Кратко

Мы создали тест на готовность к ИИ-аналитике, чтобы помочь людям подобрать подходящие сессии на неделе ИИ-аналитики. Перед началом сессий его прошли 73 человека. Затем мы провели опросы среди участников, и вот что мы узнали. Это не отраслевой бенчмарк — у нас небольшая выборка, сильное влияние предвзятости отбора, а все ответы анонимны, — но в качестве обмена опытом мы решили честно рассказать о результатах. Назовем это замером общего настроя.
Более половины респондентов регулярно используют ИИ для работы с данными или запускают пилотные проекты. Еще 22% еще не начинали, и большинство из них объяснили это тем, что они не знают, какие возможности уже есть в имеющихся у них инструментах.
Люди хотят контролировать, где именно работает ИИ: 44% заявили, что всё должно оставаться на их собственных серверах, а 14% нужно использовать собственную модель. Примечательно, что эта потребность сильнее всего выражена именно среди тех, кто еще ничего не начинал.
Тревожность по поводу ИИ находится на довольно низком уровне. Никто не переживает о том, как это повлияет на их работу. Беспокойство начинает проявляться в вопросах управления, но оно не является непреодолимым препятствием. Две трети тех, кто заявил, что ИИ не дает им спать по ночам, всё равно хотят предоставить агентам прямой доступ к своим данным.
Половина всех участников теста хочет работать со своими данными через ИИ-агентов поверх протокола MCP. Среди тех, кто уже регулярно использует ИИ, этот показатель составляет 78%.
И самый неожиданный факт: 31% ответивших заявили, что не знают, что такое семантический слой (спойлер: это фундамент для получения достоверных ответов от ИИ).

В августе мы провели неделю ИИ-аналитики в формате серии вебинаров. Наша цель заключалась в том, чтобы сделать ИИ-аналитику более понятной для команд, которые ее еще не внедрили, предложить четкую отправную точку для тех, кто уже готов, и дать фреймворки для масштабирования с учетом требований управления для тех, кто уже вовсю работает (вы можете посмотреть запись всех сессий и найти дополнительную информацию здесь). Мы также хотели воспользоваться возможностью и узнать общее настроение: как люди относятся к этому нововведению, на каком этапе внедрения они находятся, что их останавливает и что вызывает наибольший энтузиазм.

Тест на готовность к ИИ помогал подобрать сессию, которая соответствовала бы текущему уровню участника в вопросах ИИ-аналитики. Для этого нужно было ответить на пять вопросов: на каком этапе внедрения ИИ вы находитесь сегодня, что вам мешает, насколько жесткий контроль вам необходим в отношении места запуска ИИ, как вы предпочитаете строить работу и как вы относитесь к тому, что ИИ изменит вашу работу.

Обычно вокруг темы ИИ в аналитике витает атмосфера опасений и вопросов, на которые больше нет ответов, чем есть: могу ли я доверять цифрам? как защитить наше хранилище? не окажется ли кто-то под угрозой увольнения? Результаты нашего опроса показали совсем другую картину. Мы увидели массу любопытства, короткий список практических препятствий, а также людей, которые уже запускают ИИ на данных, еще не успевших пройти полную очистку, и горят желанием заняться оптимизацией.

Что мы спрашивали и кто отвечал

Неделя ИИ-аналитики состояла из трех живых вебинаров:

ИИ-аналитика с пруфами — о создании надежного фундамента для формулирования вопросов на естественном языке и проверки результатов.
ИИ-аналитика на ваших условиях и на вашей инфраструктуре — о внедрении ИИ-аналитики с соблюдением самых строгих требований безопасности, суверенитета и регуляторных норм.
ИИ-аналитика с кнопкой сборки — об управлении аналитикой как кодом с использованием рабочих процессов на базе Git, создании решений с помощью агентов и предварительном обзоре нашей функции Data Apps.

Тест состоял всего из 5 быстрых вопросов. Он изначально задумывался как анонимный — без указания компании, ее размера, отрасли или электронной почты, — поэтому мы не можем сегментировать эти данные по фирмографическим признакам. Это небольшая самовыбранная выборка людей, которые согласились пройти тест на готовность к ИИ-аналитике во время серии мероприятий Metabase, посвященных ИИ-аналитике. Аудитория имеет технический уклон. В ней преобладают те, кто уже хорошо к нам относится. Это глубоко ненаучное исследование, но нам показалось, что результаты достаточно интересны, чтобы ими поделиться.

Мы также проводили опросы во время трех живых сессий — в течение недели в общей сложности 70 человек приняли участие хотя бы в одном голосовании. Эти опросы были необязательными, и активность различалась: кто-то не голосовал вовсе, кто-то ответил на один-два вопроса, а кто-то участвовал в каждом голосовании. Поэтому все показатели в процентах ниже отражают долю людей, проголосовавших по конкретному вопросу, а не общее количество присутствовавших. Количество проголосовавших в опросах варьировалось от 12 до 34.

На каком этапе команды находятся в вопросах ИИ-аналитики

Тест открывался очевидным вопросом: на каком этапе внедрения ИИ в аналитику находится ваша команда сегодня?

Итак, 59% уже преодолели стартовую линию, и лишь 4% решили отказаться от этой затеи. Те самые 22%, которые еще ничего не начинали, — это именно та аудитория, для которой мы подготовили сессию «с пруфами», и стоит разобраться, почему они до сих пор не приступили к работе.

В ходе сессии участникам был задан смежный вопрос: что именно мешает вам попробовать ИИ от Metabase (если мешает)? Среди проголосовавших 26% ответили, что уже используют его, 26% не были уверены в том, какие функции доступны (удар в самое сердце продуктового маркетолога — пожалуйста, вернитесь и срочно перечитайте все наши анонсы релизов по порядку), 21% выбрали вариант «другое», 18% сослались на нехватку времени, а 9% заявили, что их данные еще не готовы. Вариант «не были уверены, что доступно» делит первое место. Мы еще вернемся к этому.

Что мешает начать работу с ИИ-аналитикой

На вопрос о том, что именно сдерживает команды (если сдерживает):

Самый популярный ответ — «ничего», что коррелирует с 59% уже использующих ИИ. Достоверность результатов — главный реальный барьер, который проявляется во всем. Среди тех, кто регулярно пользуется ИИ, этот ответ по-прежнему занимает второе место с показателем 22%, уступая лишь стремлению «двигаться быстро».

Результаты опроса на сессии о том, что именно беспокоит людей в ответах, сгенерированных ИИ, тесно связаны с показателем достоверности. Среди проголосовавших 48% отметили неверные цифры, 37% указали на то, что невозможно понять, как ИИ получил ответ, 19% ответили, что не переживают, но им любопытно, как это доказать, а 11% пожаловались на отсутствие контроля над тем, что именно видит система. (В этом опросе можно было выбрать несколько вариантов, поэтому здесь указана доля людей, а не голосов.) Неверные цифры и невозможность проследить цепочку расчетов — это на самом деле не две разные проблемы: первое невозможно оценить без второго, именно поэтому каждый ответ Metabot отображает свой SQL-запрос.

Это подтвердило наши предположения, и именно поэтому мы решили посвятить первую сессию тому, как настраивать семантический слой в Data Studio для создания проверенного фундамента, из которого ИИ сможет извлекать ответы, и почему это лучше делать внутри Metabase.

Какой уровень контроля команд требуется для ИИ-аналитики

Именно вокруг этого вопроса мы выстроили сессию «на ваших условиях», и ответы оказались более категоричными, чем мы ожидали.

58% респондентов хотят использовать локальное развертывание (self-hosted) или свою собственную модель. Опрос о суверенитете данных, проведенный прямо во время сессии, привел к тому же результату, но с другой стороны: 58% проголосовавших заявили, что их данные не должны покидать корпоративную сеть, 21% должны соответствовать требованиям HIPAA, BAA или ISO 27001, 16% пока не уверены, 5% зависят от требований к локализации данных, и никто не выбрал вариант «не вызывает особого беспокойства». Два разных вопроса, заданных пересекающимся аудиториям, привели к абсолютно одинаковому результату. Тест анонимный, поэтому мы не можем сказать, насколько сильно пересекаются эти две группы, — мы знаем лишь то, что распределение ответов не изменилось при изменении формулировки вопроса.

Интересно взглянуть на результаты в разрезе опыта. Если разделить ответы о локальном развертывании в зависимости от степени готовности респондентов:

Стремление к контролю обратно пропорционально опыту. Те, кто еще не начал, настаивают громче всех на том, чтобы ничего не покидало пределы компании; те же, кто использует ИИ каждый день, в основном примирились с облаком, у которого есть защитные механизмы. Мы не можем объяснить причины на основе этих данных — возможно, команды с самыми строгими требованиями еще не нашли подходящего решения, либо незнание порождает максимальную осторожность, либо и то, и другое.

Стоит сопоставить с этим пару результатов из опросов. Концепция принеси-свою-модель (BYOM) оказалась жестким требованием для 27% респондентов и предпочтительным вариантом для 55%; лишь 9% ответили, что это не имеет значения. При этом каждый из тех, кто заявил, что данные не должны покидать их сеть, также проголосовал за BYOM, и ни один из них не выбрал вариант «не имеет значения» — эти два пункта воспринимаются как одно требование, а не как два. На вопрос о том, какая проблема ИИ-управления волнует больше всего, самым популярным ответом (44%) стал «что он может видеть», затем идут стоимость (22%), место запуска модели (15%), кто может ее использовать (11%) и след аудита (7%).

Это укладывается в более широкую тенденцию: все больше команд рассматривают суверенитет данных как отправную точку для разговора об ИИ-аналитике, особенно в регулируемых отраслях и организациях, заботящихся о безопасности, которым необходимо гарантировать, что ни байт данных никогда не покинет их сеть. ИИ не создавал эту потребность, но необходимость хранить все на собственной инфраструктуре, осуществлять жесткий контроль, надзор и аудит того, кто и что взаимодействует с вашими данными, стала еще более актуальной с появлением в чатах автономных агентов.

Об отраслях: половина проголосовавших указали, что не работают в регулируемой сфере, 29% выбрали другие регулируемые сферы, 14% — здравоохранение, 7% — финансовые услуги. Всего четырнадцать человек, так что к этому стоит относиться с осторожностью. Наличие или отсутствие регуляций не сделало никого заметно более расслабленным, если это имеет значение при таком размере выборки.

Как люди хотят создавать продукты с использованием данных и ИИ

На вопрос о том, как они хотят работать со своими данными и аналитикой:

Половина всех респондентов хочет использовать агентов. Среди тех, кто уже регулярно использует ИИ, этот показатель составляет 78%. Среди тех, кто еще не начинал, наблюдается почти равное разделение между кодом, MCP и пользовательским интерфейсом (UI).

Мы не можем сказать, что здесь является причиной, а что следствием — то ли регулярная работа с ИИ подталкивает людей к агентам, то ли те, кто изначально мыслит категориями агентов, внедрили его быстрее всех. В выборке из 73 самоотобравшихся участников оба варианта имеют право на жизнь. Можно сказать следующее: на старте предпочтения агентов практически нет, но оно становится подавляющим к тому моменту, когда люди начинают использовать ИИ ежедневно.

Сессия «кнопка сборки» (build button) затрагивала ту же тему. 53% проголосовавших уже подключили инструмент написания кода на базе ИИ к Metabase, 13% — к чему-то другому, а 33% ответили, что пока нет, но очень хотят. На вопрос о том, кто должен владеть дашбордами, если теперь это код: 58% ответили — аналитики, 25% — и те, и другие, 8% — инженеры, 8% — никто не вызвался добровольно. А на вопрос о главных трудностях при управлении дашбордами сегодня: 50% назвали дублирование дашборда между средами, 33% — внесение изменений в продакшен без этапа проверки, 8% — рассинхронизацию между средами, 8% — ничего существенного. В опросе по последним двум пунктам участвовало двенадцать человек, поэтому воспринимайте это скорее как общее настроение, а не точное измерение.

Что люди думают об ИИ-аналитике

Последний вопрос теста был посвящен человеческому фактору: что вы чувствуете в связи с тем, что ИИ меняет вашу роль или роль вашей команды?

Большинство респондентов находятся где-то посередине между любопытством и воодушевлением. Каждый восьмой теряет сон. Беспокойство сосредоточено в группе тех, кто описал себя как заинтересованного, но озабоченного вопросами доступа, безопасности или суверенитета — среди них 27% заявили, что это не дает им спать по ночам. И из всех, кто выбрал этот ответ, две трети все равно хотят подключить агентов к своим данным через MCP.

Еще два среза для протокола: те, кто хочет использовать собственные сервера (self-host), оказались самой оптимистичной группой в выборке — 72% воодушевлены, и всего один человек из 32 встревожен. Те, кто хочет управлять аналитикой как кодом, отстают совсем немного: 71% воодушевлены, один обеспокоен из 21.

Проблема семантического слоя

Семантический слой — это общий набор моделей, метрик и определений, который говорит ИИ, каким данным можно доверять и что они означают.

Это также то, о чем 31% участников нашего опроса никогда не слышали. Еще у 54% есть нечто частично созданное и адаптированное под конкретные задачи, и лишь 15% назвали свой семантический слой зрелым.

Это встречается чаще, чем кажется, и не является катастрофой. Обращение ИИ к «сырым» таблицам обычно работает отлично поначалу, или пока ваша организация и данные еще настолько малы, что у вас есть всего одна таблица с названием accounts. Этот сбой происходит тихо, а не громко: как только появляются accounts_v2 и accounts_final, и нет ничего, что могло бы подсказать агенту, откуда компания на самом деле выставляет счета, ответ по-прежнему возвращается с абсолютно уверенным видом. Чтобы ИИ работал эффективно по мере вашего роста, ему необходим контекст и защитные механизмы — именно поэтому мы считаем, что для ИИ-аналитики семантический слой нужен раньше, чем более совершенная модель.

В Metabase вы строите его в Data Studio, и поскольку мы верим, что каждый заслуживает достоверных ответов от ИИ, основные компоненты бесплатны и имеют открытый исходный код. Вот как создать семантический слой для ИИ-аналитики, если вы начинаете с нуля.

Где узнать больше

Права доступа, суверенитет данных, бизнес-контекст, контроль затрат и возможность аудита — вот те факторы, которые отличают убедительную демо-версию от того, чему действительно можно доверить работу в продакшене.

Пройдите тест самостоятельно, чтобы узнать, как соотносятся ваши ответы, и получить материалы, соответствующие вашему текущему этапу — от старта до масштабирования.

Если вы попали в те 31% или не уверены, является ли ваш семантический слой «зрелым» или «спонтанным», выделите 30 минут для общения с экспертом по продукту. Мы покажем, как выглядит семантический слой на ваших собственных данных.