Один вопрос — три разных ответа: эксперимент с выручкой за сентябрь и как семантический слой решает проблему

Представьте: вы задаёте ИИ-агенту один вопрос о выручке за сентябрь, а он возвращает три разных числа — и все SQL-запросы при этом выполняются без ошибок. Именно такую ситуацию разбирает автор в своём эксперименте. Проблема знакома многим, кто использует LLM для работы с корпоративными данными: модели могут по-разному интерпретировать схему базы, выбирать разные агрегации или фильтры, что ведёт к несогласованным результатам.

В статье на конкретном примере показано, откуда берутся расхождения: различие в JOIN, неоднозначность в группировке, разная трактовка временных периодов. Все запросы синтаксически верны, но логика разная. Это типичная проблема «семантического разрыва» между бизнес-вопросами и их SQL-реализацией.

Решение, которое предлагает автор, — использование семантического слоя. Это прослойка, которая описывает бизнес-метрики и правила их расчёта на понятном для модели языке. Вместо того чтобы генерировать SQL напрямую, агент обращается к семантическому слою, который уже знает, как правильно считать выручку. Это исключает неоднозначность и даёт стабильный результат.

Эксперимент воспроизводим, так что каждый может проверить выводы на своих данных. Статья будет полезна разработчикам и аналитикам, которые внедряют ИИ-агентов в работу с корпоративными хранилищами и хотят избежать «магии» в отчётах.