Шесть трендов BI второго полугодия 2026 года: AI-агенты, семантический слой, conversational BI, decision governance, MCP и объединение аналитики с платформами данных и AI.
В начале 2026 года мы разбирали основные тренды российского рынка BI. Тогда речь шла о повышении требований к качеству данных, развитии self-service, переходе от отдельных витрин к устойчивым аналитическим контурам и росте интереса к прикладному использованию AI. Главный вывод состоял в том, что дашборд перестаёт восприниматься как самостоятельный результат. Ценность BI всё чаще определяется тем, насколько аналитика помогает увидеть отклонение, понять его причину и принять решение, не тратя время на ручную сверку нескольких версий показателя.
К середине года повестка стала более конкретной. AI в BI развивается уже не только как набор отдельных функций для генерации запросов, визуализаций и текстовых ответов. Вендоры начинают встраивать AI-агентов непосредственно в процесс создания и сопровождения аналитики, превращать семантический слой в машиночитаемый контекст и развивать conversational BI от объяснения показателей к подготовке рекомендаций.
При этом речь пока не идёт о массовом переходе к автономному BI. Значительная часть агентных возможностей находится на стадии пилотов и предварительного доступа. Основной вопрос второго полугодия заключается в другом: какие этапы аналитической работы можно передать AI и как сохранить контроль над данными, рекомендациями и последующими действиями.
На этом фоне можно выделить шесть направлений, которые будут определять развитие BI до конца 2026 года: включение AI-агентов в процесс создания аналитики, изменение роли семантического слоя, переход conversational BI от объяснения к рекомендации, распространение governance с данных на решения, выход BI за пределы собственного интерфейса и формирование единого контура данных, AI и операционных действий.
В начале года AI в BI преимущественно использовался для ускорения отдельных операций: подготовки SQL-запросов, генерации визуализаций, поиска аномалий и ответов на вопросы на естественном языке. Эти инструменты снижали объём ручной работы, но не меняли саму организацию аналитического процесса.
Теперь рынок постепенно переходит к более связанным сценариям. AI-агент сможет в рамках поставленной задачи обратиться к разрешённым источникам, использовать семантическую модель, подготовить отчёт, объяснить изменение показателя и сформировать рекомендацию. Следующим этапом станет выполнение ограниченных действий, однако такие сценарии пока остаются преимущественно пилотными и требуют подтверждения со стороны человека. То есть по факту, “иифицируется” рынок RPA продуктов с упором на безопасность транспорта данных.
Эти изменения отражаются и в глобальной повестке. Среди ведущих направлений 2026 года Gartner выделяет AI-агентов, развитие семантики, сближение платформ данных и аналитики, а также decision governance и платформы управления AI. Для российского рынка это означает следующий этап зрелости: после импортозамещения и построения базовых BI-контуров компаниям предстоит подготовить аналитику к работе с AI без потери управляемости, безопасности и ответственности.
До недавнего времени AI в BI преимущественно помогал выполнять отдельные операции: написать формулу, сформировать SQL-запрос, подобрать визуализацию или объяснить данные на дашборде. В 2026 году вендоры начинают объединять такие функции в агентные рабочие процессы.
В рамках поставленной задачи AI-агент может последовательно использовать несколько инструментов: обратиться к данным, создать или изменить семантическую модель, подготовить структуру отчёта, проверить визуализации и внести правки. Речь пока идёт не об автономном управлении бизнесом, а об автоматизации отдельных этапов разработки и сопровождения BI.
В июне 2026 года Microsoft представила Agent Skills for Power BI в предварительной версии. Эти инструменты позволяют AI-агентам создавать, редактировать и развёртывать семантические модели, а также разрабатывать и проверять отчёты. Это показывает, что агентные технологии постепенно переходят из пользовательского чат-интерфейса непосредственно в цикл создания аналитических решений.
Для российских компаний значение тренда состоит не в необходимости немедленно передавать агенту весь процесс разработки BI. На первом этапе такие инструменты могут сократить объем рутинной работы: подготовку типовых моделей, создание черновиков отчётов, генерацию запросов, поиск решений и проверку аналитических объектов.
При оценке подобных решений важно учитывать, способен ли агент работать с корпоративной семантикой, сохраняет ли действующие права доступа и ролевую модель, поддерживает ли закрытый контур и локальные языковые модели, а также позволяет ли фиксировать изменения для последующей проверки (а также имеет ли возможность работы в Human-approve режиме).
Роль аналитика при этом не исчезает. Она смещается от ручного выполнения каждой операции к инженерному подходу: постановке задачи, проектированию модели, проверке результата и контролю качества.
Раньше семантический слой решал прежде всего задачу перевода технических данных на язык бизнеса. Он связывал таблицы, поля и источники с понятными пользователю сущностями: выручкой, клиентом, заказом, маржинальностью, задолженностью. Благодаря этому бизнес-пользователь мог работать с каталогом данных, не разбираясь в технической части структуры хранилища и логике отдельных систем.
С развитием AI задача семантического слоя становится шире. Теперь он должен объяснять бизнес-контекст не только человеку, но и языковой модели. Для AI недостаточно знать, что в таблице есть поле revenue или client_status. Модель должна понимать, что именно компания считает выручкой, какие операции включаются в расчёт, за какой период агрегируются данные, какие внешние фильтрациисчитаются активными, какие исключения действуют и какой источник является приоритетным при расхождении показателей.
Иными словами, раньше семантика помогала бизнес-пользователю правильно читать и воспринимать технические данные. Теперь она должна дать AI полный контекст, необходимый для правильной интерпретации запроса, выбора источников, выполнения расчёта и формирования объяснения или рекомендации.
Поэтому современный семантический слой включает уже не только названия показателей и связи между таблицами. В нём должны быть закреплены бизнес-определения, формулы, правила агрегации, временная логика, допустимые срезы, ограничения, владельцы показателей, происхождение данных и правила доступа.
Без такого контекста AI может выполнить технически корректный запрос, но неверно понять его бизнес-смысл. В результате ошибка возникает не на уровне синтаксиса или расчёта, а на уровне интерпретации: система отвечает на другой вопрос, использует неподходящее определение показателя или формирует убедительную рекомендацию на неверной основе.
Первое поколение conversational BI решало задачу доступа к данным. Пользователь задавал вопрос на естественном языке и получал график, таблицу или краткий ответ. Следующий этап развития связан с объяснением: система не только показывает, что произошло, но и помогает определить причины изменения показателя.
Именно на этом уровне сегодня находится большинство зрелых сценариев. Руководитель может спросить, почему снизилась маржинальность, а система уточнит период и подразделение, проанализирует факторы и объяснит, какая часть отклонения связана с логистикой, скидками, возвратами или закупочными ценами.
Во втором полугодии 2026 года фокус начинает смещаться от объяснения к рекомендации. AI должен не только ответить, почему изменился показатель, но и предложить возможный следующий шаг: провести дополнительную детализацию, обратить внимание на конкретное подразделение, подготовить задачу ответственному сотруднику или настроить контроль повторного отклонения.
Таким образом, развитие conversational BI можно представить как последовательность:
вопрос → анализ → объяснение → рекомендация → действие.
Сейчас рынок в основном осваивает переход от объяснения к рекомендации. Выполнение действий — следующий этап, который пока развивается преимущественно в рамках ограниченных пилотов. В таких сценариях агент может создать задачу, сформировать уведомление или запустить разрешённую операцию, но только в пределах заранее заданных полномочий.
Google и другие технологические компании описывают это направление как переход от систем, которые отвечают на вопросы, к системам, которые участвуют в дальнейших действиях. При этом значительная часть соответствующих возможностей пока находится в предварительном доступе, поэтому говорить о массовом автономном выполнении операций ещё рано.
Для BI это принципиальное изменение. Аналитическая система постепенно перестаёт быть только инструментом наблюдения и объяснения и начинает включаться в подготовку управленческого решения. Одновременно растёт цена ошибки: неверное объяснение может привести к ошибочной рекомендации, а на следующем этапе — к некорректному действию.
Поэтому компаниям целесообразно начинать с ограниченных сценариев, в которых заранее определены доступные показатели и источники, формат рекомендаций, ответственные лица и критерии проверки результата. На текущем этапе наиболее реалистична модель, в которой AI анализирует данные и предлагает следующий шаг, а решение о его выполнении остаётся за сотрудником.
До появления агентной аналитики основным риском были некорректные расчёты на основе неполных, несогласованных или ошибочных данных. Если показатели считались по разным методикам, BI показывал разные версии результата, а окончательную интерпретацию и решение всё равно принимал человек.
С развитием AI-агентов масштаб риска меняется. Некорректные данные могут привести уже не только к ошибочному показателю, но и к ошибочному выводу, рекомендации или действию. Система может неправильно определить причину отклонения, предложить изменить лимит, скорректировать план, создать задачу или запустить операцию. При этом ответ будет выглядеть логичным и убедительным, даже если основан на неверных предпосылках.
Поэтому data governance, который традиционно отвечал за качество данных, правила расчёта показателей и разграничение доступа, дополняется decision governance — управлением решениями, принимаемыми с участием AI. Компании важно контролировать не только то, какие данные доступны агенту, но и то, как он их интерпретирует, какие рекомендации формирует и какие действия имеет право выполнять.
Для BI это означает, что обычного журнала доступа к отчётам становится недостаточно. Необходимо фиксировать, какой запрос получил агент, какие источники и показатели использовал, на какой версии семантической модели основывался, какой вывод сформировал и какое действие предложил или выполнил. Для критичных операций также должно быть понятно, кто подтвердил решение и можно ли восстановить всю цепочку от исходных данных до результата.
Уровень контроля должен зависеть от возможных последствий. AI-помощник, который предлагает SQL-запрос, и агент, способный изменить лимит, статус заявки или права пользователя, создают принципиально разные риски. Чем выше автономность системы, тем строже должны быть ограничения, аудит и требования к подтверждению человеком.
Для финансового сектора, промышленности и государственного управления это особенно важно.ч Раньше слабое управление данными приводило преимущественно к некорректным расчётам. Теперь оно может приводить к некорректным управленческим решениям и действиям. Поэтому автоматизация без контроля становится не преимуществом, а дополнительным источником риска.
По мере развития корпоративных AI-ассистентов аналитика перестаёт быть доступной только внутри интерфейса BI-платформы. Пользователь может обращаться к показателям, семантическим моделям и аналитическим проектам из других рабочих сред — корпоративного ассистента, отраслевого приложения или локального AI-агента.
Это меняет роль BI. Платформа становится не только инструментом визуализации, но и поставщиком управляемых решений, метрик и аналитических операций для других систем. Внешний агент может получить описание показателя, выполнить разрешённый запрос, обратиться к аналитическому объекту или запустить определённую операцию без прямой работы в интерфейсе BI.
Одним из механизмов такого взаимодействия становится Model Context Protocol, или MCP. Он позволяет стандартизировать подключение AI-клиентов к корпоративным данным и инструментам. В этой логике MCP выступает не самостоятельным трендом, а технологическим шлюзом, через который BI открывается внешней экосистеме AI-агентов.
При этом открытость не должна означать полный доступ к аналитическому контуру. Конкретная реализация должна определять, от имени какого пользователя работает агент, какие данные и инструменты ему доступны, применяются ли ограничения на уровне строк и объектов и какие операции требуют подтверждения. Также необходимо обеспечить безопасную работу с токенами, хранение контекста и возможность восстановить историю действий.
Во втором полугодии 2026 года такие интеграции останутся преимущественно пилотными. Однако само направление уже важно для BI-вендоров и корпоративных заказчиков. Возможность предоставить аналитику внешним ассистентам через открытый и контролируемый интерфейс становится новым критерием зрелости платформы, особенно для компаний, использующих собственные AI-решения, локальные модели и закрытые контуры.
Объединение платформ данных и аналитики началось не в 2026 году. Новизна текущего этапа заключается в том, что к этому контуру добавляются AI-агенты и операционные действия, которые выходят за рамки традиционного BI. Классическая архитектура выглядела последовательно: данные собирались из источников, переносились в хранилище, преобразовывались в витрины и затем отображались в BI. Это была линейная цепочка, в которой каждый следующий этап зависел от предыдущего.
Агенту требуется более широкий контекст, чем готовый отчёт. Ему могут понадобиться метаданные, семантика, история изменений, потоковые события и доступные бизнес-операции. Он не просто читает данные, а взаимодействует с ними, предлагает изменения и выполняет разрешённые действия. Поэтому современные платформы стремятся объединить в едином контуре интеграцию и хранение данных, обработку и контроль качества, потоковую аналитику, каталог и семантический слой, BI и визуализацию, AI-агентов и операционные приложения.
Gartner относит конвергенцию платформ данных и аналитики к ведущим направлениям 2026 года. Крупные технологические компании также развивают архитектуры, в которых общий контекст, правила доступа и аналитические модели используются одновременно BI-интерфейсами, агентами и приложениями.
Для российского рынка единый контур не обязательно означает переход на одну облачную платформу. Из-за требований к безопасности, технологической независимости и размещению данных архитектура может оставаться локальной или гибридной. Важнее другое: одна и та же бизнес-логика должна повторно использоваться в разных интерфейсах. Выручка, маржинальность или число активных клиентов не должны заново определяться отдельно для дашборда, AI-ассистента и корпоративного приложения. Поэтому BI будет всё чаще оцениваться не как изолированный инструмент визуализации, а как основа общей архитектуры данных и управления.
Переход к агентной аналитике не требует немедленно перестраивать весь BI-контур. Но до конца года компаниям стоит оценить готовность к новым сценариям по нескольким ключевым направлениям.
1. Выбран ли конкретный AI-сценарий. Пилот должен начинаться с измеримой задачи: сократить время подготовки отчёта, ускорить поиск причин отклонения, автоматизировать проверку модели или подготовку типовых запросов. Установка чат-интерфейса сама по себе не является бизнес-результатом.
2. Согласованы ли ключевые метрики. Для основных показателей должны быть закреплены формулы, источники, владельцы, ограничения и правила интерпретации. Если подразделения используют разные версии показателя, AI только ускорит распространение расхождений и сделает их более убедительными.
3. Можно ли проверить ответ. Пользователь должен видеть, какие данные, фильтры и определения использовала система. Убедительно сформулированный, но невоспроизводимый ответ нельзя использовать как основание для решения. В случае прогнозной аналитики требуется закреплять доверительные интервалы и уровень уверенности модели в каждом ответе.
4. Определены ли границы автономности. Необходимо разделить операции, которые AI выполняет самостоятельно, предлагает пользователю, выполняет только после подтверждения или не должен выполнять ни при каких условиях.
5. Сохраняются ли права во всех интерфейсах. Ограничения должны действовать не только внутри дашборда, но и при обращении через AI-ассистента, API или MCP. Наличие RLS/CLS в BI-системе ещё не означает, что те же правила автоматически применяются во внешнем агентном интерфейсе — это нужно проверять отдельно.
6. Фиксируются ли решения и действия агента. Компания должна иметь возможность восстановить, какие данные использовал AI, какой результат сформировал и кто подтвердил дальнейшее действие.
7. Поддерживает ли архитектура локальные сценарии. Для многих российских организаций критичны on-premise-развёртывание, использование одной или множества локальных языковых моделей и обработка данных без передачи во внешнее облако. Эти требования необходимо учитывать до начала пилота, а не после разработки AI-сценария.
В начале 2026 года российский BI-рынок обсуждал переход от витрин к управленческой аналитике. К середине года стал заметен следующий этап: BI начинает превращаться в среду, внутри которой работают не только пользователи, но и AI-агенты, способные выполнять всё более сложные задачи.
Главное изменение заключается не в появлении очередного чат-интерфейса. Аналитические системы постепенно переходят от ответа на вопрос к подготовке рекомендаций и выполнению ограниченных действий.
Однако для этого недостаточно подключить языковую модель к витрине данных. Необходимы согласованная семантика, проверяемые показатели, понятные полномочия, аудит и единые правила доступа. Без этого фундамента агентная аналитика превращается не в инструмент управления, а в источник рисков, который создаёт иллюзию эффективности при отсутствии реальной управляемости.
Поэтому главный тренд второго полугодия 2026 года — переход от BI, который показывает и объясняет, к BI, который помогает действовать, сохраняя контроль, безопасность и ответственность. Это не отказ от старых принципов, а их развитие и адаптация к новым возможностям, которые открываются с развитием AI-агентов и семантических технологий.
Это новость от журнала ММ «Машины и механизмы». Не знаете такого? Приглашаем прямо сейчас познакомиться с этим удивительным журналом.
