Хранилище данных для ИИ: почему без DWH корпоративные агенты фантазируют

ИИ-агент в финансах или банке работает ровно настолько хорошо, насколько чисты и связаны данные, которые ему дали. Без корпоративного хранилища (DWH) с единой «правдой», историей и правами доступа агент отвечает уверенно, но не обязательно верно. Поэтому первые деньги на ИИ разумно вкладывать не в «ещё одного бота», а в фундамент: DWH, витрины и планирование поверх них.

Цифры, которые отрезвляют

На конференциях ИИ продают как волшебную палочку. В отчётах о прибыли палочка пока чаще работает как указка.

  • Gartner: компании бросят 60% ИИ-проектов, которые не опираются на «AI-ready» данные. 63% организаций либо не имеют нужных практик управления данными, либо не уверены, что имеют (Gartner).
  • McKinsey, State of AI 2026: 37% респондентов видят хоть какой-то эффект ИИ на EBIT. «Высших исполнителей», у кого ИИ даёт от 5% EBIT, по-прежнему около 6% (FM Magazine).
  • PwC, опрос CEO в Казахстане (2026): только 12% казахстанских руководителей получили ощутимую дополнительную выручку от ИИ, в мире — около трети. 76% не видят финансового эффекта вообще, в мире — 56% (PwC Kazakhstan).

Вывод простой. Деньги от ИИ получают не те, у кого модель умнее. А те, у кого данные в порядке и встроены в процессы. PwC прямо пишет: точечные ИИ-проекты редко дают измеримый результат.

Почему ИИ без хранилища «фантазирует»

Представьте нового финансового директора, которому в первый день выдали пять Excel-файлов с разной выручкой за один квартал. Человек хотя бы спросит: «А какая из них настоящая?». ИИ-агент не спросит. Он возьмёт первую попавшуюся цифру и красиво объяснит, почему она выросла.

У «фантазий» корпоративного ИИ обычно три корня.

  1. Несколько правд. Выручка в ERP, в CRM и в управленческом отчёте считается по-разному. Численность в HR-системе не бьётся с ФОТ в бухгалтерии. Агент не знает, кто прав, и не должен решать это за вас.
  2. Нет истории и контекста. Прогнозу нужны три-пять лет сопоставимых данных. А в жизни план счетов переделали дважды, филиалы объединили, а справочник номенклатуры ведёт каждый склад сам. Gartner называет ключевым требованием, чтобы данные были репрезентативны для задачи, со всеми ошибками и выбросами.
  3. Нет правил доступа и происхождения данных. Если нельзя показать, откуда взялась цифра и кто имеет право её видеть, агент либо солжёт недоказуемо, либо покажет зарплату директора менеджеру по закупкам. Второе даже хуже.

Хранилище данных решает все три задачи сразу. Это не «ещё одна база», а договорённость компании о том, что считать правдой, записанная в коде.

Как выглядит хранилище, готовое к ИИ

Хорошее DWH напоминает кухню ресторана: сырьё приезжает от разных поставщиков, его моют, раскладывают по цехам и только потом отдают повару. ИИ-агент — это повар. Пускать его сразу на склад с немытой картошкой не стоит.

Рабочая архитектура для холдинга или банка выглядит так, снизу вверх:

  1. Источники. ERP (JD Edwards, SunSystems, унаследованные учётные системы), HCM и зарплата, CRM, АБС в банке, Excel филиалов.
  2. Загрузка и очистка. Регулярные пайплайны, проверки качества, журнал ошибок.
  3. Ядро DWH. Единые справочники (клиенты, номенклатура, оргструктура, счета), история изменений, связка данных из разных систем.
  4. Витрины. Управленческая, регуляторная, HR-, кредитная — под конкретные вопросы бизнеса.
  5. Слой метаданных. Бизнес-глоссарий («что мы называем EBITDA»), линидж (откуда цифра), роли и права. Именно этот слой превращает обычное хранилище в AI-ready.
  6. Планирование и BI. IBM Planning Analytics (TM1) для бюджета, форекаста и консолидации; дашборды для руководства.
  7. ИИ-слой. Агенты и ассистенты, которые читают витрины и модели планирования с правами конкретного пользователя.

Заметьте: ИИ стоит на седьмом этаже. Если начать строить дом с него, дом будет очень современным и очень недолгим.

Где здесь ИИ

Хорошая новость: вендоры уже строят агентов именно поверх данных и моделей планирования, а не «в воздухе». Вот что доступно сегодня, а не в презентациях на 2030 год.

Агент в планировании

В июне 2026 года IBM выпустила Planning Analytics Agent. Он работает в Planning Analytics Workspace 2.1.21 и 3.1.9 и в надстройке для Excel. Функции говорящие: Explain Cell («почему в этой ячейке такая цифра»), Forecast Insights, Chart Insights. Для своих сценариев есть более 30 MCP-инструментов для анализа, моделирования и отчётности. Их можно подключить к watsonx Orchestrate и другим MCP-совместимым агентам.

На практике CFO спрашивает словами: «Почему филиал в Шымкенте не добрал маржу в третьем квартале?». Агент раскладывает отклонение по факторам прямо в модели. Но только если факт в модель пришёл из DWH чистым и вовремя.

Агент в самом хранилище

21 октября 2026 года IBM вывела в общий доступ агентную интеграцию данных в watsonx.data integration. Пользователь описывает нужный поток данных словами, агент предлагает источники и схему пайплайна, человек утверждает. Важнее другое: агент работает с правами того, кто его вызвал, а его действия логируются вместе с линиджем. Для банка под надзором регулятора это не мелочь, а условие допуска.

Что это даёт и чем рискуете

Сценарий На каких данных Эффект Главный риск
Объяснение отклонений план/факт Кубы Planning Analytics + факт из DWH Аналитик тратит часы на выводы, а не на сверку Агент объясняет ошибку загрузки как «рыночный тренд»
Статистический форекаст 3-5 лет сопоставимой истории Базовый прогноз за минуты, люди спорят о поправках Разрывы истории после реорганизаций
Контроль качества данных Пайплайны и журналы загрузок Проблему видно до того, как её увидит правление Ложные тревоги, на которые перестают реагировать
Вопросы правления «на русском» Витрины + бизнес-глоссарий Ответ без заявки в IT Путаница определений, утечка данных мимо прав

Отдельный сигнал рынка: по данным McKinsey, доля крупных компаний (от $1 млрд выручки), масштабирующих агентов хотя бы в одной функции, выросла с 27% до 40%. У компаний поменьше стоит на 22%. Разрыв строится не на моделях, а на инфраструктуре данных.

Казахстан: спрос есть, фундамента не хватает

2026 год объявлен в Казахстане Годом цифровизации и искусственного интеллекта. Закон «Об искусственном интеллекте» № 230-VIII принят 17 ноября 2025 года и уже действует. По данным, которые представило АРРФР, 75% банков страны уже используют ИИ: скоринг, антифрод, маркетинг, обслуживание (DKNews).

А теперь главное. Главными тормозами финансовые организации назвали качество данных, отсутствие единых стандартов и нехватку специалистов. То есть не модели и не бюджет, а ровно то, что решает хранилище. В реальном секторе картина похожа: по PwC, только 19% казахстанских CEO сообщают о существенном использовании ИИ в финансах, юридической, налоговой функции и HR.

Типичные ошибки

  • «Сначала бот, потом разберёмся». Демо на трёх красивых вопросах проходит на ура, а на четвёртом реальном агент находит три разных выручки. Доверие правления теряется за одно совещание.
  • DWH как ИТ-проект. Если определения показателей пишет один IT, финансы их не признают. Владелец данных — бизнес, а не серверная.
  • «Всё и сразу». Попытка затащить в хранилище все системы компании до первого результата. Через год проект ест бюджет, а правление ест руководителя проекта.
  • Планирование отдельно от факта. Модель бюджета кормят ручными выгрузками, и форекаст стареет раньше, чем его утвердят.
  • Права доступа «потом». Агент с сервисной учётной записью видит всё. Это прямая дорога к инциденту.

Сроки и деньги: порядок величин

Оценки ниже — ориентир для разговора, а не прайс: всё зависит от числа источников, лицензий и состояния данных.

Этап Объём Срок
Диагностика данных Карта источников, 20-30 ключевых показателей, оценка качества 3-6 недель
Первая витрина + планирование 2-3 источника, управленческая витрина, модель бюджета в Planning Analytics 3-5 месяцев
ИИ-пилот поверх неё Один сценарий: объяснение отклонений или форекаст 6-10 недель
Масштабирование Остальные домены, регуляторные витрины, агенты для разных ролей 9-18 месяцев, волнами

По деньгам правило простое: диагностика и пилот обычно укладываются в десятки тысяч долларов, полноценное хранилище для холдинга или банка — в сотни тысяч. Дороже всего обходится не проект, а ещё год решений по цифрам, которым никто не верит.

Что делать собственнику: 5 шагов

  1. Задайте один денежный вопрос. Не «внедрить ИИ», а «закрывать месяц и обновлять форекаст за 5 дней вместо 15» или «видеть маржу по каждому филиалу еженедельно».
  2. Назначьте владельцев показателей. У выручки, маржи, численности и ФОТ должен быть один человек с именем, а не «отдел».
  3. Закажите диагностику данных до выбора ИИ-инструмента. Какие источники, сколько лет истории, где расхождения, кто что имеет право видеть.
  4. Стройте витрину под вопрос, а не хранилище под всё. Первая витрина плюс модель планирования — и только потом агент поверх.
  5. Измеряйте агента как сотрудника. Точность ответов, сэкономленные часы, число ошибок, пойманных человеком. Нет метрики — нет масштабирования.

Вывод

ИИ в финансах и банкинге — это не про то, чей чат-бот умнее. Это про то, у кого цифры сходятся с первого раза. Хранилище данных и планирование на IBM Planning Analytics дают агенту то, чего ему не хватает от рождения: память, правила и совесть в виде линиджа. Кто заложит фундамент в 2026-2027 годах, тот получит отдачу от агентов, когда конкуренты всё ещё будут сверять Excel.

Если хотите трезво оценить, готовы ли ваши данные к ИИ, и с какой витрины начать, — команда RBC Group Solutions работает с DWH, IBM Planning Analytics и ИИ-слоем поверх них в Казахстане, Узбекистане и Украине. Начнём с разговора о вашем главном денежном вопросе.

Частые вопросы

Нужно ли хранилище данных, чтобы внедрить ИИ в компании?

Для игрушечного чат-бота — нет. Для ИИ, который отвечает на вопросы о деньгах, людях и рисках, — да: ему нужны единые определения, история и права доступа. Gartner прогнозирует отказ от 60% ИИ-проектов без AI-ready данных.

Что такое AI-ready данные?

Это данные, которые полно описывают конкретную задачу, снабжены метаданными и постоянно контролируются по качеству. Это не разовая чистка, а постоянная практика.

Что умеет ИИ в IBM Planning Analytics?

Planning Analytics Agent отвечает на вопросы обычным языком, объясняет значения ячеек, помогает с прогнозами и графиками. Более 30 MCP-инструментов позволяют подключать модели планирования к другим агентам.

Сколько времени занимает первый результат?

Ориентировочно: диагностика данных — 3-6 недель, первая витрина с моделью планирования — 3-5 месяцев, ИИ-пилот поверх неё — 6-10 недель.

Какие риски у ИИ-агентов в финансах?

Уверенные неверные ответы на грязных данных и доступ мимо прав пользователя. Лечится линиджем, ролевой моделью и человеком, который утверждает решения.

Готов ли казахстанский бизнес к ИИ?

Спрос есть: 75% банков уже используют ИИ. Но только 12% CEO видят дополнительную выручку от него, и главный тормоз — качество данных.

Источники

  1. Gartner: Lack of AI-Ready Data Puts AI Projects at Risk — февраль 2025.
  2. FM Magazine: обзор McKinsey State of AI 2026 — сентябрь 2026.
  3. PwC Kazakhstan: 29-й ежегодный опрос CEO — 2026.
  4. DKNews: 75% банков Казахстана уже используют ИИ — август 2026.
  5. IBM Community: IBM Planning Analytics Agent — июнь 2026.
  6. IBM: агентная интеграция данных в watsonx.data integration — октябрь 2026.



Добавить комментарий