От SQL к агенту: пять этапов зрелости аналитики автопарка

Панель мониторинга по-прежнему ждет, пока кто-то задаст правильный вопрос. Аналитический агент задает его первым — вот на каком этапе сегодня находится этот сдвиг и что должно быть сделано, прежде чем он сможет использовать данные вашего автопарка.

Руководитель автопарка хочет знать, почему затраты на обслуживание выросли в этом квартале, а не в какой таблице хранится информация о техобслуживании. Переход непосредственно от бизнес-вопроса к практическому ответу без SQL или вмешательства аналитика — именно это определяет аналитического агента. Сегодня управление автопарком движется по пятиэтапной кривой зрелости в направлении этой самой возможности.

К 2027 году в Gartner ожидают, что возможности дополненной аналитики эволюционируют в автономные аналитические платформы, которые полностью управляют и выполняют 20% бизнес-процессов. Это отражает тот же рост на уровне всей отрасли. В данном обзоре перечисляются пять этапов и описывается архитектура Navixy, надстраиваемая к верхним ступеням этой модели зрелости. Чтобы узнать, на чем строятся все пять этапов с точки зрения данных, см. как необработанные телематические сигналы изначально превращаются в показатель KPI.

The five stages of fleet analytics maturity

Пять этапов описывают, как меняются взаимоотношения команды автопарка с собственными данными, а не то, сколько данных она собирает.

Manual SQL queries. Пользователи напрямую запрашивают базу данных. Чтобы получить ответ, нужны знания SQL и структуры схемы — это быстро для того, кто ими владеет, но является узким местом для всех остальных.

BI dashboards and reporting. Предварительно настроенные отчеты и панели мониторинга делают аналитику доступной для нетехнических пользователей, однако для создания нового представления все еще приходится обращаться к аналитику или разработчику.

Self-service BI. Нетехнические пользователи изучают данные и создают собственные визуализации без написания SQL. На этом уровне сегодня находятся большинство платформ для аналитики автопарка, включая собственное Dashboards app от Navixy до недавнего времени.

Augmented analytics. Gartner представил этот термин в 2017 году для инструментов, которые используют машинное обучение и обработку естественного языка, чтобы автоматизировать подготовку данных и поиск инсайтов в рамках все еще управляемого человеком процесса — ИИ помогает в исследовании, но человек по-прежнему направляет его.

Agentic analytics. В руководстве Gartner от февраля 2025 года этот этап описывается как эволюция дополненной аналитики: агент на базе ИИ планирует, исследует и действует во всем цикле «от данных к инсайту» с ориентацией на поставленную задачу, при этом в рабочий процесс встроена проверка со стороны человека.

Переход с Этапа 3 на Этап 5 заслуживает особого внимания, поскольку он меняет главное: кто именно выполняет работу по преобразованию вопроса в ответ.

What an analytics agent actually changes

Даже при наличии самообслуживаемого BI руководителю автопарка по-прежнему нужно думать в первую очередь как аналитику: выбрать таблицу, задать фильтр, сформировать диаграмму и только потом ее интерпретировать. Аналитический агент переворачивает эту модель. Он самостоятельно планирует анализ, позволяя руководителям автопарка задавать повседневные практические вопросы, а не мыслить так, как мыслит специалист по данным:

• Какие модели транспортных средств расходуют больше топлива по сравнению с остальным автопарком?
• Почему выросли затраты на обслуживание в этом квартале?
• Какие устройства скоро потребуют замены?
• В каких регионах наибольшие простои?

Ни один из этих вопросов не сводится к одной таблице или одному типу диаграммы. Каждый предполагает объединение нескольких источников данных, сравнительный анализ с базовой метрикой и формирование результата на понятном для неспециалиста языке. При самообслуживаемом BI все эти задачи по-прежнему ложатся на задающего вопрос; аналитический агент выполняет их сам и выдает готовый ответ, а не пустое поле для дальнейших действий.

Two paths to an analytics agent

Navixy движется к созданию аналитического агента по двум связанным направлениям. Navixy AI Assistant — первое из них: это чат-интерфейс, встроенный в платформу и на сайт, который отвечает на вопросы по документации и инструкциям для всех, а при добавлении его в виде User Application может также запрашивать в реальном времени подключенные в аккаунте трекеры, показания датчиков и историю поездок.

Второе направление связано с Dashboard Studio — открытым средством для создания панелей мониторинга на базе SQL, которое уже опирается на слои исходных данных, преобразований и бизнес-метрик IoT Query. AI BI Specialist, встроенный в него, преобразует вопрос на обычном языке в предложенную структуру дашборда и позволяет пользователю уточнять результат панель за панелью без ручного написания SQL.

Важная деталь в том, что это не отдельный чат-бот: агент не вынесен в отдельное окно для ответов на вопросы о данных, а встроен в тот же поток работы, в котором руководитель автопарка уже создает панель мониторинга.

An architecture built for what comes next

В основе обоих интерфейсов лежит осознанный выбор архитектуры: Amazon Bedrock, чьи возможности работы с несколькими агентами предоставляют каркас для дальнейшей эволюции платформы. На сегодняшний день Dashboard Studio использует единственного специализированного агента в рабочей среде — AI BI Specialist. Эта же архитектура позволит в будущем подключать других специализированных агентов по мере развития платформы.

Такая структура будущего отражает реальную организацию работы в автопарке. Руководитель автопарка отвечает за использование транспорта и диспетчеризацию; специалист по расходам отвечает за бюджет техобслуживания и топлива; специалист по техобслуживанию — за состояние транспорта; сотрудник службы безопасности — за соответствие требованиям и снижение рисков.

Специализированным агентам также нужны специализированные знания. Процедуры техобслуживания меняются, требования безопасности обновляются, политика эскалации корректируется со временем. По мере появления новых специализированных агентов каждый из них сможет использовать собственную курируемую базу знаний, а не один монолитный источник.

Amazon S3 Vectors — это нативный тип хранилища векторных данных, интегрированный с Amazon Bedrock Knowledge Bases. Он позволяет поддерживать актуальность баз знаний без необходимости содержать отдельную векторную базу данных. По заявлениям AWS, это позволяет сократить стоимость хранения и запросов к эмбеддингам до 90% по сравнению со специализированными базами, что делает обновление знаний агента по мере изменения процедур практически осуществимым, а не отодвигает его до квартального цикла бюджетирования.

Ни один автопарк не работает на одном «универсальном» эксперте, и архитектура агентов, отражающая реальные роли, упрощает ограничение прав доступа, чем если бы все сливалось в одного помощника. Сужать инструментарий агента-специалиста по техобслуживанию только до данных о заказах на работу и показаниях датчиков — это более ограниченная и лучше контролируемая область, чем пытаться ограничивать «всеобъемлющего» агента уже после его создания.

Security is part of the architecture, not an afterthought

Хотя общая архитектура рассчитана на нескольких специализированных агентов, в настоящее время реализован только AI BI Specialist. Принцип наименьших прав, который будет регулировать работу будущих специализированных агентов, уже применяется и сегодня: AI BI Specialist получает доступ только к тем инструментам и данным, которые действительно требуются ему для выполнения задачи, и по умолчанию не имеет более широких прав.

AI BI Specialist не имеет доступа к персональным данным клиента. Его набор инструментов ограничен четырьмя операциями: проверкой запроса SQL перед выполнением, сопоставлением запроса к дашборду с доступными данными, предварительной визуализацией перед отображением и генерацией структуры аналитического объекта. Такое ограничение делает поведение агента достаточно предсказуемым, чтобы допустить его к работе с реальным аккаунтом, — и именно такое ограничение придется расширять постепенно и осознанно, прежде чем агент сможет делать что-то большее, чем просто отвечать на вопрос.

What's next: from augmented to agentic

Такое расширение уже получило свое название и частичную реализацию в действующем продукте: Navixy MCP Server подключает внешний AI-клиент (Claude Desktop, Cursor, ChatGPT) к данным реального аккаунта пользователя через User API уже сегодня: спросите у Claude, какие трекеры сейчас в сети, и он напрямую выполнит запрос к аккаунту без дополнительной интеграции.

MCP сам по себе не является эксклюзивом Navixy. Anthropic передала Model Context Protocol в Linux Foundation's Agentic AI Foundation в декабре 2025 года, и теперь MCP описывается как универсальный открытый стандарт для подключения AI-моделей к инструментам и данным, насчитывающий свыше 10 000 опубликованных MCP-серверов и поддержку со стороны Claude, Cursor, Microsoft Copilot, Gemini и ChatGPT.

Сегодня Navixy MCP Server позволяет внешним AI-клиентам получать доступ к оперативным данным автопарка через User API. Следующий шаг — предоставить доступ к виджетам и аналитическим процессам Dashboard Studio в качестве MCP Apps. Расширение этого интерфейса на Dashboard Studio позволит тем же клиентам не только получать данные, но и создавать и редактировать дашборды, проверять запросы и в перспективе управлять специализированными аналитическими процессами.

Именно это и есть пятый этап лестницы, с которого мы начали: когда отчет формирует уже не человек, и даже не человек задает вопрос агенту, а агент самостоятельно запускает аналитику с проверкой плана и результата человеком. Прогноз Gartner о том, что к 2027 году агентные решения займут 20% бизнес-процессов, отражает тенденцию всей отрасли, а не конкретно план развития Navixy, однако изложенная архитектура уже готова к такому развитию событий.

Команды автопарков, которые уже теперь подключают AI-клиент к своему аккаунту через Navixy MCP Server, непосредственно видят сегодняшний вариант такого сдвига. Спросите встроенный AI Assistant или AI BI Specialist в Dashboard Studio о том, какой следующий KPI вам нужен, вместо того чтобы создавать его вручную.

Хотите увидеть работу аналитического агента на данных вашего автопарка? Свяжитесь с нами, чтобы обсудить, как это может выглядеть в вашем случае.