Зона 4 — Оперирование (черновик разведки)¶

Собрано по рамке razvedka-ramka.md. Проект → О проекте.

Главный вывод вперёд, потому что он определяет чтение всего остального. Гипотеза рамки подтвердилась: зона почти пустая. Найден ровно один текст, который по признаку рамки является методологией — описывает процесс, роли, артефакты и способ проверки, а не кнопку. Это публикация дата-команды Anthropic. Всё прочее делится на три кучи: продуктовые описания с приклеенным словом «процесс», отраслевой стандарт на формат метрики (не процесс), и аналитические рамки Gartner, которые задают словарь, но лежат за платной стеной. Отдельно замечу: в зоне 3 хотя бы спорят о том, сколько прав дать агенту. В зоне 4 никто внятно не спрашивает, кто отвечает за решение, принятое по агентной сводке, — и это самое большое белое пятно всей разведки.

Найденные подходы¶

1. Четырёхслойный стек самообслуживаемой аналитики (Anthropic)¶

Единственная находка зоны, полностью проходящая по признаку методологии.

Кто держит: дата-команда Anthropic. Авторы: Josh Cherry, Clement Peng, Johanne Jiao, Justin Leder, Chen Chang.
Источник: https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude — 03.06.2026.
Артефакты (у каждого слоя своё имя и свой закрываемый отказ):
Data Foundations — канонические датасеты, принудительные стандарты, метаданные как продукт. Закрывает разнобой источников.
Sources of Truth — семантический слой (метрики и разрезы), граф зависимостей, корпус исторических запросов, бизнес-контекст. Закрывает двусмысленность: «weekly active users» превращается в конкретную управляемую сущность, и агент сначала идёт в семантический слой, а не пишет SQL по сырым таблицам. Цель сформулирована как «одно число»: метрика разрешается одинаково в дашборде, в ноутбуке и в разговоре с агентом.
Skills — процедурное знание в markdown-папках, парная конструкция: knowledge skill сужает пространство поиска примерно до 30 курируемых справочных файлов, runbook skill кодирует рабочий ход старшего аналитика. Закрывает провал извлечения.
Validation — офлайн-эвалы, абляционные тесты (что будет, если убрать слой), онлайн-мониторинг. Закрывает устаревание.
Роли (человек / агент): агент — сопоставление вопроса сущностям модели, обращение к семантическому слою, генерация SQL, анализ. За человеком осталось прямо перечисленное: курирование определений метрик (их не генерируют автоматически), ведение справочной документации, эталонные ответы для офлайн-эвалов, ревью содержания skills по доменам, управление качеством данных. Отдельная деталь: 90% изменений моделей данных сопровождаются обновлением документации — это норма процесса, а не пожелание.
Что отдано агенту: 95% запросов бизнес-аналитики. Дата-сайентисты высвобождены под прогнозирование, каузальное моделирование и ML.
Числа: ~95% точности в агрегате, до 99% в отдельных доменах. Ключевое: без skills точность упиралась в 21%, со skills — устойчиво выше 95%. И контрольный факт против интуиции: выдача агенту всего исторического корпуса запросов сдвинула точность меньше чем на процентный пункт — узкое место не в объёме сведений, а в их структуре. Цена валидации названа честно: состязательная проверка добавляет 72% задержки и 32% токенов.
Что признано нерешённым: тихие отказы — правдоподобный, но неверный ответ, который расходится по компании без возражений. Смягчают сносками о происхождении данных и проверками KPI на вменяемость, но надёжного решения нет. Это ровно та дыра, которую в зоне и следовало искать.
Зрелость: пилоты — по шкале рамки, хотя подтверждение необычно сильное: описан работающий процесс одной компании с числами и с признанием собственных провалов. Для «промышленной практики» не хватает независимых внедрений: воспроизведений в других компаниях с их числами не нашёл, есть только сторонние попытки повторить конструкцию (открытый ktx — «контекстный движок для дата-агентов», упакованный по тем же четырём слоям; CorralData — коммерческий пересказ «как запустить это быстрее»).
Модель-агностичность: переносим в несущей конструкции — четыре слоя, «одно число», skills как курируемое процедурное знание, эвал с абляцией не зависят от модели. Иллюстрация идёт на Claude, источник вендорский и заинтересованный: Anthropic показывает, что её модель хороша в аналитике. Но заметим: главный вывод текста — «дело не в модели, а в обвязке» — работает против интереса автора, что повышает доверие к нему.
Чем подтверждено: практика (отчёт о собственном производственном процессе с числами и с описанием того, что не получилось).

2. Open Semantic Interchange (OSI) v1.0 → Apache Ossie¶

Кто держит: отраслевой консорциум вокруг семантических слоёв (в инициаторах — Snowflake, Salesforce/Tableau, dbt Labs и другие). С июня 2026 проект передан в инкубатор Apache Software Foundation под именем Ossie.
Источник: https://www.snowflake.com/en/blog/open-semantic-interchanges-specs-finalized/ и https://www.getdbt.com/blog/the-osi-spec-updates — спецификация v1.0 опубликована 27.01.2026, лицензия Apache 2.0, формат YAML, репозиторий на GitHub.
Артефакты: сама спецификация — вендор-нейтральное описание конструкций семантического слоя: датасеты, метрики, разрезы, связи, контексты. Метрика определяется один раз, и любой инструмент, читающий OSI, понимает её одинаково.
Роли (человек / агент): человек пишет и версионирует определение. Агент из него читает. Разделение простое и жёсткое: определять метрику агенту не дают.
Что отдано агенту: ничего — это не процесс, а формат. Помещаю в отчёт потому, что без него ни один процесс в зоне не собирается: без общего определения метрики агентная сводка не воспроизводима.
Зрелость: пилоты на пути к промышленной — подтверждено фактом финализации спецификации, передачей в Apache Incubator и заявленной поддержкой в независимых реализациях (dbt, Cube, Snowflake, Salesforce). Чисел о внедрениях в конечных компаниях не нашёл.
Модель-агностичность: вендор-нейтральный по конструкции — редчайший случай во всей разведке; над ним стоит фонд, а не компания.
Чем подтверждено: практика (опубликованный стандарт с открытой лицензией и управляющим органом).
Честная оговорка: это артефакт, не методология. По признаку рамки в чистом виде не проходит и включён как несущий элемент, без которого остальное не держится.

3. Gartner: Market Guide for Agentic Analytics (2026) — определение категории¶

Кто держит: Gartner.
Источник: https://www.gartner.com/en/documents/6198355 — редакция 2026 года. Текст платный; читал по цитатам в распространяемых вендорами копиях (ThoughtSpot, Cube, Unsupervised), то есть по вторичным источникам, а не по оригиналу.
Определение (цитируется вендорами дословно): программное обеспечение для анализа данных, применяющее ИИ-агентов по всему пути от данных к инсайту, полуавтономно или автономно оркестрируя задачи под заявленные цели, чтобы поддержать, усилить или автоматизировать получение инсайтов.
Артефакты / возможности: обязательные — подключение к источникам, подготовка данных, оркестрация агентного процесса, автоматические инсайты, запрос на естественном языке. Опциональные — сторителлинг, помощник по коду, вызов функций, память агента, встроенная аналитика, администрирование платформы.
Роли: прямо не расписаны. Названы факторы, по которым разойдутся лидеры рынка: семантическая согласованность, объяснимость, контроль стоимости и рамки делегирования — последнее ближе всего к вопросу о ролях, но не раскрыто в доступных цитатах.
Зрелость: идея / рамка рынка. Это карта категории для закупщика, не процесс для команды.
Модель-агностичность: переносим (аналитик независим от вендоров), но сам документ распространяется вендорами в собственных интересах — каждая копия сопровождается «и мы там упомянуты».
Чем подтверждено: мнение аналитика; в моих руках — вторичные цитаты.

4. Gartner: Decision Governance — ответственность за решение по цифрам¶

Единственная найденная попытка ответить на прямой вопрос задания: кто отвечает за решение, принятое по агентной сводке.

Кто держит: Gartner, обзор трендов Data & Analytics на 2026 год.
Источник: https://www.gartner.com/en/documents/7440362 «Top Trends in D&A for 2026: Reducing GenAI Risk With Decision Governance». Платный; доступна аннотация и пересказ пресс-релиза https://www.gartner.com/en/newsroom/press-releases/2026-03-11-gartner-announces-top-predictions-for-data-and-analytics-in-2026 (11.03.2026).
Конструкция: «decision governance» — рамка подотчётности для безопасных, этичных, прозрачных, воспроизводимых и ориентированных на результат решений, собранная из трёх привычных элементов управления данными: попечительство (stewardship), политики, метрики.
Роли: ответственность смещается с транзакции на политику. Формулировка, которую стоит запомнить: вопрос меняется с «кто нажал кнопку» на «какой guardrail допустил этот исход».
Прогноз, приведённый там же: к 2030 году половина провалов внедрения агентов будет объясняться недостаточным принуждением к правилам во время исполнения.
Зрелость: идея. Ни одного описанного внедрения.
Модель-агностичность: переносим.
Чем подтверждено: мнение аналитика; читал по аннотации и пресс-релизу, не по полному тексту.

5. InsightBench и AgentPoirot (ServiceNow Research) — чем меряют качество агентной аналитики¶

Кто держит: ServiceNow Research.
Источник: https://arxiv.org/abs/2407.06423 — принято на ICLR 2025. Код: https://github.com/ServiceNow/insight-bench
Артефакты: 100 датасетов, выведенных из платформы ServiceNow, по темам управления инцидентами, пользователями, финансами, запасами и корпоративными целями. К каждому — эталонный ноутбук разбора. Данные сконструированы: сначала выбирается схема, потом формулируется тренд, который надо будет обнаружить, потом синтезируются записи, следующие этому тренду, потом пишется эталон.
Что оценивается (и чем это ценно): не ответ на один вопрос, а сквозная аналитика — агент сам формулирует вопросы, интерпретирует ответы и выдаёт сводку инсайтов с шагами к действию. Оценка двусторонняя, судьёй выступает открытая модель (LLaMA-3-Eval). Базовый агент AgentPoirot опубликован как эталон сравнения.
Роли: человек задаёт тренд и эталон, агент проходит цикл сам.
Зрелость: промышленная практика в нише оценки — рецензированная площадка, открытые код и данные, воспроизводимость. Как способ работать с бизнес-метриками — не применяется, это стенд.
Модель-агностичность: переносим полностью, судья открытый.
Чем подтверждено: практика (рецензированное исследование).
Зачем в зоне: ближе всего подходит к вопросу «кто отличает сигнал от шума методически» — здесь тренд, который надо найти, заложен заранее, и потому попадание проверяемо. Это единственный найденный воспроизводимый способ проверить агентную сводку.

Кто держит: Databricks.
Источник: https://www.databricks.com/blog/what-is-agentic-analytics — 2026, автор в посте не назван.
Артефакты: журналы решений и следы аудита, политики управления и права доступа, семантический слой и метаданные, панели мониторинга поведения агента.
Роли (человек / агент): агент — самостоятельно следит за данными и ловит аномалии, ведёт многошаговое рассуждение поперёк наборов данных, рекомендует или запускает действия в очерченных границах. Человек — задаёт рамки и политики, проверяет рекомендации в узловых точках, читает следы аудита. Заявлено: «человеческий надзор остаётся обязательным для решений с высоким влиянием», выше определённого порога влияния решение уходит на человеческое ревью.
Что отдано агенту: мониторинг и обнаружение аномалий, объяснение, выработка рекомендации.
Зрелость: идея. Ни одного названного внедрения, ни одного числа.
Модель-агностичность: петля из пяти шагов переносима, но текст написан как объяснение собственной платформы.
Чем подтверждено: реклама с элементами описанного процесса.

7. Cube: разделение труда между специализированными агентами над семантическим слоем¶

Кто держит: Cube.
Источник: https://cube.dev/blog/cube-agentic-analytics и https://cube.dev/articles/semantic-layer-for-ai-agents-2026 — 2026 (точные дни на страницах не проставлены).
Артефакты: семантическая модель как «сертифицированный набор определений», из которого агент выбирает, а не сочиняет SQL по таблицам.
Роли (человек / агент): роли разведены между самими агентами, и это здесь самое содержательное — Semantic Model Agent (строит и правит модель данных), AI Data Analyst (толкует вопрос по бизнес-логике слоя и предлагает следующий шаг разбора), AI Data Engineer (пишет и проверяет логику трансформации, обновляет модель, помечает зависимости и последствия правки). Человек задаёт вопрос и утверждает изменения модели.
Что отдано агенту: разбор вопроса, выбор метрики, последующий шаг анализа, черновик изменения модели.
Зрелость: идея / ранние пилоты. Внедрений и чисел нет.
Модель-агностичность: мысль «агент выбирает из сертифицированных определений, а не пишет SQL» переносима; всё остальное — про Cube Cloud.
Чем подтверждено: реклама.
Соседи с тем же устройством, без отдельных карточек: ThoughtSpot Spotter Semantics — «агентный семантический слой», объявлен 12.03.2026, переводит вопрос в детерминированный SQL через собственный язык моделирования, а не прямой text-to-SQL; аналитик правит поведение обратной связью и инструкциями к модели. dbt Semantic Layer на MetricFlow (Apache 2.0) с MCP-сервером — list_metrics, get_dimensions, query_metrics как интерфейс агента к согласованным определениям.

8. Amplitude AI Agents — две фазы: инсайт и действие¶

Кто держит: Amplitude.
Источник: https://amplitude.com/blog/ai-agents и https://amplitude.com/blog/agents-understand-product-analytics — 2026 (точные дни на страницах не проставлены).
Артефакты: еженедельная продуктовая сводка, разбор корневых причин по метрике, просмотр записей сессий, наблюдение за экспериментами; на стороне действия — конфигурация веб-эксперимента, выкладка внутрипродуктовой подсказки.
Роли (человек / агент): агент работает в две фазы — insights (наблюдения о данных) и actions (предлагаемые следующие шаги), и это единственная найденная в зоне попытка развести «увиденное» и «предложенное» как разные сущности. Человек — интерпретация и суждение; продакт перестаёт ждать аналитика.
Что отдано агенту: обнаружение аномалий, генерация гипотез, подготовка и запуск экспериментов.
Зрелость: идея / ранние пилоты. Ни одного названного клиента, ни одного числа.
Модель-агностичность: развод «инсайт / действие» переносим; всё остальное — внутри Amplitude, включая понимание таксономии событий, воронок и когорт клиента, которое и объявлено конкурентным преимуществом. Несёт вендора в несущей конструкции.
Чем подтверждено: реклама.

9. Tasman Analytics: агентная аналитика как диагностика организации¶

Кто держит: Thomas in 't Veld, Tasman Analytics (консалтинг).
Источник: https://www.tasman.ai/news/agentic-analytics-in-2026-semantic-layers-micro-agents-culture — опубликовано 05.01.2026, обновлено 11.08.2026.
Конструкция: три опоры — семантические слои как внутренние API-контракты между командами; микро-агентная архитектура с явными входами и выходами вместо одного большого агента; организационная культура согласования определений как условие надёжности.
Роли (человек / агент): агенты — триаж вопроса, семантическое обоснование, генерация SQL, оценка гипотез. Люди — определения, организационное согласование, толкование результата. Ответственность за решение остаётся на человеке — заявлено, но не операционализировано.
Ключевой тезис, ради которого включаю: агентная аналитика — это диагностика: она вскрывает организационное непонимание и рассогласование определений, которое до неё просто не было видно. Полезная рамка ожиданий: сначала выясняется, что компания не договорилась о метриках, и только потом появляется польза.
Зрелость: идея. Ни чисел, ни примеров реализации; ссылки идут на конференции и портфель клиентов без метрик.
Модель-агностичность: переносим.
Чем подтверждено: мнение консультанта.

10. Русскоязычный контур: разведка вернула пусто по методологии¶

Что нашлось лучшего: Олег Игнатов, руководитель продуктовой аналитики Garage Eight — «Тренды аналитики в 2026 году», https://habr.com/ru/companies/garage8/articles/1000314/, 17.02.2026.
Содержание: ИИ используется для генерации запросов, поиска аномалий, первичного анализа, подготовки документации и формулирования гипотез. Разграничение ответственности сформулировано одной фразой: «алгоритм может подсказать, где „что-то не так“, но понять, почему это произошло и что с этим делать — задача человека».
Зрелость: идея. Процесс, роли и артефакты не расписаны; собственных метрик Garage Eight в тексте нет, приводимые числа — внешние (IDC и подобное).
Чем подтверждено: мнение.
Всё остальное на русском по этим запросам — подборки «ТОП-10 BI-систем» и «лучшие ИИ-агенты для бизнеса»: каталоги инструментов, не процесс.

Что искал и не нашёл¶

Не нашёл: регулярного разбора цифр с LLM, описанного как процесс. Искал: LLM weekly metrics review process automated business review agent signal vs noise product analytics, "AI analyst" agent weekly business review process company describes how they run it internally 2026, AI-native product operating model metrics review ritual agent Reforge Lenny product manager decisions from data 2026, агенты над BI метрики автоматический разбор цифр процесс компания внедрение опыт 2026. Вернулось: руководства по эвалу LLM (не по разбору бизнес-метрик), статьи «signal vs noise» из продуктового менеджмента без всякого ИИ, и агентские тексты про клиентскую отчётность с анекдотами вида «старший аналитик Series B SaaS сократила понедельничный отчёт с 3,5 часов до 12 минут» — без названия компании, без методики, без проверки. Ритуал недельного разбора метрик с агентом как описанный процесс — не существует в открытых источниках. Ближайшее — «еженедельная продуктовая сводка» в списке возможностей Amplitude, то есть функция продукта, а не порядок работы.

Не нашёл: ответа на вопрос, кто несёт ответственность за решение по агентной сводке. Искал: "agentic analytics" framework accountability who owns the decision AI insight human review process, agent generated insights human trust verification "decision log" analytics governance practice case study numbers, Gartner agentic analytics decision intelligence framework accountability business metrics 2026. Вернулось: общие рамки управления ИИ-агентами (CSA, IMDA Сингапура, Palo Alto, arXiv-препринты про AGENTSAFE и трёхстолповые модели прозрачности) — они про агентов вообще, не про решения по цифрам. Формулировка Gartner «вопрос смещается от того, кто нажал кнопку, к тому, какой guardrail допустил исход» — самое конкретное, что удалось найти, и это по-прежнему лозунг, а не процедура. Ни одной компании, которая описала бы, как у неё устроена подпись под решением, принятым по агентной сводке.

Не нашёл: методики отделения сигнала от шума в агентном контуре. Искал вокруг метрик-деревьев ("metric tree" AI agent diagnosis business metrics methodology process) и вокруг автоматического объяснения аномалий бизнес-метрик (automated anomaly detection business metrics LLM explanation root cause product metrics process Uber Netflix engineering blog). Дерево метрик как понятие существует и описано (Mixpanel: North Star → входные метрики L2 → метрики действия L3 → опережающие индикаторы), но описано без агентов — это продуктовая методика доагентной эпохи. Обратно: работы по LLM-объяснению аномалий (TimeRAG от Okestro AI Research Center, arXiv 2601.04709, 08.01.2026; обзоры AIOps в эпоху LLM) считают точность на инфраструктурных, а не бизнес-метриках, и живут в офлайн-стендах: у TimeRAG точность 28,91–48,75% на длинных рядах, продуктового развёртывания нет вовсе. Мостика между деревом метрик и агентом никто не построил.

Не нашёл: подтверждения нескольких заявлений, которые встречались в пересказах. В частности, упоминание системы ARGUS, якобы отработавшей пять месяцев в проде на Azure Kubernetes Service и обработавшей 100+ аномалий по бизнес-метрикам (partner impression, CTR), пришло из сводки поиска, но при попытке дойти до первоисточника я вышел на другую работу (TimeRAG), где ничего подобного нет. В отчёт не беру. Если эта система существует, она в зоне 4 была бы самой ценной находкой — как единственный случай агентного разбора бизнес-метрик в проде с длительностью и числами; но подтвердить её я не смог и выдумывать строку не буду.

Общая оценка зоны¶

Зрелость зоны в целом: идея, с одним пилотом промышленного качества.

Гипотеза рамки о том, что зона 4 — самая пустая, подтвердилась, но пустота устроена не так, как ожидалось. Инструментов здесь изобилие: Cube, ThoughtSpot, Amplitude, Databricks, dbt, Mixpanel, Domo, AtScale — все выпустили агентов над своими данными в 2025–2026 годах, Gartner успел завести под это отдельную категорию и первый Magic Quadrant по платформам решений. Нет ровно того, что рамка называет методологией: описанного порядка, в котором человек и агент вместе превращают цифры в решение.

Три наблюдения, которые я считаю выводом разведки, а не пересказом:

Зона сместила разговор с процесса на определения. Все найденные источники, независимо друг от друга, упираются в одно: семантический слой. Anthropic — «одно число»; Tasman — «внутренний API-контракт»; OSI — общий формат; Gartner — семантическая согласованность как фактор расхождения лидеров; прогноз аналитика Gartner Андреса Гарсиа-Родехи о том, что 60% агентных аналитических проектов, опирающихся на один MCP без согласованного семантического слоя, провалятся. Отраслевой диагноз звучит так: типовой провал агентной аналитики — не галлюцинация, а семантическая ошибка (взял не ту таблицу, соединил не на том уровне детализации, просуммировал не так). Это не методология, но это внятно названная причина, по которой методологии пока нет: договориться о процессе нельзя, пока не договорились о метриках.
Единственный текст с настоящим процессом сам сообщает, где он дырявый. Anthropic называет нерешённой проблему тихого отказа: правдоподобный неверный ответ, который расходится по компании без возражений. В зоне 3 неверное действие агента видно — прод падает. В зоне 4 неверная сводка выглядит ровно как верная, и обратной связи нет вообще. Отсюда, на мой взгляд, и берётся вся пустота зоны: процесс без обратной связи не складывается в методологию, поэтому у зоны 4 есть слои, стандарты и продукты, но нет цикла.
Ответственности не назначил никто. Формулировка «человек остаётся ответственным за интерпретацию» встречается у Anthropic, Tasman, Databricks, Игнатова — то есть у всех, и ни у кого не превращена в процедуру: кто подписывает, что подписывает, что происходит, если сводка была ошибочна.

Что из зоны годно к переносу прямо сейчас, несмотря на всё вышесказанное:

Четыре слоя Anthropic — единственная конструкция, у которой есть и роли, и артефакты, и проверка, и признанные провалы. Плюс два измеренных факта, которые экономят чужой год: точность упирается в 21% без структурированного процедурного знания, и наваливание сырого исторического корпуса не помогает вовсе.
Разделение «определяет метрику человек — выбирает из определённого агент» — общее место всех источников; на нём сходятся вендор-нейтральный стандарт OSI и вендорские Cube и ThoughtSpot, что редкость.
Заложенный заранее тренд как способ проверки (InsightBench) — единственный найденный воспроизводимый ответ на вопрос «как узнать, что агентная сводка нашла настоящее».