Главная
Блог
Как Workato создала корпоративный агент данных MCP
ИИ-агенты и оркестрация
Оглавление
Виджай Туммала (Vijay Tummala)
Директор по архитектуре данных и бизнес-аналитике (BI)
18 сен. 2026 г.
Ответы на ваши бизнес-вопросы кроются в ваших данных, но насколько эффективно панели мониторинга могут их выявлять? Моя ставка: не очень.
Панели мониторинга отвечают на вчерашние вопросы. Они созданы для решения задач, которые у вас были до их создания, и требуют переработки в тот момент, когда фокус вашего бизнеса смещается.
Это нежизнеспособно, и с появлением ИИ панели мониторинга не останутся лучшим способом получения ответов на вопросы о данных надолго. Поэтому моя команда потратила последние несколько лет на создание чего-то совершенно иного: способа превратить этот статический процесс в разговор в реальном времени с большой языковой моделью на базе корпоративного MCP, который отвечает на 90% вопросов нашей компании по данным за считанные секунды.
Мы называем это Enterprise Data by Workato MCP. И я считаю, что это закономерная следующая эволюция бизнес-аналитики.
Видение, стоящее за Enterprise Data MCP
Когда моя команда только начала создавать MCP, замена традиционных рабочих процессов бизнес-аналитики с помощью ИИ казалась нереалистичной. Даже люди, убежденные в том, что ИИ производит тектонический сдвиг, скептически относились к тому, что мы сможем найти способ генерировать основанные на фактах, точные и воспроизводимые ответы на непредсказуемые бизнес-вопросы.
Но бизнес-вопросы не поступают к команде по работе с данными в виде запросов на панели мониторинга — они поступают в виде живого общения:
- «Почему в прошлом квартале просел пайплайн в регионе EMEA?»
- «У каких клиентских сегментов самые высокие показатели расширения?»
- «Какие продукты вносят наибольший вклад отток?»
Поэтому я спросил себя: почему мы продолжаем переводить все это в панели мониторинга? Почему данные не могут просто ответить на вопрос?
Человеку не должно быть нужно знать, где найти данные, иметь разрешение на создание отчета или понимать структуру таблиц, чтобы получить ответ на четкий бизнес-вопрос. И в идеале он должен получать этот ответ сразу, а не через несколько дней, когда панель мониторинга будет готова.
Мое видение было иным: всего лишь горстка панелей мониторинга золотого уровня, созданных и тщательно поддерживаемых моей командой в соответствии со стандартами архитектуры Medallion, которые подпитывают базу знаний, к которой ИИ может обращаться напрямую.
Каков был масштаб Enterprise Data MCP?
Когда я впервые предложил эту концепцию, разговорная BI была лишь частью гораздо более масштабной стратегии работы с данными. Возможности существовали также в сферах администрирования данных, инженерии данных и аналитики.
Но по мере продвижения дискуссий стало ясно одно: все, вплоть до топ-менеджеров, хотели получить возможность общаться со своими данными, потому что у всех одна и та же проблема: как получить нужную мне информацию прямо сейчас?
Проекту требовалось:
Вариативность конечных пользователей
Нам нужно было объединить группы конечных пользователей как по функциональным направлениям (первоначально продукт, продажи, маркетинг и работа с клиентами), так и по уровням — от рядовых сотрудников до руководителей.
Безотказные данные
Нам нужно было проверить данные и сопоставить нужные таблицы Snowflake с ожидаемыми вопросами.
Доступный интерфейс
Нам нужно было решить, будут ли пользователи использовать Claude или Slack для доступа к MCP.
Проблемы реализации
Агенты данных, аналитические инструменты на базе ИИ и платформы для диалоговой BI существовали годами. Многие компании экспериментировали с ними, но большинству было трудно добиться их стабильной надежности.
Подключить LLM к набору данных и задавать ей вопросы несложно. Самое сложное — убедиться, что модель действительно понимает бизнес, и именно поэтому многие скептически отнеслись к нашему видению.
Например, когда руководитель отдела продаж спрашивает о пайплайне, знает ли система, какое именно определение пайплайна использовать? Без такого понимания диалоговая аналитика быстро превращается в проблему доверия.
Нам нужно было предусмотреть все возможные запросы и определить способы ответа на них, а также сделать так, чтобы MCP признавал, когда вопрос выходит за рамки его компетенции, вместо того чтобы галлюцинировать с ответом.
Нам нужен был способ анонимно подсчитывать вопросы, которые люди задавали MCP, чтобы мы могли расширить круг запросов, на которые он может отвечать. И нам нужен был цикл обратной связи для передачи данных обратно в MCP.
Многие считали эту задачу слишком сложной для решения. Создание концепт-карты — это одно; создание системы, которая стабильно выдает точные ответы в рабочей среде — совсем другое.
Получив отпор, мы с еще одним инженером из моей команды удвоили усилия. Мы опустили головы и проигнорировали шум, потому что знали: семантическая модель — это мозг всего.
Основополагающий вопрос звучал так: как создать семантическое понимание бизнеса, которое система ИИ может надежно осмыслить, а также семантическую модель, которую можно автоматизировать, сделать масштабируемой и простой в обслуживании? Это стало главным приоритетом.
Как создавался MCP
Самый важный компонент — это не модель ИИ, а обвязка, которая позволяет модели правильно понимать бизнес. Такой урок мы извлекли, создавая Enterprise Data MCP от Workato.
Диалоговый интерфейс — это то, что видят пользователи, но лежащая в его основе семантическая архитектура делает его надежным. И именно эту часть мы рассмотрим далее.
Ниже представлен обзор архитектурных уровней и компонентов.
- Клиенты MCP — это уровень взаимодействия для конечных пользователей или агентов ИИ.
- Семантический уровень предоставляет бизнес-контекст и определения, созданные на базе Workato.
- Интеллектуальный модуль MCP выполняет запрос, созданный на базе Workato.
- Источники данных предоставляют данные.
- Результаты выводят данные обратно в клиент MCP.
Чтобы создать семантическую модель, в Workato создали рецепты для сканирования существующих рабочих книг бизнес-аналитики, извлечения встроенных в них определений метрик, вычисляемых полей и фильтров, а также автоматической генерации VQR на основе этой логики. Благодаря этому методу годы накопленных знаний превратились в библиотеку VQR всего за несколько часов. Мы также анализируем историю запросов, чтобы оценить, какие из них могут претендовать на статус VQR, и добавляем их в библиотеку VQR. Тот же конвейер запускается по расписанию и при изменении схемы, развертывая обновления через систему контроля версий.
Семантический уровень и уровень интеллекта MCP автоматически загружают инструкции агента, выполняют основной рабочий процесс и правила классификации SQL. Вот пример вызова с использованием Enterprise Data by Workato MCP:
Каждый вопрос проходит один из трех основных путей:
- Если он соответствует предварительно проверенному шаблону «вопрос-SQL» (репозиторию проверенных запросов, VQR), ответ возвращается с высокой степенью достоверности.
- Если он близок к существующему VQR, модель адаптирует этот запрос.
- Только когда ни то, ни другое не применимо, LLM генерирует SQL напрямую из семантической модели, и такие запросы помечаются для проверки.
Именно такая градация обеспечивает детерминированность ответов там, где это важно.
Проще говоря: VQR обеспечивают точность — каждый ответ, соответствующий такому запросу, подкреплен проверенным SQL, а не догадкой. А инструменты Workato с прогрессивным раскрытием информации обеспечивают детерминированность — каждый вопрос проходит через одну и ту же фиксированную последовательность инструментов и загружает только необходимый контекст, поэтому один и тот же вопрос каждый раз дает один и тот же ответ.
Как улучшить MCP
Семантическая модель Enterprise Data MCP от Workato включает в себя механизмы, которые со временем делают систему лучше.
Наблюдаемость
Мы фиксируем каждый вопрос, какой именно путь привел к ответу (VQR, адаптированный VQR или сгенерированный LLM SQL), а также информацию об успешности запроса. Эти метаданные показывают нам точные пробелы и определяют, что мы будем настраивать в следующий раз.
Самоисцеляющиеся семантические модели
Таблицы золотого слоя меняются. Если оставить все как есть, этот дрифт незаметно ломает семантическую модель, и вы получаете неверные ответы или не получаете их вовсе. Мы автоматизируем обновления — VQR, связи и определения таблиц — с обязательной проверкой человеком (human-in-the-loop) для каждого pull request перед его слиянием.
Самообучающиеся семантические модели
Агент онбординга отслеживает появление новых таблиц золотого слоя, добавляет их в семантическую модель и предлагает для них VQR, сверяясь с существующими метриками и VQR, чтобы избежать дублирования.
Синтетические VQR
Успешные запросы, сгенерированные LLM, после проверки попадают в библиотеку VQR. Каждый новый вопрос пользователя может стать проверенным ответом для следующего пользователя. Система накапливает опыт.
Как снизить расходы на использование и задержки
Важным уроком, который мы усвоили со временем, стало управление затратами. В производственной версии полная семантическая модель загружается при каждом запросе — это около 185 тыс. токенов и 4–6 секунд на один вопрос. Два нововведения меняют эту экономику:
- Прогрессивная выгрузка (бета-версия) сначала загружает индекс, а затем только тот контекст, который необходим для конкретного вопроса.
- Контекстный граф (в разработке) работает по принципу приоритета кеша: попадание в кеш дает ответ примерно за 200 мс, а каждый обработанный им запрос делает следующий еще быстрее.
Тот же вопрос и правильный ответ, но при этом затраты снижены на 80–96%.
Аналитика затрат на хранилище
Тот же подход окупает себя и со стороны хранилища данных. Мы загрузили собственные метаданные ACCOUNT_USAGE от Snowflake в семантическую модель, поэтому вопросы о затратах можно задавать на обычном языке: какие склады простаивают, какие запросы выгружают данные на диск, у каких расходов нет владельца. Этот анализ выявил «зомби-склады» и неэффективные запросы, что привело к существенной ежегодной экономии в Snowflake, которую сам поставщик хранилища не был заинтересован для вас создавать.
Результаты Enterprise Data MCP в цифрах
На сегодняшний день решение Enterprise Data by Workato MCP является самым используемым внутренним MCP в компании Workato. Раньше на простой вопрос о данных уходило от 5 минут до 10 дней, а самостоятельно получить информацию могли менее 20% пользователей. Сегодня 90% вопросов пользователей получают ответ за считанные секунды прямо в том инструменте, где они были заданы.
Последняя версия:
- Имеет доступ к 138 таблицам
- Отслеживает 214 метрик
- Управляет 121 связью
- Может отвечать на 1 032 проверенных запроса (что в 7 раз больше первоначального списка из 149)
- Обслуживает более 900 пользователей по всей компании
- Выполнила более 40 000 запросов с июня 2026 года
- Демонстрирует еженедельный уровень сбоев на уровне ~6–7% по сравнению с ~30% на момент запуска
MCP может отвечать на простые фактологические вопросы, такие как: «Каково использование задач Acme в этом месяце?», что было бы интересно менеджеру по работе с клиентами. Он также отвечает на сложные аналитические вопросы, например: «Какие аккаунты демонстрируют резкое снижение использования в этом месяце и имеют открытые тикеты в службу поддержки — потенциальные сигналы оттока?», что заинтересует руководство по работе с клиентами и повлияет на бизнес-стратегию.
Для реализации концепции Customer 360 компания Workato подключила Enterprise Data MCP к нашим MCP для Snowflake, Salesforce, Gong, Gmail и Slack. Пользователи могут быстро получить доступ к данным об ARR и потреблении из Snowflake, открытым сделкам из Salesforce, последним резюме звонков из Gong и свежим обсуждениям руководства из Gmail. Такая полная картина раньше была невозможна, и это изменило то, как работают наши клиентские команды.
В большинстве компаний доступ к данным по-прежнему требует профессионального уровня трансляции. Бизнес-пользователи должны переводить свои вопросы в запросы к аналитикам, которые, в свою очередь, переводят их в запросы для создания информационных панелей и отчетов, ожидаемых бизнесом. Этот процесс требует времени.
Мы обнаружили, что Data MCP убирает этот уровень трансляции. Вопрос в вашей голове становится вопросом, который вы задаете, и ответ возвращается к вам немедленно.
Поскольку это так просто, количество вопросов, достойных изучения, также резко возрастает. Любопытство вознаграждается, а не наказывается, так как инсайты становятся доступными по запросу. Главным преимуществом, которое мы начали наблюдать, стало подключение этого Enterprise data MCP к другим MCP, таким как gmail, slack, Gong. Мы смогли создать настоящий анализ Customer 360, который раньше был невозможен. Это полностью изменило то, как мы ведем бизнес.
Чтобы узнать больше, посмотрите этот вебинар с участием Workato и Dispatch.
Дополнительно об ИИ-агентах и оркестрации
Узнайте о последних обновлениях и функциях продукта
«Налог» на RPA: во сколько на самом деле обходится автоматизация интерфейсов
1 сентября 2026
Workato в Индонезии (2026): платформа, партнеры и развертывание для корпоративных команд
1 сентября 2026
Агентный ИИ в Гонконге: как компании переходят от песочницы GenA.I. к продакшену
1 сентября 2026
Оглавление
