Как передать ИИ-агенту 70% рутины аналитика и контролировать расходы
Как автоматизировать до 70% рутины аналитика с помощью ИИ-агента: сценарии, метрики эффективности, пример API и расчёт стоимости моделей Протока.
Как передать ИИ-агенту рутинные задачи аналитика и контролировать расходы
Рабочий день аналитика редко состоит только из поиска закономерностей и подготовки выводов. Значительная часть времени уходит на повторяющиеся операции: разобрать задачу, проверить структуру данных, написать SQL, объяснить результат, оформить сводку и подготовить следующий шаг.
ИИ-агент помогает сократить этот объём, если использовать его не как чат для разовых вопросов, а как управляемый конвейер. Агент получает задачу, работает по инструкции, вызывает нужные инструменты, проверяет промежуточный результат и возвращает отчёт в заданном формате. При этом финальное решение остаётся за аналитиком.
Какие задачи стоит передать агенту
Начинать лучше с операций, где есть понятный результат и невысокая цена ошибки. Например:
- классификация входящих запросов от бизнеса;
- подготовка черновика SQL по описанию показателя;
- поиск пропусков, выбросов и несоответствий в данных;
- формирование краткого резюме по таблице или отчёту;
- сравнение фактических значений с планом;
- подготовка списка вопросов к владельцу данных;
- оформление регулярного отчёта по шаблону;
- документирование расчётов и изменений в запросах.
Такие сценарии хорошо автоматизируются, потому что их можно описать правилами. Например, агент может сначала проверить названия и типы столбцов, затем построить SQL, после этого перечислить допущения и только в конце подготовить вывод для руководителя.
Более рискованные задачи — изменение данных, публикация финансовых показателей или самостоятельная отправка отчёта — следует оставлять за человеком либо защищать обязательным подтверждением.
Как устроить агентный сценарий
Практический сценарий можно разделить на пять этапов.
1. Приём и уточнение задачи
Агент получает запрос: например, «почему снизилась конверсия в мобильном канале за последнюю неделю». Он должен не сразу выдавать ответ, а определить, каких данных не хватает: периода сравнения, определения конверсии, сегментов и источника данных.
2. План анализа
Модель формирует последовательность действий: проверить доступные таблицы, сравнить периоды, разделить результат по каналам, найти статистически заметные изменения и проверить качество данных.
3. Вызов инструментов
В зависимости от инфраструктуры агент может обращаться к SQL-шлюзу, каталогу данных, внутренней документации или Python-окружению. Важно ограничивать права: для первого этапа достаточно режима чтения и списка разрешённых операций.
4. Проверка результата
Агент должен явно показывать, какие фильтры применил, сколько строк обработал, какие допущения сделал и где есть неопределённость. Для числовых выводов полезно добавлять автоматические проверки: совпадают ли суммы, не изменился ли порядок величин, нет ли пустого результата из-за ошибки фильтра.
5. Ответ в формате команды
Финальный результат может состоять из четырёх блоков: вывод, подтверждающие показатели, возможные причины и рекомендуемые следующие шаги. Такой формат проще проверять и использовать в рабочих процессах.
Как измерить экономию
Самая частая ошибка — оценивать эффективность по субъективному впечатлению. Нужны измеримые показатели до и после внедрения.
Минимальный набор метрик:
- среднее время выполнения типовой задачи;
- доля задач, завершённых без ручного переписывания;
- количество исправлений в SQL и отчётах;
- время от постановки вопроса до первого результата;
- стоимость одного запуска агента;
- доля ответов, которые требуют проверки специалиста.
Допустим, аналитик тратил 40 минут на подготовку еженедельной сводки. Агент делает черновик за 4 минуты, а специалист тратит ещё 8 минут на проверку. Экономия составляет 28 минут, или 70% времени на одну задачу. Если таких сводок 100 в месяц, команда высвобождает около 46 часов.
При этом важно считать не только токены, но и полный цикл: стоимость запросов к модели, вызовов инструментов и ручной проверки. В ряде сценариев именно слишком длинный контекст, а не сама модель, становится главным источником расходов.
Сколько стоят такие сценарии через API
В Протоке списание идёт по факту за каждый запрос. Котировки указаны в рублях за 1M токенов на дату публикации.
Для сложного анализа с большим контекстом подойдут Claude Opus 4.8 и Claude Opus 5: вход — 81,58 ₽, выход — 407,87 ₽ на дату публикации. Claude Sonnet 5 стоит 48,95 ₽ за 1M входных токенов и 244,72 ₽ за 1M выходных на дату публикации.
Для большинства регулярных операций можно начать с GLM-5.3: 20,47 ₽ за 1M входных и 64,34 ₽ за 1M выходных токенов на дату публикации. Если задача типовая — классифицировать запрос, привести текст к шаблону или сделать короткое резюме, — подойдёт GLM-5.3 Flash: 10,94 ₽ за вход и 36,47 ₽ за выход на дату публикации.
Для экономичных пайплайнов доступны GPT-5.6 Terra с ценами 8,42 ₽ и 50,49 ₽, GPT-5.6 Luna — 3,27 ₽ и 19,58 ₽, а также GLM-5.2 — 3,00 ₽ за вход и 10,51 ₽ за выход на дату публикации. В каждой паре первая цифра относится к входным, вторая — к выходным токенам.
Пример расчёта: один агентный запуск использует 12 000 входных и 2 000 выходных токенов. На GLM-5.3 это составит примерно 0,25 ₽ за вход и 0,13 ₽ за выход — около 0,38 ₽ без учёта дополнительных вызовов инструментов. На GLM-5.3 Flash тот же объём обойдётся примерно в 0,13 ₽ и 0,07 ₽ — около 0,20 ₽.
На практике агент может сделать несколько обращений к модели за один сценарий. Поэтому бюджет лучше рассчитывать с запасом: умножить стоимость одного шага на среднее число итераций и добавить расходы на повторные проверки.
Пример запроса к API
В коде параметр model — это slug модели из котировок, а не её отображаемое имя. Например, для GLM-5.3 Flash:
import requests
response = requests.post(
"https://dualchat.pro/v1/chat/completions",
headers={
"Authorization": "Bearer sk-dc-ВАШ_КЛЮЧ",
"Content-Type": "application/json",
},
json={
"model": "glm-5.3-flash",
"messages": [
{
"role": "system",
"content": (
"Ты помощник аналитика. Не выдумывай данные. "
"Указывай допущения и возвращай ответ блоками: "
"вывод, проверки, риски, следующие шаги."
),
},
{
"role": "user",
"content": "Сравни конверсию по каналам за две недели и перечисли отклонения.",
},
],
"temperature": 0.1,
},
timeout=60,
)
print(response.json())Ключ создаётся в кабинете в разделе «Ключи». Подключение можно встроить в существующий сервис: достаточно направить запросы на https://dualchat.pro/v1. Поддерживаются стриминг и кэширование промптов, поэтому длинные неизменные инструкции агента можно организовать эффективнее.
Как внедрять без потери качества
Начните с одной повторяющейся задачи и соберите 20–30 реальных примеров. Зафиксируйте эталонные ответы, типовые ошибки и время ручной обработки. Затем настройте инструкцию агента, ограничения инструментов и формат результата.
После этого сравните две группы: работу специалиста вручную и работу по схеме «агент плюс проверка». Если качество сохраняется, а время снижается, расширяйте сценарий. Не стоит сразу подключать агента ко всем источникам и разрешать ему выполнять необратимые действия.
Вывод
ИИ-агент помогает автоматизировать повторяющиеся операции аналитика, но результат зависит не только от выбранной модели. Нужны чёткий процесс, ограниченные права, проверяемые шаги и расчёт стоимости каждого запуска.
В Протоке можно собрать такой сценарий через единый API, оплачивать запросы в рублях по факту и выбирать модель под задачу и бюджет. Пополнение доступно картой онлайн, по счёту для организации и через СБП. Посмотрите актуальные котировки и подключите первый рабочий сценарий на dualchat.pro.