ИИ в финансовой аналитике: от текстового запроса до готового дашборда за несколько минут

Меня зовут Данила Ильичев, я инженер-аналитик продукта Digital Q.Sensor BI в компании «Диасофт». Недавно я провел вебинар, на котором мы разбирали практический вопрос: как далеко сегодня можно зайти в финансовой аналитике, если отдать часть рутинной работы искусственному интеллекту. Полную запись смотрите на нашем Rutube-канале.

Но прежде чем перейти к эксперименту с ИИ, коротко расскажу, откуда возникла эта задача и почему мы в «Диасофт» смотрим на нее с точки зрения реальных корпоративных процессов, а не как на очередную демонстрацию возможностей LLM.

«Диасофт» работает на рынке ИТ более 35 лет. В компании свыше 2200 сотрудников, разработано более 250 программ, а решениями «Диасофт» ежедневно пользуются как минимум 150 клиентов. Среди них – банки, страховые организации, промышленные компании и госструктуры.

Для нашей темы важно то, что значительная часть этого опыта связана с финансовым сектором. Мы много лет работаем с системами, где цена ошибки в данных и аналитике выше, чем в абстрактном демопроекте.

Поэтому ИИ в финансовой аналитике для нас – это не история про модную технологию, которую нужно куда-нибудь встроить ради факта использования AI.

В первую очередь это вопрос: какие этапы аналитики можно ускорить с помощью ИИ, сохранив контроль над данными, расчетами и результатом.

Одним из ответов стала платформа Digital Q.Sensor BI.

Что такое Digital Q.Sensor BI: возможности ИИ в финансовой аналитике

Прежде чем говорить о самом продукте, объясню, зачем мы его создавали и какую проблему хотели решить.

Возможно, вам знакома ситуация: данные в компании есть, но цельной картины по ним нет. Информация распределена между CRM, ERP, учетными системами, базами данных, Excel-таблицами и другими источниками. Чтобы собрать управленческий отчет, аналитику приходится искать и сводить данные, рассчитывать показатели и только потом переходить к визуализации.

В итоге даже простой запрос бизнеса вроде «покажите динамику продаж по регионам и сравните ее с планом» превращается в многоступенчатую задачу для ИТ:

Если таких задач много, разработка оказывается перегружена, а новый отчет может готовиться неделями. В результате руководитель принимает решение не по текущей картине, а по вчерашним данным.

Именно здесь, на мой взгляд, ИИ в финансовой аналитике дает заметный эффект. Не потому, что нейросеть внезапно научилась быть финансовым директором. А потому, что она берет на себя часть технической работы между вопросом пользователя и готовой визуализацией.

Почему в сфере финансов это особенно чувствительно:

• высока цена ошибки;

• большие объемы данных;

• много взаимосвязанных показателей.

• выше требования к скорости получения информации.

Если отклонение по ликвидности, продажам или портфелю замечают только через несколько дней, ценность такой аналитики снижается.

Эту проблему мы и старались решить с помощью Digital Q.Sensor BI.

Несколько слов о платформе

Digital Q.Sensor BI – это self-service BI-решение для визуализации и анализа корпоративных данных.

Изначально платформа создавалась для внутренних задач «Диасофт». Нам нужен был инструмент для быстрой работы с данными без отдельной разработки каждого отчета. Постепенно мы поняли, что наши клиенты также сталкиваются с этой проблемой. Так внутреннее решение превратилось в самостоятельный продукт.

Отсюда главный принцип Digital Q.Sensor – сделать работу с BI проще и быстрее. Вместо тяжеловесного решения с долгим внедрением и постоянным участием разработчиков – легковесный BI, который можно быстро развернуть. А многие задачи пользователь решает самостоятельно в связке с ИИ-агентами.

Идея простая: от бизнес-вопроса до готового дашборда не должны проходить недели разработки.

В нашем продукте создать дашборд можно несколькими способами:

• Привычный self-service и no-code. Пользователь выбирает источник, поля, формулы, вид визуализации через интерфейс.

• С помощью ИИ-ассистента. Пользователь описывает задачу текстом, а агент помогает сформировать запросы, подобрать показатели, определить визуализации, собрать дашборд.

При этом возможности продукта не ограничиваются графиками. С его помощью можно:

• объединять бизнес-показатели из разных источников в едином интерфейсе;

• настраивать автоматическое обновление данных;

• строить ситуационные центры;

• задавать алерты по бизнес-показателям;

• отправлять уведомления через внешние каналы;

• встраивать аналитику в сторонние приложения в виде виджетов;

• выводить представления на компьютеры и мобильные устройства с учетом адаптивности интерфейса.

BI здесь становится верхним слоем над корпоративными данными: показывает текущее состояние процессов и сообщает, если показатель вышел за установленные границы.

И именно поверх этой базы мы развиваем сценарии финансовой аналитики с ИИ.

На вебинаре я проверил практическую задачу. У нас есть:

• корпоративный источник данных;

• пустой дашборд;

• текстовый запрос на русском языке.

Сколько действий нужно совершить между этими тремя точками, чтобы руководитель увидел выручку, структуру продаж, финансовые нормативы и транзакционную активность?

Уже сейчас ответ может звучать непривычно: несколько минут.

Я попросил ИИ собрать четыре визуализации, настроить фильтрацию по региону, выбрать конкретные типы графиков и разместить их на дашборде. Пока агент выполнял задачу, мы успели настроить автообновление и алертинг. Когда вернулись – основная часть дашборда была готова.

Дальше разберем эту демонстрацию подробнее: архитектуру, конкретный промпт, работу ИИ, его ошибки и вопросы участников вебинара.

Что находится под дашбордом

Чтобы понять, как ИИ помогает в финансовой аналитике, полезно сначала посмотреть на архитектуру без искусственного интеллекта.

Если упростить, путь данных выглядит так:

источники данных → подготовка и хранение → BI → дашборд → пользователь

Источниками выступают АБС, CRM, ERP, 1С и другие корпоративные системы. Дальше архитектура зависит от масштаба и зрелости инфраструктуры. В сложных проектах информация проходит через ETL-процессы, хранилища и аналитический витрины.

Но это не единственный вариант. Если сценарий проще и объем данных позволяет, Digital Q.Sensor BI может работать непосредственно с источником:

• базой данных,

• ее репликой,

• готовой витриной

• программным интерфейсом API.

То есть строить отдельную многослойную инфраструктуру только ради визуализации необязательно.

Digital Q.Sensor в этой архитектуре отвечает за последний участок пути – превращает данные в представление, с которым работает пользователь.

Условно:

источники → подготовка и хранение → Digital Q.Sensor BI → пользователь

Результат может отображаться:

• на рабочем компьютере;

• на мобильном устройстве;

• на экране ситуационного центра;

• внутри другого приложения через встроенный виджет.

А если произошло важное изменение показателя, система отправит уведомление во внешний канал.

Поверх этого аналитического слоя можно добавить искусственный интеллект. В нашей демонстрации для этого используются WebMCP-инструменты. Через них BI работает с большими языковыми моделями – локальными или облачными. Такой подход позволяет быстрее добавить AI-функции, например, упростить создание дашбордов, без перестройки все архитектуры.

Для более масштабных сценариев предусмотрен отдельный контур на базе другой нашей платформы Digital Q.Agents. Но это уже следующий уровень интеграции ИИ.

В демонстрации мы подключались напрямую к базе данных. При этом подход не привязан к конкретной СУБД. Среди источников могут быть PostgreSQL, Greenplum, ClickHouse, Prometheus, OpenSearch и другие системы.

Если нужного источника нет среди преднастроенных провайдеров, можно указать параметры подключения отдельно.

И вот что важно: BI для финансов не требует полного переезда корпоративных данных в отдельную систему ради визуализации. Если архитектура уже выстроена, Digital Q.Sensor становится верхним аналитическим слоем над ней.

Что еще умеет Digital Q.Sensor BI кроме обычных дашбордов

При слове BI легко представить красивые графики и дашборды. Но просто нарисовать диаграмму — полдела. Настоящая польза начинается дальше: 

• вовремя заметить отклонение:

• собрать показатели из разных систем:

• донести нужную информацию до пользователя, пока она еще актуальна. 

В Digital Q.Sensor BI для этого есть несколько сценариев.

Ситуационные центры

Дашборд может работать в режиме постоянного мониторинга и регулярно обновлять показатели.

Это полезно, когда важно не только анализировать исторические данные, но и видеть состояние процесса практически в реальном времени.

Алертинг

Необязательно постоянно смотреть на дашборд, чтобы заметить проблему. Для выбранного показателя можно задать условие, при котором система отправит уведомление.

Если значение выходит за установленную границу, пользователь получит сообщение через выбранный канал.

Контроль бизнес-показателей в одном интерфейсе

Если для управленческой картины нужны показатели из разных систем, их можно собрать в едином дашборде.

Так бизнес видит общую картину в одном месте, не переключаясь между источниками.

Встраивание аналитики

Дашборд необязательно открывать в отдельной BI-системе.

Нужные элементы можно встроить в рабочее приложение в виде виджетов и показывать аналитику там, где пользователь работает с ней каждый день.

ИИ для работы с данными

Часть рутины можно передать ИИ-агентам. По текстовому запросу они помогают сформировать запрос к данным, подобрать метрики, найти отклонения и подготовить визуализацию.

В результате аналитик меньше времени тратит на технические операции и больше – на сам анализ данных и выводы.

Сначала без ИИ: как собирается график в no-code

Перед демонстрацией ИИ я специально показал традиционный сценарий.

Любой график в BI можно разделить на две части:

1. Данные, которые мы хотим показать.

2. Способ их визуализации.

В no-code-редакторе сначала выбирается источник, таблицы и поля. В нашем простом примере это были дата, процент конверсии и флаг текущего дня.

Затем задается тип визуализации: столбчатая, линейная, круговая диаграмма, сводная таблица. После настраиваются оси, масштабирование, параметры отображения и другие свойства.

Визуализации собраны в библиотеку компонентов, но жестких рамок здесь нет. Если стандартных настроек не хватает — например, нужно особое поведение осей или самого графика, — их можно добавить через шаблоны. Ждать, пока вендор доработает интерфейс, не придется. 

Если нужной метрики нет в источнике, ее можно рассчитать прямо в BI. Например, в демонстрации мы добавили вычисляемую колонку с процентом выполнения плана.

Это уже снимает часть нагрузки с разработчиков, но рутины все равно хватает: найти нужные данные, задать формулу, выбрать график, настроить отображение. И тут возникает логичный вопрос: а зачем делать все это руками? Именно эту работу мы и решили отдать ИИ. 

Эксперимент: пустой дашборд + один промпт

Я открыл пустой дашборд и описал задачу обычным текстом.

В запросе было четыре блока:

1. Показать выручку по продуктам за последний год. Причем я сразу уточнил, что хочу вертикальную столбчатую диаграмму и значения в миллионах рублей.

2. Показать структуру выручки за последний квартал в виде кольцевой диаграммы.

3. Вывести NPL и LCR относительно нормативов ЦБ в формате спидометров с заданными цветовых зон.

4. Построить тепловую карту карточных транзакций по дням недели и категориям расходов.

Поверх этого я попросил добавить фильтр по региону и расположить четыре графика сеткой 2×2.

Обратите внимание: это уже не запрос уровня «покажи продажи». Здесь описан не только бизнес-смысл, но и ожидаемый интерфейс.

Это хороший пример того, чем финансовый анализ с ИИ отличается от обычного чат-бота.

Мы не спрашиваем модель: «Какая у нас выручка?»

Мы поручаем ей создать аналитический инструмент для работы с корпоративными данными.

ИИ должен:

• понять структуру задачи,

• разобраться в доступной схеме данных,

• подготовить выборки,

• определить метрики,

• сформировать запросы,

• создать визуализации

• собрать результаты в единый интерфейс.

После отправки промпта агент создал запрошенные представления. Исходный текстовый запрос превратился в рабочий черновик дашборда.

Слово «черновик» здесь принципиально.

Одна из самых опасных ошибок в разговорах про использование ИИ в финансовом анализе – предполагать, что модель обязана с первой попытки выдать финальный результат.

Не обязана. И во время демонстрации мы это специально не скрывали.

Я попросил ИИ добавить подписи для топ-5 секторов кольцевой диаграммы. Он выполнил задачу неидеально: появились пустые подписи. После этого я уточнил запрос: у секторов, не входящих в топ-5, подписей быть не должно. ИИ исправил результат. Такой режим мне кажется реалистичнее:

промпт → черновик → просмотр → уточнение → исправление → проверка

Мы заменяем длинную цепочку ручной разработки коротким диалогом с агентом, но не убираем из процесса человека. При необходимости аналитик может проверить созданную логику и изменить ее вручную.

Получается комбинация трех способов работы:

То есть появление ИИ не отменяет остальные способы работы. Оно добавляет еще один – самый короткий для большого класса задач.

Дашборд нужен не только для того, чтобы на него смотреть

Есть важный момент, о котором легко забыть, когда обсуждается AI финансовая аналитика. Даже идеальный график бесполезен, если его приходится постоянно открывать и проверять вручную.

Поэтому аналитика – это не только визуализация прошлого. Она может быть механизмом реакции на происходящее.

На вебинаре я показал график конверсии заявок с периодически изменяющимся последним значением. Чтобы не нажимать кнопку обновления вручную, мы включили автоматическое обновление данных. В Digital Q.Sensor его интервал задается на уровне дашборда и конкретных представлений.

Следующий шаг – ситуационный центр и алертинг. Система сама сообщает, когда показатель требует внимания.

Например, мы задали условие: если к 14:00 выполнение плана продаж будет ниже 85%, отправить уведомление.

Для алерта можно настроить:

• показатель;

• частоту проверки;

• условие срабатывания;

• текст;

• канал доставки.

В демонстрации мы настроили отправку уведомлений на электронную почту. В Digital Q.Sensor BI их также можно получать через мессенджер MAX. 

Получателю не нужно сначала увидеть сообщение «продажи низкие», затем открыть BI, найти нужную страницу и разбираться, что произошло. Контекст приходит вместе с сигналом.

В этом, на мой взгляд, заключается одна из практических сторон автоматизации финансовой отчетности. Автоматизировать можно весь цикл:

изменение показателя → обнаружение → визуальный контекст → уведомление → решение человека

За счет чего ИИ работает с Digital Q.Sensor

В демонстрационном сценарии ИИ взаимодействует с Digital Q.Sensor BI через WebMCP-инструменты. При этом большая языковая модель может быть облачной или развернутой локально внутри инфраструктуры компании.

На вебинаре я показал легковесный сценарий, который можно быстро запустить без внедрения отдельной ИИ-платформы. Для более сложных задач у «Диасофт» есть платформа Digital Q.Agents. Но в рамках этой демонстрации я сознательно ее подробно не разбирал. Было важно показать простой путь от текстового запроса к дашборду.

И в этом, на мой взгляд, есть практический смысл. Начинать знакомство с ИИ в финансовой аналитике необязательно с большого инфраструктурного проекта. Иногда правильнее сначала проверить ИИ-агента на конкретной задаче и оценить, насколько он действительно экономит время.

Что ИИ знает о корпоративных данных

После презентации этот вопрос закономерно возник одним из первых. Если модель строит финансовый дашборд, получает ли она доступ к финансовым данным?

В нашем сценарии – нет. ИИ работает со структурой источника: видит таблицы, колонки и их описание. Если названия понятны, часть семантики модель способна определить из схемы.

Условно:

• clients

• transactions

• sales_plan

• region

• revenue

• transaction_date

уже дают довольно много контекста.

Но корпоративные базы редко выглядят настолько дружелюбно. В реальной системе могут быть таблицы и поля с внутренними сокращениями, исторически сложившимися обозначениями и именами, смысл которых без документации знает только несколько человек.

Поэтому в Digital Q.Sensor можно добавить описание базы для ИИ:

• что хранится в конкретной таблице;

• что означает тот или иной набор полей;

• как модель должна интерпретировать структуру источника.

Часть таких описаний формируется автоматически, а пользователь при необходимости их дополняет.

Получается шпаргалка для агента. Например:

• TABLE SALES_PLAN – плановые показатели продаж по подразделениям;

• FIELD REGION_ID – идентификатор региона;

• FIELD PLAN_VALUE – план продаж на период.

По схеме и описаниям агент понимает, какие выборки ему понадобятся, формирует SQL-запросы и создает визуализации.

Для финансовых организаций эта архитектурная деталь, очевидно, важнее красивой генерации графиков.

Где может работать сама модель

Следующий логичный вопрос: если появляется LLM, где она физически находится?

Возможны два варианта: модель можно развернуть внутри инфраструктуры организации или использовать через облачного провайдера. На вебинаре мы выбрали облачный вариант.

Для локального размещения подходят, например, open-source-модели класса Qwen и DeepSeek. Для таких задач необязательно использовать самые тяжелые модели.

Архитектура зависит от требований компании к безопасности и инфраструктуре. Для быстрого пилота подойдет облако, проверить ценность финансового анализа с помощью ИИ. При более строгих требованиях можно развернуть модель локально.

Самый неудобный вопрос: галлюцинирует ли ИИ?

Меня спросили: если отчет собирается на продуктивных данных, как понять, что ИИ не придумал цифры?

Короткий ответ: дашборд нужно проверять. И я бы не стал смягчать эту формулировку.

Любая финансовая аналитика с ИИ, результат которой влияет на реальные решения, требует верификации. Но важно правильно определить источник риска.

В нашем сценарии модель не сидит где-то отдельно и не сочиняет число выручки на основании своего «знания мира». Она формирует логику получения данных. В частности, SQL-запросы для визуализации.

Эту логику можно открыть и проверить:

• из какой таблицы берутся данные;

• какие поля используются;

• какие JOIN сформированы;

• какие фильтры применены;

• как рассчитываются показатели.

При необходимости можно вмешаться вручную. То есть результат ИИ не превращается в черный ящик – Digital Q.Sensor оставляет возможность проверить созданную логику.

Важный момент – люди тоже ошибаются:

• аналитик может выбрать не ту таблицу;

• разработчик – неправильно написать JOIN;

• пользователь Excel – указать неверный диапазон.

Ошибки в финансовом отчете были задолго до появления LLM.

Поэтому вопрос лучше ставить не так:

«Может ли ИИ ошибиться?»

Конечно, может.

Правильнее:

«Можно ли проверить, что именно сделал ИИ, и исправить ошибку до принятия решения?»

Если ответ «да» – процесс управляемый.

Если «нет» – я бы не доверял такой системе финансовую аналитику независимо от того, насколько хороша используемая модель.

Что делать с 1С

Несколько вопросов подряд были про 1С, поэтому отдельно зафиксирую ответ.

Если исходные данные возникают в 1С, то само по себе это не препятствие. Digital Q.Sensor BI может работать с базой 1С, ее репликой или подготовленной витриной.

Конкретная архитектура зависит от проекта:

1С → база/реплика → Digital Q.Sensor BI

или:

1С → ETL → витрина → Digital Q.Sensor BI.

Для наполнения витрины можно использовать ETL-механизмы, в том числе нашу платформу Digital Q.DataFlows.

То есть главное – определить источник данных для аналитики. Уже поверх него работают no-code, BI дашборды финансовой аналитики, ИИ-агент.

Может ли ИИ не строить дашборд, а анализировать уже существующий

Что делать, если BI-система в компании уже есть и создавать еще один дашборд не нужно? Можно ли подключить ИИ к существующим отчетам, чтобы он анализировал показатели, проводил реконсиляцию и формировал выводы?

Да, такой сценарий возможен, но реализация зависит от BI-системы. ИИ может получать данные через API, файлы, другие представления или анализировать информацию на экране.

При этом важно определить:

• какие данные и метаданные доступны;

• что именно должен анализировать ИИ;

• как проверять результат.

Поэтому финансовая ИИ-аналитика – это не только генерация дашбордов. Возможные сценарии шире:

• анализ показателей и поиск отклонений;

• объяснение изменений и подготовка рекомендаций;

• работа с файлами и API;

• анализ экранных представлений;

• автоматизированная проверка показателей.

Дашборд по текстовому запросу – лишь один из наглядных примеров.

И все-таки: это попытка заменить финансового аналитика или управленца?

На вебинаре вопрос сформулировали жестче: не пытаемся ли мы заменить управленца, который должен принимать решение?

Нет. ИИ решает другую задачу – сокращает путь от аналитического запроса до информации, на основе которой человек принимает решение. А алертинг помогает быстрее узнать об отклонениях.

Представим два сценария.

Без автоматизации

• В 13:40 показатель начинает отклоняться от плана.

• В 15:00 руководитель открывает отчет.

• В 15:10 замечает проблему.

• В 15:20 начинает выяснять причины.

С ситуационным мониторингом

• В 13:40 показатель пересекает заданный порог.

• Система это обнаруживает.

• Руководитель получает уведомление вместе с визуальным контекстом и принимает решение.

ИИ не решает, менять ли план продаж, перераспределять ли ресурсы или запускать ли управленческое действие. Его задача – сократить механическую часть пути к информации.

Поэтому на вопрос «как ИИ помогает в финансовой аналитике» я бы ответил так: он уменьшает стоимость получения нового аналитического представления и время реакции на изменения, но ответственность за интерпретацию и решение остается за человеком.

Где проходит реальная граница автоматизации

После демонстрации у меня сложилась простая схема.

Есть задачи, которые уже сейчас можно передавать машине почти полностью:

• подготовить черновик SQL-запроса;

• выбрать поля из описанного источника;

• создать несколько стандартных визуализаций и собрать их в дашборд;

• добавить фильтры и изменить представление по текстовой команде.

Есть задачи, где ИИ полезен, но нужен контроль:

• сложные JOIN;

• расчет бизнес-метрик;

• выбор нормативов и порогов;

• интерпретация неоднозначно названных данных;

• проверка дашборда;

• анализ показателей, влияющих на финансовые решения.

И есть задачи, которые модель не должна «додумывать»:

• отсутствующие в источнике данные;

• несуществующие связи;

• бизнес-правила, которые нигде не описаны;

• решение о том, какое управленческое действие нужно совершить в ответ на показатель.

Это и есть, на мой взгляд, рациональное использование ИИ в финансовом анализе. Не искать одну большую кнопку «автоматизировать финансы», а разложить процесс на операции и понять, какие из них выгодно передать агенту.

Что меняется для самого аналитика

Раньше часть времени специалиста могла уходить на перевод задачи с бизнес-языка на технический:

• «Покажи динамику» превращается в выбор таблиц.

• «Только по этому региону» – в фильтр.

• «Сравни с планом» – в формулу.

• «Хочу видеть это каждый день» – в настройку дашборда.

Теперь появляется дополнительный слой, который умеет выполнять часть этого перевода автоматически.

Поэтому ценность аналитика смещается к содержательным задачам:

правильно поставить вопрос → понять данные → проверить логику → интерпретировать результат

ИИ не убирает аналитика из процесса – он убирает из его работы часть рутины.

А как же разработчики?

Похожая история происходит и с разработкой.

Self-service, no-code и ИИ позволяют решать больше задач без разработчиков. Пользователю уже необязательно знать каждую настройку интерфейса – достаточно правильно описать результат.

Но инженерная работа никуда не исчезает. Чем серьезнее аналитический контур, тем важнее:

• архитектура источников;

• качество данных;

• права доступа;

• производительность запросов;

• ETL;

• витрины;

• интеграции;

• эксплуатация;

• контроль изменений.

ИИ уменьшает объем ручной работы на верхнем уровне, но не отменяет инженерный фундамент.

Можно построить дашборд за несколько минут. Но магии не случится: если на входе хаос, на выходе получится тот же хаос, только в красивой обертке.

Пять выводов после живой демонстрации

После вебинара я бы сформулировал их так.

Первый: текст становится полноценным интерфейсом к BI

Пользователю необязательно знать все настройки конструктора, чтобы получить первый рабочий вариант аналитического представления. Достаточно точно объяснить, что требуется.

Второй: ИИ хорошо работает вместе с self-service, а не вместо него

Если задача простая, график можно собрать руками в no-code. Если быстрее описать результат словами – подключить агента. Если нужна тонкая настройка – открыть результат и исправить вручную.

Третий: ИИ ускоряет разработку, но не создает отсутствующую семантику данных

Если данные подготовлены и понятны, результат можно получить очень быстро. Если в источнике хаос, генеративная модель его не исправит автоматически.

Четвертый: Доверяй, но проверяй

ИИ ошибается. Люди тоже. Поэтому правильный вопрос – можно ли увидеть созданную логику, проверить запросы, сделать контрольные выборки и вмешаться вручную.

Пятый: конечное решение остается за человеком

ИИ строит, перестраивает и помогает анализировать. Q.Sensor отслеживает показатели и сигнализирует об отклонениях. Но финансовое или управленческое решение принимает специалист.

Заключение

Еще несколько лет назад фраза «создать корпоративный финансовый дашборд текстовым запросом» звучала бы как концепт для презентации. Сейчас я показал это вживую с помощью Digital Q.Sensor BI.

Пользователь описывает задачу, агент изучает структуру данных, формирует запросы и собирает дашборд. Результат можно уточнить в диалоге, а созданную логику – проверить вручную.

При этом Digital Q.Sensor BI остается полноценным BI-инструментом и без агента, с помощью которого можно:

• собирать представления в no-code,

• подключать разные источники данных,

• рассчитывать показатели,

• создавать интерактивные дашборды,

• встраивать виджеты в другие приложения,

• выводить данные на разные устройства.

Дополняют это автоматическое обновление и алертинг: система следит за показателями и сообщает об отклонениях.

Для меня в этом и заключается практический смысл финансового анализа с помощью ИИ.

Не в том, чтобы нейросеть вместо финансового директора решила, куда направить деньги компании. И не в том, чтобы аналитик перестал отвечать за качество своих выводов. А в том, чтобы сократить путь от вопроса до инструмента, который помогает найти ответ.

По итогам демонстрации я бы описал новый цикл так:

источники → вопрос → промпт → черновик дашборда → проверка → мониторинг → сигнал → решение

Раньше самым длинным участком этой цепочки было создание аналитического инструмента. Теперь этот участок можно измерять минутами.

Здесь ИИ в финансовой аналитике превращается из эксперимента в рабочий инструмент.

А дальше начинается сложная и интересная работа: научиться пользоваться этой скоростью так, чтобы не потерять контроль над данными и качеством решений.

Если хотите проверить Digital Q.Sensor BI на своих данных и задачах, платформу можно бесплатно протестировать в течение 6 месяцев.