ИИ-агенты автоматизировали рутину дата-аналитиков в МТС: освобождено 75% времени

# Как ИИ-агенты освободили аналитиков МТС от рутины

Рутина съедает до 75% времени современного дата-аналитика: поиск информации, согласование документов, создание DDL-скриптов по памяти. Команда центра компетенции аналитики MWS (МТС) решила проверить гипотезу: можно ли передать эти процессы нейросетям без потери качества? Ответ оказался положительным, но с важными оговорками: ИИ стал мощным усилителем, но не заменой человеку.

В результате пилотного проекта автоматизировано более 70% типовых задач. Время на создание бизнес-требований сократилось с 8 часов до 30 минут при сохранении высокой точности соответствия стандартам. Разбираемся, как устроена эта система и какие задачи остаются за человеком.

Архитектура решения: агенты, скиллы и MCP

Одной команды или простого промпта для решения проблемы не было. В основе работы лежит связка трех компонентов, формирующая полноценную рабочую среду для ИИ.

ИИ-агент Это исполнительный модуль, который получает команду и начинает действовать. Он не просто отвечает на вопросы текстом, а выполняет последовательность действий: взаимодействует с корпоративными системами, создает файлы, проверяет правила нейминга и передает контекст между этапами работы.

Скиллы (Skills) Ключевое понятие в данной реализации. Скилл — это не разовый запрос к нейросети, а сложный сценарий, записанный в код. Он включает: * Четкое описание роли и задачи. * Пошаговый алгоритм действий. * Требования к входным и выходным данным. * Шаблонные примеры для обучения модели.

Каждый скилл решает узкую задачу: от извлечения требований из эпика в Jira до генерации DDL-скриптов для баз данных. Один агент может владеть несколькими скиллами, образуя конвейер обработки данных.

MCP-сервер Model Context Protocol (протокол контекста модели) реализован как драйвер-прослойка. Он предоставляет ИИ-агенту доступ к внутренней экосистеме компании: Jira, Confluence, GitLab, SQL-базам и API. Без этого модуля агент был бы «слепым», не имея доступа к актуальным данным и правилам, хранящимся в корпоративных хранилищах.

Результаты внедрения: цифры и факты

В ходе бенчмаркинга сравнивали метрики работы «до» и «после» внедрения системы автоматизации. Тестирование проводилось на реальных проектах создания витрин данных.

| Показатель | Результат внедрения | | :--- | :--- | | Объем автоматизации | До 80% полностью шаблонных задач | | Экономия времени на задачу | Около 75% от общего времени выполнения | | Время на бизнес-требования | 30 минут вместо 8 часов вручную | | Эффективность команды | Эквивалент работы двух дополнительных сотрудников |

Команда разработала два основных действующих скилла: 1. S2T-process-BR-creator: формирует бизнес-требования на основе эпика из Jira. 2. S2T-process-PHDM-creator: на основе готовых требований строит физическую модель данных.

ИИ-агент автоматически передает данные от первого скрипта ко второму, создавая единый рабочий конвейер. Это исключает ручной перенос информации и снижает риск человеческих ошибок.

Что ИИ может, а что должен делать человек

Команда четко разграничила задачи по степени их автоматизируемости. Не все процессы могут быть переданы алгоритму.

Полностью автоматизируемые (80%+): * Извлечение структурированной информации из Jira и Confluence. * Генерация DDL-скриптов и YAML-спецификаций. * Проверка соответствия названий полей правилам нейминга. * Поиск аналогичных витрин в репозитории.

Частично автоматизируемые (50–80%): * Создание бизнес-требований: ИИ формирует черновик, но человек утверждает его. * Маппинг полей (сопоставление источников и целей): ИИ предлагает варианты, аналитик проверяет. * Анализ гэпов (недочетов) в данных: ИИ выделяет проблемные зоны, человек принимает решение.

Требующие участия человека (<50%): * Согласование с бизнесом: ИИ пока не умеет вести сложные переговоры и интерпретировать неявные смыслы в размытых ТЗ. * Архитектурные решения: Выбор технологий с долгосрочными последствиями требует экспертного суждения. * Приоритизация: ИИ не может оценить текущую загруженность команды и срочность задач по контексту бизнеса.

Главный принцип, сформулированный экспертами МТС: *ИИ — это инструмент усиления, а не замена.* Алгоритм берет на себя шаблонную работу, позволяя специалисту сосредоточиться на анализе, креативности и управлении процессами.

Система контроля качества

Автоматизация не является слепым доверием к алгоритму. Для каждого скилла создана трехуровневая система валидации:

1. Формат: Проверка существования файлов и их технической валидности (корректность YAML, CSV, синтаксис DDL). 2. Консистентность: Соответствие результата внутренним правилам (правила нейминга, наличие обязательных полей, полный маппинг). 3. Бизнес-валидация: Критическая проверка логики и полноты требований человеком. На этом уровне ИИ выступает как помощник, подготовивший идеальную структуру для финальной сверки.

Также ведется еженедельный аудит 5% артефактов и проводится бенчмаркинг с эталонными примерами ручной работы. Метрики качества (скорость, количество ошибок, точность) собираются для постоянного улучшения скиллов.

Перспективы развития

В ближайших планах команды МТС: * Интеграция с каталогами данных (DataCatalog) для централизованного хранения метаданных. * Автоматическая валидация DDL через запуск скриптов в тестовых базах. * Генерация Unit-тестов для ETL-процессов на основе спецификаций. * Создание дашборда мониторинга для прозрачной оценки эффективности каждого скилла.

Этот кейс демонстрирует, что грамотная инженерия ИИ-агентов позволяет существенно повысить эффективность работы с данными, освобождая ресурсы для решения действительно нестандартных задач.