AI-аналитик вместо BI-отдела: как BGL научила Claude работать с данными на AWS

Очередной раунд AI-хайпа принес нам мантру о «демократизации бизнес-аналитики». Идея проста и соблазнительна: вместо того чтобы неделями ждать ответа от перегруженного дата-отдела, любой менеджер может просто «спросить у компьютера» и получить нужный отчет. На практике же большинство text-to-SQL решений спотыкаются о суровую реальность кривых схем данных и выдают либо ошибки, либо галлюцинации. Но, кажется, австралийская финтех-компания BGL вместе с AWS и Anthropic нащупала рабочий подход. Они внедрили AI-агента, который позволил более чем 200 сотрудникам, от продактов до комплаенса, получать инсайты из данных через обычный чат в Slack.

BGL — это крупный игрок в сфере ПО для управления пенсионными фондами, оперирующий терабайтами финансовых данных в 15 странах. Проблема была классической: бизнес-юзеры не умеют в SQL, а команда аналитиков — не резиновая. Вместо того чтобы бросать LLM на амбразуру сырых данных, они пошли по пути инженера, а не маркетолога. Фундаментом всей системы стала уже существующая зрелая платформа на Amazon Athena и dbt. Сначала данные проходят через ETL-процесс, где превращаются в чистые, денормализованные и готовые к употреблению «аналитические витрины». Каждая такая витрина — это, по сути, ответ на определенный класс бизнес-вопросов. И только потом в игру вступает AI-агент.

Его задача — не творить магию, а выполнять конкретную работу: понять вопрос пользователя на естественном языке, найти нужную аналитическую таблицу и сгенерировать к ней простой SELECT-запрос. Никаких сложных JOIN-операций через десятки таблиц, где модель легко может ошибиться. Как говорит глава Data & AI в BGL Джеймс Луо: «Многие думают, что AI-агент настолько силен, что можно пропустить этап создания платформы данных. Но так вы никогда не добьетесь стабильных и точных результатов». Это, пожалуй, самая трезвая мысль, которую можно услышать на фоне всеобщего AI-оптимизма.

Сердцем агента стал Claude Agent SDK от Anthropic, развернутый на инфраструктуре Amazon Bedrock AgentCore. SDK дает агенту ключевые способности. Во-первых, это исполнение кода. Получив результат SQL-запроса (часто это CSV-файл на мегабайты), агент не пытается «засунуть» его в свой контекст, рискуя упереться в лимит токенов. Вместо этого он пишет и выполняет Python-скрипт для обработки этого файла, агрегации данных и построения визуализаций. Во-вторых, у агента модульная архитектура знаний. Глобальный контекст (структура проекта, доступы) хранится в файле `CLAUDE.md`, а узкоспециализированные знания по разным продуктам BGL — в отдельных файлах `SKILL.md`. Когда пользователь задает вопрос, агент динамически подгружает нужный «скилл», чтобы корректно сопоставить запрос с таблицами данных.

Инфраструктурную головную боль решает Amazon Bedrock AgentCore. Он предоставляет для каждой пользовательской сессии изолированную микровиртуальную машину. Это решает сразу две задачи: безопасность (данные и доступы одной сессии не пересекаются с другой, что критично для финтеха) и сохранение состояния (агент помнит контекст диалога до 8 часов). Компании не нужно самостоятельно строить сложную и дорогую обвязку для управления сессиями и безопасного исполнения кода — AWS предоставляет это «из коробки».

Наш вердикт: это не революция, а пример блестящей инженерной работы и зрелого подхода к внедрению AI. BGL не пыталась заменить своих дата-аналитиков волшебной коробкой. Вместо этого они создали мощный и безопасный интерфейс к своей уже существующей, хорошо структурированной платформе данных. Настоящая инновация здесь — в разделении ответственности: сложная логика и «единственный источник правды» остаются в ведении дата-инженеров, а AI-агент берет на себя рутину по трансляции запросов с человеческого языка на машинный. Это не столько «демократизация аналитики», сколько «демократизация доступа» к ней. И это вполне рабочий шаблон для любой крупной компании, но с одним условием: если у вас бардак в данных, никакой AI-агент вам не поможет.