Малые ставки, большой эффект: создание GenBI в компании из Fortune 100
Small Bets, Big Impact: Building GenBI at a Fortune 100
Вывести GenBI-агента в консервативной компании можно поэтапно, если каждый блок сразу становится самостоятельным продуктом с измеримым эффектом.
- Старт с готовых отчётов — команда начала не с генерации SQL, а с сертифицированных отчётов и дашбордов; по словам BI-команд, около 80% их работы сводится к тому, чтобы отправить человека к нужному отчёту.
- Агент подбора отчётов — RAG-агент, который находит сертифицированный отчёт, по словам спикера, автоматизировал около 80% задач, занимавших примерно 20% мощности команды из 10 человек, то есть около двух полных ставок.
- Раскатка по ступеням — агентом сначала пользовались BI-эксперты, затем бизнес-менеджеры; каждая шестинедельная фаза давала результат, после которого можно было продолжить или остановить финансирование.
- Метаданные для LLM — A/B-тест с хорошими и плохими описаниями данных показал, что модель отвечает точнее при хороших метаданных; эти наработки потом пошли в семантический слой.
Кому полезно: тем, кто внедряет аналитического агента в компании с жёсткими требованиями к риску и хочет получить финансирование поэтапно.
Статья по теме
Главы
Похожие доклады
Покупать, создавать, внедрять: как использовать M&A для AI-трансформации
Близко по содержанию
Как закрепить Enterprise GenAI с помощью графов знаний
AI Engineer Summit 2025
Близко по содержанию
AI-консалтинг на практике
AI Engineer Code 2025
Близко по содержанию
Создание GTM AI-агентов: уроки внедрения для 6 000 пользователей
AI Engineer World's Fair 2026
Близко по содержанию

