Что меняет Agentic AI: от дашбордов до действий в бизнес-аналитике

Вызов современной аналитики

Лучшие команды уверенно работают с данными. А когда возникает вопрос, они сразу же дают ответ — с учетом контекста, аргументами и пониманием того, что делать дальше. Без «нужно проверить». Без «я вернусь с ответом».

Но на самом деле это становится всё сложнее.

Современная аналитика требует работы с постоянно растущим объёмом данных: различные системы, бизнес-логика, история изменений, документы, внешний контекст. И вся эта информация распределена между инструментами — BI, CRM, файлами, презентациями.

В результате даже у опытного пользователя не всегда под рукой есть всё необходимое. При этом сами вопросы меняются.

По данным Gartner, 69 % клиентов принимают решение ещё до начала взаимодействия с компанией. Это означает, что оставшиеся запросы становятся более сложными и требуют более подробных ответов.

В таких условиях скорость становится критически важной. Но вместо ответа возникает целый процесс: поиск, проверка и дополнительный анализ.

Около 70 % специалистов по продажам испытывают перегрузку инструментами, что затрудняет работу с данными. То есть проблема уже не в доступе к данным, а в способности быстро с ними работать. В результате бизнес-аналитика, которая должна ускорять принятие решений, начинает их тормозить.

Объединенный интеллект: как появляются ответы

Чтобы реагировать быстро, недостаточно просто большего количества данных или большего количества инструментов. Нужно нечто другое — способность объединить прогнозы и знания в одном месте. Именно это дает современный подход к ИИ: система не просто показывает данные, а помогает принимать решения.

С одной стороны — Predictive AI. Он позволяет предвидеть, что может произойти: как изменится показатель, где существует риск, какой сценарий более вероятен.

С другой стороны — генеративный ИИ. Он предоставляет доступ к знаниям: объясняет, что происходит, собирает контекст из различных источников и формирует ответ.

По отдельности эти подходы уже полезны. Но их главная ценность проявляется, когда они работают вместе. В этот момент аналитика преобразуется: вместо поиска пользователь получает ответ, вместо отдельных инструментов — единую логику, а вместо реакции — возможность действовать на опережение.

Именно так формируется новый уровень работы с данными — когда пользователь может не только видеть, что происходит, но и предсказывать, объяснять и быстро принимать решения.

Predictive AI: предвидеть будущее

Большинство компаний уже использует прогнозы, но их точность и объяснимость ограничены, и зачастую они основаны на упрощённых оценках или «экспертном мнении». Predictive AI меняет этот подход. Он анализирует исторические и текущие данные, чтобы не просто показать тенденцию, а ответить на вопрос: что произойдёт дальше и почему.

В частности, он позволяет определить, какие сделки с большей вероятностью будут закрыты, где существует риск потери клиента и как изменения на рынке повлияют на результат.

Здесь главное — точность и обоснование. По данным Gartner, лишь около 7 % компаний достигают точности прогнозирования на уровне 90 % и выше. У большинства этот показатель значительно ниже. В то же время использование ИИ позволяет сократить погрешность прогнозирования до 50 %.

Это меняет сам подход к работе:

• вместо интуиции — обоснованный прогноз
• вместо реакции — заблаговременная подготовка
• вместо «что произошло» — «что произойдет»

Но сам по себе прогноз не дает ответа — для этого нужен контекст, который обеспечивает генеративный ИИ.

Генеративный ИИ: ответы вместо поиска

Даже точный прогноз не решает задачу полностью. Чтобы принять решение, нужно понять контекст. Второй уровень — Generative AI. Он меняет сам подход к работе с информацией. Вместо того чтобы искать данные в разных системах, пользователь просто формулирует вопрос. Система объединяет аналитические данные и контекст из документов и формирует ответ в понятной форме.

Поиск как отдельный процесс исчезает — ответ формируется сразу.

По данным Gartner, пользователи, работающие с ИИ, значительно чаще достигают результатов — в частности, в 3,7 раза чаще достигают своих целей. Это происходит потому, что пользователь получает единый ответ вместо фрагментированной информации, готовый контекст вместо ручного сбора данных и возможность работать на естественном языке вместо сложных интерфейсов.

Agentic AI: когда аналитика начинает действовать

Даже сочетание прогноза и контекста — это ещё не конечный этап. Следующий шаг — когда система не просто реагирует, а действует.

Именно это и есть Agentic AI.

В этой модели ИИ выходит за рамки роли помощника. Он понимает задачу, работает с контекстом и участвует в процессе принятия решений.

Согласно подходу Qlik, современные системы искусственного интеллекта переходят от генерации аналитических выводов к выполнению действий — автоматизации задач, адаптации решений и работе в режиме реального времени. Это становится необходимым, поскольку сам бизнес больше не является статичным.

Рынок постоянно меняется: поведение клиентов, условия, каналы, конкуренция. В таких условиях классическая аналитика не успевает: один дашборд не дает полной картины, одна модель не охватывает все сценарии, а ручной анализ занимает слишком много времени.

Agentic AI решает эту проблему по-другому.

Вместо жестких сценариев — адаптивная система, вместо последовательных шагов — непрерывный процесс. Система действует самостоятельно: понимает намерение, анализирует ситуацию, выполняет действия и обучается на основе результатов, сочетая прогнозирование (predictive) и знания (generative).

ИИ работает не изолированно, а как система агентов. Различные агенты отвечают за анализ, работу с контекстом, прогнозирование и выполнение действий, но вместе формируют целостное решение.

Основа: почему работает Agentic AI

Чтобы ИИ мог работать, недостаточно отдельных инструментов или моделей. Нужна платформа, которая объединяет данные, логику и действия в единую систему. Именно на этом основан подход Qlik.

Речь идет не об одном AI-ассистенте, а о среде, в которой несколько агентов работают вместе — анализируют данные, понимают контекст и выполняют задачи. Каждый агент отвечает за свою часть процесса.

В этой модели различные типы агентов работают совместно: одни отвечают за анализ и расчеты, другие — за работу с неструктурированными данными, прогнозирование и выполнение действий.

В результате формируется не набор функций, а единая система, которая работает с данными на всех этапах — от анализа до принятия мер.

Ключевой момент — это данные. Платформа выступает единственным достоверным источником информации для всех агентов. Именно это позволяет работать с проверенными инсайтами и масштабировать ИИ без потери качества. В такой архитектуре ИИ перестает быть надстройкой. Он становится частью фундамента аналитики.

Вывод: эффективная аналитика

Аналитика вступает в новую фазу. Системы, которые просто отображают данные, постепенно уступают место тем, которые способны обучаться, адаптироваться и действовать в унисон с бизнесом.

Agentic AI лежит в основе этого подхода. Он позволяет переходить от анализа к действиям — предвидеть изменения и влиять на результат. В результате компании получают более оперативные решения, проактивную аналитику и слаженную работу между командами.

Именно такие системы становятся основой современной аналитики — когда данные не просто отображаются, а приносят результат.

Если у вас уже есть аналитика — вопрос уже не в данных, а в том, как быстро вы можете получить из них ответ и приступить к действиям. Мы подробно разберем этот подход на онлайн-сессии «Что скрывают ваши данные: AI-аналитика в Qlik», где покажем, как это работает на практике: Agentic AI в Qlik Cloud и реализацию аналогичного подхода в Qlik Sense (Client-Managed) с помощью AskQ.