Когда бизнес хочет говорить с данными, а не с SQL
Вчера BGL — британская страховая компания — показала, как их менеджеры теперь задают вопросы базе данных обычными словами. «Покажи три продукта с самым высоким оттоком клиентов за последний квартал в Лондоне». «Сравни продажи по регионам до и после маркетинговой кампании». Никакого SELECT, никаких JOIN.
За кулисами работает Claude Agent SDK — инструмент от Anthropic, который превращает разговорные запросы в SQL-код. Но не просто код, а проверенный, безопасный и исполняемый. На бумаге всё гладко. На практике? Совсем другая история.
По данным отчёта State of AI Agents от Anthropic (январь 2026), 78% компаний, внедряющих AI-агентов для бизнес-аналитики, сталкиваются с проблемами точности text-to-SQL. При этом 92% отмечают рост запросов от нетехнических сотрудников после внедрения таких систем.
Claude Agent SDK: не просто обёртка для LLM
Что отличает Claude Agent SDK от обычного вызова API к Claude 3.5 Sonnet (последней версии на февраль 2026)? Инструмент строит полноценных агентов — автономных сущностей, которые могут планировать, выполнять действия, анализировать результаты и исправлять ошибки.
Для BGL это выглядело так:
- Агент получает вопрос на естественном языке
- Анализирует схему базы данных (предоставленную через Amazon Bedrock Agent)
- Генерирует SQL-запрос с объяснением логики
- Проверяет запрос на безопасность — никаких DELETE или DROP
- Исполняет запрос через безопасное соединение
- Анализирует результаты, строит визуализацию
- Формулирует вывод на бизнес-языке
Красиво? Да. Но вот где начинаются реальные проблемы.
Почему 96% точности недостаточно
BGL начали с простых запросов. «Сколько клиентов в базе?» — работает идеально. «Средний чек по продуктам?» — тоже. Проблемы начались со сложными аналитическими запросами.
Пример реального провала: менеджер спросил «Покажи динамику оттока клиентов по месяцам с разбивкой по причинам». Агент сгенерировал SQL, который:
- Использовал устаревшее поле status вместо нового churn_reason
- Неправильно рассчитал оконную функцию LAG для месячных сравнений
- Смешал данные из продакшн-базы и тестового окружения
Результат — красивые графики с абсолютно неверными цифрами. Менеджер почти принял решение на основе этих данных.
Главные вызовы по версии BGL
| Проблема | Как проявляется | Решение BGL |
|---|---|---|
| Семантические дыры | «Прибыль» может означать gross_profit, net_profit или operating_profit в разных контекстах | Создали бизнес-глоссарий с привязкой к полям БД |
| Изменение схемы | Разработчики переименовали поле, агент продолжает использовать старое название | Ежедневная синхронизация схемы через Bedrock Agent |
| Контекстные ограничения | Менеджер из отдела А видит данные отдела Б (нарушение RBAC) | Многоуровневая система промптов с проверкой прав |
Самое интересное — BGL не полагаются только на Claude Agent SDK. Они построили гибридную систему, где сложные аналитические запросы перенаправляются в специализированные text-to-SQL модели. Как именно — описано в статье «Как создать Text-to-SQL агента для бизнеса».
Что говорит отчёт Anthropic о будущем агентов
State of AI Agents (январь 2026) выделяет три тренда:
- Специализация — универсальные агенты уступают место узкоспециализированным (именно как text-to-SQL для аналитики)
- Композиция — компании объединяют несколько агентов в рабочие цепочки (Claude для понимания запроса + специализированная модель для генерации SQL)
- Демократизация — инструменты вроде Claude Agent SDK снижают порог входа, но не решают фундаментальные проблемы точности
Anthropic прогнозирует, что к концу 2026 года 40% бизнес-аналитики в компаниях из Fortune 500 будет проводиться через AI-агентов. Но предупреждает: без качественных guardrails это приведёт к катастрофическим ошибкам в принятии решений.
Важный нюанс: Claude Agent SDK — проприетарное решение, привязанное к экосистеме Anthropic и Amazon Bedrock. Если вы ищете альтернативы, посмотрите на GLM-4.7 с Claude-совместимым API — можно получить похожие возможности с существенной экономией.
Практический совет от инженеров BGL
Не начинайте с полного внедрения. Создайте песочницу:
- Выделите тестовую базу данных с реалистичными, но не критичными данными
- Настройте Claude Agent SDK только на эту базу
- Дайте доступ 5-10 нетехническим сотрудникам
- Собирайте все запросы и сгенерированный SQL
- Анализируйте ошибки — они покажут ваши слабые места
Скорее всего, вы обнаружите, что нужна не одна модель, а целый набор инструментов. Для простых запросов — Claude Agent SDK. Для сложных аналитических — специализированные text-to-SQL модели (как в этом руководстве). Для работы с устаревшей документацией — RAG-системы.
И последнее — готовьтесь к культурному шоку. Когда менеджеры получают прямой доступ к данным, они начинают задавать вопросы, на которые у компании нет ответов. Иногда потому, что данных нет. Иногда потому, что ответ неудобен. AI-агент не решит проблему качества данных — он только выставит её на всеобщее обозрение.
BGL прошли этот путь за 8 месяцев. Сейчас их система обрабатывает 3000+ запросов в день с точностью 94% на простых запросах и 82% на сложных аналитических. Не идеально, но достаточно, чтобы изменить способ принятия решений.
Ваша компания готова к тому, что данные заговорят?
