ИИ в работе аналитика: где нейросеть помогает, а где врёт

Как пользоваться ИИ, если коротко

• Поручайте нейросети писать код — SQL, Python, формулы Excel, — а не считать ответ в тексте. Код выполняет база или таблица, и результат можно проверить.
• Цифру, которую модель назвала словами, без запуска кода, считайте гипотезой, а не результатом.
• Давайте контекст: схему таблиц, пару строк с примерами значений, что означает одна строка, какой ответ нужен.
• Проверяйте ответ сверкой с известным итогом: общей суммой, числом строк, одной вручную посчитанной группой.
• Не вставляйте в публичные чаты персональные данные и коммерческую тайну: обезличивайте или давайте агрегаты.
• ИИ убирает рутину набора кода, но не снимает с аналитика ответственность за цифру в отчёте.

Где нейросеть уже экономит часы

Сильная сторона языковой модели — текст по шаблону, а код и есть текст по строгим правилам. Поэтому лучше всего ИИ справляется там, где результат можно запустить и сразу увидеть, работает ли он. Хуже — там, где результат нужно принять на веру.

Где нейросеть врёт: цифры «в уме»

Чтобы не пересказывать чужие обзоры, мы проверили это сами. Взяли таблицу рейсов учебной базы «Авиаперевозки» за 5 августа 2026 года — 548 строк с числом пассажиров и выручкой — и задали четырём моделям OpenAI девять вопросов: сколько рейсов, какая выручка, средняя и медианная выручка, доля вылетов из Шереметьево, какой самолёт заработал больше всех. Каждую модель спрашивали трижды, ответы сверяли с расчётом в базе.

Простое модели почти всегда считали верно: число строк и число отменённых рейсов — в 11 прогонах из 12. Всё, что требует сложить или упорядочить сотни чисел, ломалось. Суммарную выручку точно не назвала ни одна модель ни в одном прогоне: ближайшие ответы промахнулись меньше чем на процент, дальние — в разы, от 106 млн до 2,04 млрд ₽ при верных 438,4 млн. Медиану выручки не угадал никто. При этом каждый ответ был оформлен аккуратным JSON и без единой оговорки, что это оценка.

Это не недостаток конкретной модели, а свойство способа. Языковая модель предсказывает текст, а не складывает столбец. Когда чисел мало, результат совпадает. Когда их сотни, модель выдаёт правдоподобное число нужного порядка — или не нужного.

Главное правило: модель пишет код, а считает база

У нейросети есть три способа ответить на вопрос о данных, и доверять им можно по-разному.

Первый — ответ текстом по вставленной таблице. Быстро, но это оценка без гарантий: именно здесь в эксперименте ошибки были почти в каждой сумме.

Второй — модель пишет запрос или код, а запускаете его вы: в базе, в Excel, в Jupyter. Это основной рабочий режим аналитика. В нашем эксперименте модели написали SQL для 14 задач по схеме базы, и в зависимости от модели верными оказались от 81 до 100% запросов. Ошибки были настоящими и узнаваемыми: соединение таблиц, которое задваивает строки, город «Moscow» вместо «Москва», выдуманный столбец. Но каждую такую ошибку видно, если посмотреть на запрос и сверить итог.

Третий — модель сама пишет и выполняет код, как в режиме анализа данных у ChatGPT или в похожих инструментах. Это надёжнее текста, но проверять всё равно нужно: код стоит открыть и прочитать, потому что модель может верно посчитать не то, о чём вы спрашивали. И таблицу лучше прикладывать файлом, а не вставлять текстом: вставленные данные модель переписывает в код и в эксперименте однажды потеряла по дороге больше ста строк.

• Ответ текстом — для прикидки и черновика, не для отчёта.
• Код, который запускаете вы, — для любой цифры, которая пойдёт дальше.
• Код, который запускает модель, — удобно, но код нужно видеть и понимать.

Как ставить задачу, чтобы ответ можно было проверить

Большая часть ошибок в SQL, которые мы видели, выросла из недосказанности. Модель не знает, что города в базе записаны по-русски, что одна строка таблицы — это перелёт, а не пассажир, и что бронирование может содержать несколько билетов. Если это сказать, ошибок становится заметно меньше.

Хорошая постановка задачи для нейросети похожа на хорошую постановку задачи для коллеги-стажёра: что есть, что нужно, как будет выглядеть ответ.

Ты пишешь SQL для PostgreSQL (или DuckDB — укажите свою СУБД).

Таблицы и зерно:
- flights — одна строка = один рейс (flight_id, departure_airport, scheduled_departure, status…)
- ticket_flights — одна строка = перелёт пассажира на рейс (ticket_no, flight_id, amount)
- airports — справочник аэропортов (airport_code, city — названия городов по-русски: «Москва»)

Пример строк flights:
12345 | PG0212 | 2026-08-05 09:40 | SVO | LED | Arrived

Задача: выручка по городам вылета за август 2026.
Ответ: колонки city, revenue; одна строка на город.
Не соединяй таблицы так, чтобы строки задваивались. Верни только запрос.

Промпты для задач, которые повторяются каждую неделю

Кроме запросов, у аналитика есть задачи, в которых нейросеть полезна без всякого кода: объяснить, разметить, сформулировать. Здесь тоже работает правило «дайте контекст и опишите ответ», но проверка устроена по-другому: вместо сверки с итогом — выборочная ручная проверка.

Разбор чужого запроса. Когда вы получили наследство от коллеги, попросите объяснить запрос построчно и назвать зерно результата: что означает одна строка. Затем выполните запрос на маленькой выборке и убедитесь, что объяснение совпадает с тем, что вы видите.

Разметка отзывов и обращений. Модель хорошо раскладывает тексты по темам, если вы заранее дали ей список тем с короткими определениями и попросили вернуть только одну тему из списка. Прежде чем размечать тысячи текстов, разметьте вручную 50 и сравните: если совпадение ниже 80–90%, уточните определения тем.

Письмо руководителю. Дайте модели готовые цифры из запроса и попросите сформулировать три вывода и одно действие. Все числа в письме должны прийти из ваших данных — попросите модель не добавлять ни одного числа, которого нет во входе, и проверьте это глазами.

Разметь каждый отзыв ровно одной темой из списка.
Темы:
- доставка — сроки, курьер, пункт выдачи
- качество — брак, не соответствует описанию
- оплата — списания, возвраты денег, промокоды
- другое — всё остальное
Верни CSV: id,тема. Не придумывай новые темы. Если сомневаешься — «другое».

<вставить отзывы с id>

Проверка ответа за пять минут

Проверка не должна занимать больше времени, чем написание запроса руками, иначе ИИ ничего не ускоряет. Хватает короткого списка, который со временем становится привычкой.

• Итог сходится с известной цифрой: общая выручка, число пользователей или заказов из другого отчёта.
• Число строк в результате ожидаемое: «по городам» — это десятки строк, а не тысячи.
• После каждого JOIN число строк не выросло неожиданно — иначе суммы и средние раздуты.
• Одну группу посчитать вручную или простым фильтром и сравнить.
• Пустые значения (NULL) и нули учтены так, как нужно по смыслу.
• Даты: границы периода включены и исключены правильно, часовой пояс тот же, что в отчёте.
• В тексте отчёта каждая цифра пришла из запроса, а не из пересказа модели.

Данные и безопасность

Всё, что вы вставили в публичный чат, уходит на серверы провайдера. Персональные данные клиентов, выгрузки с телефонами и почтами, коммерческие цифры, которые компания не публикует, туда отправлять нельзя: это нарушение внутренних правил, а для персональных данных — и закона.

Для работы с данными это решается просто. Модели почти никогда не нужны сами данные — ей нужна схема. Описание таблиц, названия столбцов и пара обезличенных строк позволяют написать запрос, а выполнить его можно у себя. Если анализ нужен именно по содержимому, используйте корпоративные версии инструментов, где компания договорилась о хранении данных, или отдавайте агрегаты вместо строк.

Заменит ли ИИ аналитика

Нейросеть заменяет часть того, что аналитик делает руками: набор типового SQL, поиск нужной функции, первый черновик отчёта. Это действительно экономит часы, и аналитик, который этим не пользуется, будет медленнее коллег.

Но в эксперименте хорошо видно, что остаётся человеку. Модель не знает, что в городе три аэропорта, что бронирование нельзя усреднять после соединения с билетами, что цифра в чате — оценка. Знание данных, умение поставить вопрос и привычка проверять не автоматизируются вместе с набором кода. Наоборот, их цена растёт: код стало писать проще, а принести в отчёт неверную цифру — ещё проще.

Поэтому базовые вещи — SQL, понимание зерна таблицы, JOIN, агрегаты — аналитику нужны не меньше, чем раньше. Без них невозможно прочитать запрос, который написала нейросеть, и заметить в нём ошибку.

Частые вопросы

Можно ли доверять ChatGPT анализ данных? Можно доверять коду, который вы видите и который выполнился на ваших данных. Ответу текстом по вставленной таблице — нет: в нашем эксперименте суммы и медианы в таком режиме были неверными почти всегда. Если чат сам запускает код, откройте его и проверьте, что считается именно то, о чём вы спрашивали.

Какую нейросеть выбрать аналитику? Ту, которой можно пользоваться по правилам вашей компании и которая умеет писать и выполнять код. Среди моделей, которые мы проверяли, новые ошибались реже старых, но разница между способами работы — ответ текстом или код — была больше, чем разница между моделями.

Нужно ли аналитику учиться писать промпты? Отдельного «языка промптов» учить не нужно. Нужен навык, который у аналитика и так есть: описать данные и задачу так, чтобы их понял человек, не знающий вашего продукта. Хороший промпт почти дословно совпадает с хорошей постановкой задачи для стажёра.

Можно ли загружать в нейросеть рабочие выгрузки? Только если это разрешено правилами компании и в данных нет персональной информации. Чаще всего достаточно дать схему и несколько обезличенных строк, а считать у себя.

С чего начать на этой неделе

• Возьмите типовую задачу, которую делаете каждую неделю, и попросите нейросеть написать для неё запрос по описанию схемы.
• Сверьте результат с вашим привычным отчётом — это лучший способ понять, где модель ошибается именно на ваших данных.
• Сохраните удачный промпт со схемой таблиц как шаблон и дополняйте его после каждой ошибки.
• Для цифр, которые уходят руководителю, заведите правило: только из запроса, никогда из текста модели.
• Если SQL пока читается с трудом, начните с основ: без них ошибку нейросети не увидеть.

Что почитать дальше

Остальные материалы полки — про конкретные инструменты. Базовые статьи по SQL помогут читать запросы, которые пишет нейросеть.