUBJECT_CODE вместо понятных orders), а также провал в доменных знаниях и корпоративной специфике.
| Бенчмарк | Среднее число таблиц | Среднее число колонок | Execution accuracy (лучший агент) |
|---|---|---|---|
| BIRD | 6.8 | 72.5 | 81.33% (Sber Text2SQL) |
| BEAVER | 101.5 | 869.4 | 11.4% |
Ключевой вывод: проблемы не столько в качестве моделей, сколько в контексте. Если той же модели дать дополнительный отраслевой контекст, например, сделать декомпозицию запроса, точность ответа вырастает в три раза. Поэтому при выборе вендора на первый план выходит способность поддерживать отраслевой и корпоративный контекст. Показательны цитаты из реальной практики: «У нас закупки живут по внутреннему регламенту на 90 страниц», «Операционные цифры по производству и запасам 1С, продажи и промо раскиданы по двум другим системам, витрин пока нет», «ИБ не выпустит ничего наружу», «Коммерческий не будет залезать на BI-портал — нужна понятная картинка в мессенджере». Близость к клиенту становится must have.
Разрыв между бенчмарками и реальностью: Sber Text2SQL на BIRD достигает 81,33%, а на BEAVER — лишь 11,4% execution accuracy.
Российские вендоры отвечают на этот запрос по-разному. Luxms BI в версии 12 добавил «ИИ-аналитика», который создает кубы и аналитические модели данных, формирует дашборды и отчеты по запросу на естественном языке, объясняет результаты. Поддерживаются локальные модели, когда данные остаются внутри корпоративного контура. Форма поставки — расширение платформы с отдельным лицензированием. Modus BI зашел через MCP: команда написала собственный сервер modusbi-mcp и провела эксперимент, в котором человек без опыта в SQL и статистике за четыре часа собирал дашборды по базе из сотен тысяч записей. Ускорение разведки данных оценивается в 5–10 раз, но авторы честно отмечают, что тип диаграммы не всегда угадывается с первого раза, а на сложных взаимосвязях «человек все равно необходим». Raft AI4BI, команда которого локализует и дорабатывает открытую платформу Apache Superset, фокусируется на доступности аналитики через мультиагентную обвязку, позволяющую поддержать отраслевую специфику.
Таким образом, к 2026 году российский рынок ИИ-аналитики пришел к пониманию, что бенчмарки — лишь отправная точка. Реальная ценность решения определяется тем, насколько оно учитывает корпоративный контекст, умеет работать с «грязными» данными и встраивается в существующие процессы. Вендоры, которые смогут предложить близость к клиенту и гибкость без распада на форк под каждого заказчика, получат преимущество.
