Кратко

Раньше узким местом в аналитике были запросы: технические специалисты писали SQL для всех остальных. ИИ устранил это препятствие. Теперь любой может задать вопрос на обычном языке, а узким местом стали точность, правильность и валидация.
Решение заключается не в более умной модели. А в курируемом семантическом слое под моделью: преобразования, метаданные, метрики, глоссарий, а также Библиотека и верифицированные элементы, отмечающие то, за что вы действительно ручаетесь.
Создание такого курируемого слоя там, где данные используются, а не выше по потоку, дает вам сквозную линию происхождения (lineage) от преобразования вплоть до сгенерированного ИИ ответа.
Все материалы с AI Analytics Week доступны в AI Readiness Hub: двухминутная проверка готовности, проверенный фреймворк, сессии по запросу и навыки Metabase для Claude Code. Если вы предпочитаете действовать, а не смотреть, выполните команду npx skills add metabase/agent-skills --skill ai-readiness-checklist -a claude-code, и навык проверки готовности к ИИ пройдет по тому же списку для вашего собственного экземпляра.

Узкое место в аналитике сместилось

«Не будьте узким местом» было нашим главным лозунгом в течение многих лет, и он был верным. SQL пугал, писать его умели не все, а те, кто умел, превращались в живую очередь из заявок.

Пьерина открыла AI Analytics Week, вспомнив этот слоган не ради ностальгии, а чтобы указать на то, где узкое место находится теперь. Создание запросов было сложной частью. Запросы на естественном языке делают ее тривиальной. Задайте вопрос, получите график, готово.

Итак, очереди больше нет, и любой может запустить ИИ для работы со своими данными и получить число за секунды. Подвох в том, что ИИ уверенно дает неверные ответы, и никто не может сказать, какие числа верные (а какие нет). Контекст и здравый смысл теперь — самая важная часть работы.

Что беспокоило участников

Мы провели опрос всех присутствующих перед началом сессии. Беспокойство вызывал не вопрос о том, сможет ли ИИ отвечать на вопросы. А контроль: кто и что может видеть, кто и что может делать, и сможет ли все это работать на их собственных серверах. Сервер MCP был наиболее предпочтительным методом работы с ИИ, а аналитика как код заняла второе место.

Затем мы спросили участников вебинара, что именно их беспокоит в ответах, сгенерированных ИИ. В ответах доминировали две вещи: неверные числа и невозможность определить, откуда взялось число.

Эти два опасения сводятся к одной и той же проблеме. Ответ, который невозможно проследить — это ответ, который невозможно проверить, а ответ, который невозможно проверить, — это тот, которому нельзя доверять. Независимо от того, задаете ли вы вопрос через Metabot, Metabot в Slack или агента на сервере MCP, модель ровно настолько надежна, насколько надежен контекст, из которого она читает. А это значит, что защитные механизмы находятся не в модели. Они находятся в фундаменте под ней.

Невозможно ничего проверить поверх данных, которые никто не курировал. Семантический слой — это упорядоченная версия: таблицы, которые имеют значение, что означает каждый колонтитул или столбец, как рассчитывается каждая метрика и к чему относятся термины вашей компании. (Если вам нужна полная дефиниция, мы написали ее для эры ИИ-аналитики.) Людям это было нужно годами. ИИ это нужно еще больше, потому что ИИ не у кого спросить.

В Metabase этот слой находится в Data Studio, и Metabase AI считывает данные из него. Те же таблицы, те же определения, те же права доступа, что и у человека, кликающего по интерфейсу. Вот что в него входит, в том порядке, в котором сессия его выстраивала.

Начните с преобразований. Задания SQL или Python, которые выполняются по расписанию и записывают свои результаты обратно в виде таблицы. Очистите наименования, заранее объедините то, что всегда объединяется, отфильтруйте тестовые строки, которые никто не хочет учитывать. Модель, рассуждающая над аккуратной, специально созданной таблицей, делает меньше ошибок, чем та, что рассуждает над вашей исходной рабочей схемой. Если у вас уже есть dbt, это последний шаг. Если нет — это все целиком.

Затем метаданные таблиц, которые есть в каждом плане Metabase, включая open-source. Описания полей и семантические типы объясняют, что на самом деле содержит столбец: что означает rev_1234 рядом с earnings-q3-445, или какой из этих двух показателей является валовым. Тот, кто владеет моделью данных, записывает это один раз, и каждый последующий ответ становится лучше. Обычно это ваш аналитик-инженер или ведущий специалист по данным, человек, который знает, почему вообще существует три таблицы Accounts. Какая из трех является канонической — это отдельная задача, и ей место в Библиотеке, которая находится дальше.

Затем метрики. Расчеты, которые вы определяете один раз: выручка, активные учетные записи, уровень оттока, валовая маржа — все, о чем ваша компания спорит на совещаниях. Определите это в Data Studio, и расчет будет одинаковым, независимо от того, создает ли кто-то вопрос в блокноте, помещает его на дашборд или задает вопрос Metabot на обычном языке. Никто не пересчитывает его немного иначе в своем собственном сохраненном вопросе и не представляет на заседании совета директоров. Откройте метрику, и вы увидите, как она рассчитывается, по каким измерениям ее можно разбить, от чего она зависит и кто ее определил.

Затем глоссарий. Он управляет словарем, где ARR для отдела по работе с клиентами означает одно, а для финансового отдела — что-то с оговоркой. Запишите термин, и ИИ перестанет принимать чью-либо сторону. Из всего в этом списке глоссарий — это то, о чем документация Metabot говорит наиболее четко: определение ваших терминов здесь — это то, как он учится языку вашей организации.

Как отметить, какие таблицы и метрики являются каноническими?

Кураторство приводит ваши данные в порядок и фиксирует их значение. Эта часть касается того, чтобы отметить, какая именно версия является настоящей, чтобы ни человек, ни модель не гадали.

Библиотека — это место, где вы публикуете таблицы, метрики и фрагменты кода, которые имеют значение. Опубликованные таблицы появляются первыми, когда кто-то выбирает источник данных, что подталкивает людей к нужной таблице, и это способ решить, какая из тех трех таблиц Accounts является канонической. Доступно в планах Pro и Enterprise.

Верифицированные элементы позволяют администратору одобрять отдельные вопросы, модели, метрики и дашборды, включая те, что написал ИИ. Что-то генерируется, знающий человек проверяет это, оно получает синюю галочку и поднимается выше в поиске. Здесь стоит быть точным: верификация — это сигнал для просматривающих людей, а не входные данные для Metabot. Она ничего не сообщает модели.

Что действительно напрямую управляет ИИ, так это область действия (scope). Администраторы могут направить запросы на естественном языке на конкретную коллекцию и ее вложенные коллекции, чтобы исследование происходило в курируемом уголке, а не по всему подряд. Соедините это с системными промптами, куда вы помещаете постоянные инструкции: тон, соглашения об именовании, какие таблицы предпочесть, контекст о вашем бизнесе, который заставляет его отвечать как коллега, а не как незнакомец.

Зачем строить семантический слой в BI-инструменте, а не выше по потоку?

Вы можете моделировать свои данные и курировать семантический слой выше по потоку в вашем хранилище данных или специализированном инструменте моделирования. Так поступает множество команд. Причина делать это там, где данные используются — это происхождение (lineage).

Измените трансформацию в Data Studio, и граф зависимостей покажет все, на что она влияет: опубликованную таблицу, созданную на прошлой неделе ИИ-панель мониторинга, проверенный кем-то из вашей команды вопрос — вплоть до самого конца. Обнаружить, что число неверно — это легкая часть. Сложная часть заключается в том, чтобы выяснить все, что находится ниже по потоку и тихо работало неправильно вместе с ним, и это именно то, что никто не может прикрутить задним числом.

Это также означает наличие единого набора разрешений. Metabot и MCP-сервер видят то, что разрешено видеть запрашивающему лицу, поскольку они читают один и тот же слой по одним и тем же правилам. Здесь нет второй модели доступа, которую нужно синхронизировать.

К чему это вас приводит

Работа с аналитикой изменилась. Самая ценная работа заключается в том, чтобы сделать результаты работы ИИ проверяемыми, удерживать их в нужных рамках и позволять людям видеть, как именно они были получены. Ваш семантический слой теперь является ключевым фактором, определяющим, стоит ли действовать на основе каких-либо ответов ИИ.

Беритесь за дело. Начните бесплатный пробный период Metabase и создайте метрику или поговорите с нашими экспертами по продукту о том, как выглядит курируемый слой для вашего масштаба.