За последний год практически каждый поставщик решений для работы с данными и аналитикой утверждал одно и то же: агентам ИИ необходим бизнес-контекст. Предоставьте модели корпоративные данные, не объясняя, как компания определяет выручку, маржинальность или активного клиента, и она выдаст уверенные ответы на неверные вопросы.
Я согласен. Но одних определений недостаточно. Корпоративному ИИ также требуются надежные расчеты, лежащие в основе его ответов, подтверждения того, что базовым данным можно доверять, и четкие ограничения на то, к чему он может получать доступ, что изменять и что делать. По сути, математические расчеты по-прежнему необходимы.
Ничто из этого не достигается простым подключением модели к набору данных. Все дело в архитектурных решениях: где живет бизнес-логика, какой движок выполняет расчеты, как применяются качество и управление, и как ИИ работает внутри систем, от которых уже зависит бизнес. Именно эти решения определили все в нашем октябрьском обзоре продуктов.
Главным элементом являются Qlik Semantic Models, которые привносят общие бизнес-определения (показатели, измерения и связи) в продукты данных Qlik.
Бизнес-глоссарий помогает людям прийти к согласию в терминологии. Семантическая модель идет дальше, определяя показатели, измерения и связи, которые аналитика может использовать для последовательной интерпретации и расчета результатов. Мы могли бы создать эту модель как отдельный слой. Мы предпочли встроить семантику в управляемые продукты данных, сохранив бизнес-смысл ближе к тем данным, которые он описывает, вместо создания еще одного набора определений для поддержки.
Многие клиенты Qlik потратили годы на кодирование бизнес-логики в своих аналитических приложениях. Эта логика представляет собой с трудом полученные знания о том, как работает их бизнес, и они не должны воссоздавать ее заново. Поэтому вместе с Semantic Models мы представляем способ извлечения существующих семантических определений из аналитических приложений Qlik в управляемые, обнаруживаемые продукты данных. Выход извлечения в общедоступную предварительную версию запланирован на 28 октября, а полноценный выпуск ожидается позже в IV квартале.
Логика, запертая внутри отдельных приложений, трудно поддается управлению и повторному использованию. Перенос ее в продукты данных дает каждому новому приложению и сценарию использования ИИ единую отправную точку.
Ни одно предприятие не работает на какой-то одной технологии, а модели и приложения, выбираемые клиентами, будут продолжать меняться. Если каждая модель, агент и приложение хранят собственную интерпретацию одних и тех же данных, несогласованный смысл просто переместится в новое место.
Поэтому совместимость должна охватывать нечто большее, чем просто доступ к данным. Она должна охватывать определения и связи, которые определяют, что означают данные. Компания Qlik присоединилась к инициативе Open Semantic Interchange в январе 2026 года, которая с тех пор превратилась в Apache OSSIE (Incubating), и мы разрабатываем ее поддержку, чтобы семантические определения можно было использовать в большем количестве технологий.
Архитектура также должна учитывать возможность выбора. Клиентам не нужно перестраивать свой бизнес-контекст каждый раз при внедрении новой модели или приложения. Наш сервер MCP теперь доступен в каталоге Claude компании Anthropic, а в будущем появятся и другие маркетплейсы и каталоги агентов, что позволит перенести управляемые данные и контекст Qlik в большее количество инструментов ИИ, которые клиенты уже используют.
Наши продукты данных уже содержат информацию о владении, происхождении, качестве данных и показатель Qlik Trust Score. Когда семантика находится в том же месте, смысл управляется наряду с информацией, которую команды используют для определения пригодности данных к использованию.
Возьмем агента, у которого спрашивают, почему в прошлом квартале упала маржинальность. Определение подсказывает ему, как рассчитывается маржа и какие продукты и регионы входят в область видимости. Оно не говорит ему, обновились ли данные о затратах, прошли ли они проверки качества или могли ли пробелы в них изменить вывод. Агент может идеально рассчитать маржу на основе данных, на которые никто не должен полагаться.
Агентам, которых мы разрабатываем, потребуется и то, и другое: и то, как определена метрика, и качество, а также происхождение лежащих в ее основе данных. Объединение смысла и доверия создает эту основу уже сейчас — как для аналитики, которую клиенты запускают сегодня, так и для агентов по мере их появления.
Первый ответ также редко бывает окончательным. Падение маржи ведет напрямую к следующим вопросам: в каких регионах, по каким продуктам, по сравнению с чем и чего не хватает. Аналитический движок Qlik выполняет расчеты и выводит связи, включая значения, исключенные выбором, что может показать то, что упускает первоначальный ответ. Qlik Answers опирается на этот движок, чтобы перенести большую часть этого исследования на естественный язык, выводя на поверхность аналитические выводы, выходящие за рамки исходного вопроса. Мы также развиваем его архитектуру и возможности рассуждения, планируя внедрение определяемых клиентами навыков, отражающих терминологию и бизнес-правила организации.
ИИ не должен заставлять клиентов перестраивать свои технологии под него. Чем больше мы сохраняем существующие приложения, практики разработки и модели управления, тем проще внедрять новые возможности.
Для инженеров данных это означает сокращение рутинной работы без потери контроля над тем, как преобразуются данные. Помощник по ИИ Qlik Talend Studio, находящийся сейчас в общедоступной предварительной версии, поддерживает документирование, генерацию кода, сопоставление и устранение неполадок. Подходящие клиенты могут включить предварительную версию через администратора Qlik Cloud. Инструкции по настройке см. в объявлении в сообществе Qlik.
Для разработчиков это означает работу в привычных инструментах. Наш современный редактор скриптов и расширение для VS Code приближают разработку Qlik к средам, которые разработчики уже используют, и мы расширяем поддержку Open Lakehouse для Google Cloud, предоставляя клиентам больше выбора в отношении того, где работать со своими данными. Каждое из этих решений имеет собственный график выпусков.
Модели ИИ развиваются быстро. Более сложная задача сейчас — подключить их к корпоративным данным без потери смысла, доверия или контроля.
Кое-что из описанного мной уже доступно, что-то находится в предварительной версии, а что-то все еще находится в разработке. Направление, лежащее в основе всего этого, остается неизменным. Предприятие может действовать на основе ответа только тогда, когда оно знает, что этот ответ означает, откуда он взялся и можно ли на него полагаться. Это тот стандарт, к которому мы стремимся.
Узнайте больше: изучите октябрьский обзор продуктов Qlik, включая доступность продуктов, демонстрации и документацию.
/)
