В прошлом уроке AI создавал меры через MCP. Это частный случай большего сдвига — агентной разработки: AI не просто советует, а ведёт часть работы сам, под присмотром человека. Разберём по статье SQLBI об AI и агентной разработке для BI.
Чат-помощник против агента
Чат-помощник работает по схеме «вы спросили — он ответил кодом — вы скопировали». Всё вручную.
Агент идёт дальше: сам читает и пишет файлы проекта, оркеструет многошаговые задачи, пользуется командной строкой и интеграциями — и выполняет содержательную работу под надзором человека. AI становится активным участником разработки, а не пассивным генератором текста.
Чат даёт код — вы вставляете. Агент сам вносит изменения в проект и доводит задачу до результата. Больше возможностей — но и больше требований к настройке и контролю.
Роль MCP и инструментов
Связь агента с реальными системами обеспечивают MCP-серверы — мосты к Figma, Fabric, GitHub, Power BI. Как мы видели на примере Power BI Modeling MCP, инструменты позволяют агенту не только лучше понять контекст, но и действовать в среде. Без них агент остаётся на уровне совета.
Что агент реально может в BI
- Семантическое моделирование: параметризация шагов Power Query, правки метаданных.
- Разработка отчётов: черновая сборка страниц по вайрфреймам — до ручной доводки.
- Код и ревью: генерация и автономная обработка pull request.
- Делегирование: асинхронная фоновая работа над узкой, чётко поставленной задачей.
Полная генерация отчёта «от и до» — нереалистична в обозримом будущем. Агент хорош на узких, хорошо очерченных задачах, а не как замена разработчику.
Риски и роль человека
Статья честно перечисляет ограничения:
- агенты ошибаются с форматами метаданных Power BI — данных для обучения по ним мало;
- нужен серьёзный надзор и оркестрация;
- требуется большой вклад в контекст — документацию и инструкции, а не «общие промпты».
За человеком остаётся главное: планирование, проверка результата, богатый контекст и контроль над тем, что делает агент.
Рекомендации: сначала порядок, потом AI
Подход из статьи — поэтапный и трезвый:
- Сначала наладьте процессы — потом добавляйте AI.
- Вкладывайтесь в контекст и инструкции, а не в универсальные промпты.
- Считайте агента усилителем на конкретных задачах, не заменой команды.
- Беритесь за сценарии с измеримым ROI, а не за эксперименты ради хайпа.
«Добавить AI и агентов поверх» бардака в процессах — значит «сделать бардак сложнее». AI ценен там, где BI-практики уже зрелые. Поэтому фундамент — модель, контекст, процессы — важнее, чем сам факт подключения агента.
Как это видим мы
В DEEONE агентный подход даёт выигрыш именно потому, что у нас есть слой контекста: конвенции модели, типовые архитектуры, проверенные паттерны (часть из них — в генераторе DAX-мер и этих курсах). Агент на таком фундаменте ускоряет работу; на пустом месте — плодит ошибки. Поэтому мы не «подключаем AI», а сначала ставим процессы, а потом ускоряем их.
Что дальше
От стратегии — к конкретике: в следующем уроке посмотрим, как AI помогает создавать кастомные визуалы (Deneb / Vega-Lite). Курс пополняется.