Интересная и большая статья про AI и BI Статья поднимает важную и, на практике, болезненную тему: LLM-агенты действительно умеют быстро строить красивые графики и отвечать на BI-вопросы, но часто ошибаются именно в смысле интерпретации данных. Автор аккуратно показывает четыре зоны, где AI сегодня системно уступает человеку: отсутствие скрытых метаданных, дефицит внешнего бизнес-контекста, невозможность полноценной exploratory-аналитики и неизбежная потеря информации при «сжатии» сложной реальности в один визуальный артефакт. В результате график может выглядеть убедительно, но отвечать не на тот вопрос. Ключевая мысль — проблема не в качестве моделей, а в устройстве аналитических систем. LLM смотрит на данные буквально: если в модели данных не зафиксированы канальные продажи, статусы договоров, логика NULL-значений или бизнес-семантика метрик, AI не может «догадаться», что стоит за цифрами. Отсюда классические ошибки: «SE регион слаб», хотя реальная причина — партнёрские продажи с проблемами инкассации, NULL в sales_rep и смешение booked и collected выручки в одной метрике. Инженерный вывод здесь довольно жёсткий: без явного semantic layer AI-BI будет масштабировать ошибки. Единые определения метрик, правила агрегации, документация колонок, data contracts между источниками и DWH — это уже не «nice to have», а обязательный слой, который должен быть доступен и человеку, и LLM. То же касается observability: lineage, тесты, алерты, фиксация причин инцидентов и изменений схем — без этого AI будет уверенно интерпретировать аномалии как бизнес-сигналы. Отдельно автор подчёркивает роль контекста и exploratory-аналитики. Человек в процессе исследования постоянно подключает внешние знания: маркетинговые кампании, A/B-эксперименты, партнёрские договорённости, ценовые изменения. Если эти контексты не интегрированы в аналитический слой, AI работает в вакууме. Поэтому правильный путь — не «заменить аналитика», а превратить его находки в код: derived fields, словари, стандартизированные разрезы, guardrails для AI-чартинга. Финальный вывод звучит очень приземлённо и, на мой взгляд, максимально честно: лучшие BI-результаты рождаются из сочетания скорости ИИ и человеческого суждения. AI отлично ускоряет ответы и визуализацию, но смысл, приоритеты и корректную постановку вопроса по-прежнему задаёт человек. Если этого не учитывать, вы рискуете оптимизировать не бизнес, а артефакты своей модели данных — быстро, красиво и системно неверно. https://towardsdatascience.com/why-bi-in-the-ai-age/#efb0d6ff-6a4d-4126-902f-601f84f8beb1