Агентный ИИ перестраивает индустрию аналитики и исследований

Рынок исследований и аналитики переживает структурный сдвиг. Компании, которые десятилетиями зарабатывали на сборе и обработке данных, перестраивают бизнес-модели под натиском агентного ИИ. Одни перезапускаются как AI-native платформы. Другие — исчезают.

За последние 18 месяцев произошло то, что аналитики называют «тихой революцией»: агентный ИИ перестал быть экспериментом и стал производственной технологией. Google Cloud выпустил отчёт «AI Agent Trends 2026», где ввёл понятие Agent Orchestrator — новой роли, которой не существовало два года назад. ThoughtSpot запустил Spotter Semantics — семантический слой, который позволяет AI-агентам давать согласованные ответы на бизнес-вопросы. А Global Industry Analysts, Inc., основанная в 1987 году, переименовалась в Market Glass и полностью перешла на agentic AI-платформу.

Сдвиг занял 18 месяцев. Не больше.

В LinkedIn-каналах крупнейших игроков тема agentic analytics набирает обороты: ThoughtSpot публикует кейсы внедрения Spotter в Chevron и LegalZoom, эксперты обсуждают переход от BI к AI-агентам в корпоративной аналитике. Социальный сигнал подтверждает: рынок находится в точке перегиба, когда технология переходит из разряда экспериментальных в production-ready (готовую к промышленной эксплуатации).

Цифры говорят сами за себя.

Рынок: от отчётов к агентам

Объём рынка AI-агентов, по данным Roots Analysis, достигнет $221 млрд к 2035 году при CAGR 34,6%. Традиционная индустрия market research (исследований рынка), оцениваемая в $80 млрд, столкнулась с вызовом: клиенты больше не хотят покупать статичные PDF-отчёты. Им нужны агенты, которые мониторят рынок в реальном времени, формулируют гипотезы и дают ответы на естественном языке.

CB Insights в июне 2026 года запустил Team of Agents — набор AI-агентов, которые автоматизируют конкурентный анализ, скрининг стартапов и поиск инвесторов. PitchBook последовал за ними, интегрировав agentic AI в свою платформу для private markets. Рынок движется от инструментов, помогающих аналитикам, к агентам, заменяющим аналитиков в рутинных задачах.

Сдвиг подтверждается цифрами. Mordor Intelligence оценивает рынок agentic AI в $9,89 млрд в 2026 году с ростом до $57,42 млрд к 2031 году — CAGR 42,14%. IndustryARC даёт ещё более агрессивный прогноз: $121 млрд к 2032 году. Даже консервативные оценки показывают: речь идёт не об очередном хайпе, а о структурном сдвиге, который затронет каждый сегмент аналитической индустрии.

Что растёт: три уровня трансформации

Первый уровень — инфраструктурный. ThoughtSpot в марте 2026 запустил Spotter Semantics — семантический слой, решающий проблему «разных ответов на один вопрос». LinkedIn Research показала, что только 53% ответов enterprise text-to-SQL систем (корпоративных систем перевода запросов с естественного языка в SQL) корректны. Spotter Semantics использует knowledge graph (граф знаний) для кодирования бизнес-логики, security-правил и метрик — агенты получают единый контекст. Это принципиально иной подход по сравнению с прямым LLM text-to-SQL, где модель пытается сгенерировать запрос без понимания схемы данных и бизнес-правил.

Проблема согласованности — ключевой барьер внедрения agentic AI в аналитике. Если финансовый директор и руководитель отдела маркетинга задают один и тот же вопрос о выручке, но получают разные цифры — доверие к системе теряется. Spotter Semantics решает это на уровне архитектуры: patented search-token architecture (запатентованная архитектура поисковых токенов) и ThoughtSpot Modeling Language транслируют вопросы в детерминированный SQL, который всегда возвращает один и тот же результат при одинаковых входных данных.

Scoop Analytics пошёл дальше: компания запустила AI-агента для Slack с deep reasoning и автоматическим data snapshotting — система запоминает состояние данных на каждый момент времени. «Ни одна другая BI-платформа этого не предлагает», — утверждают в компании. Функция позволяет задавать вопросы вроде «каким был pipeline coverage во втором квартале прошлого года?» и получать точный ответ, а не текущий срез данных.

Второй уровень — бизнес-модели. Global Industry Analysts, работавшая с 1987 года как классический издатель рыночных отчётов, в апреле 2026 полностью перезапустилась как Market Glass с AI-платформой Acumen.Biz. Компания сознательно отказалась от source feeds с платформ, «где агенты, а не люди, публикуют контент». Это контринтуитивный ход: пока конкуренты форсируют AI-генерацию, Market Glass делает ставку на верифицированные человеческие источники и использует AI только как слой оркестрации и анализа, а не генерации.

LatentView Analytics, глобальная AI-аналитическая компания, в апреле 2026 инвестировала $3 млн в Healtheon AI — agentic AI-платформу для healthcare Revenue Cycle Management. Сделка структурирована как SAFE note, и LatentView стал предпочтительным партнёром по внедрению. Это пример того, как традиционные аналитические компании покупают AI-возможности вместо того, чтобы строить их с нуля.

Третий уровень — трудовые роли. Google Cloud в отчёте «AI Agent Trends 2026» прогнозирует появление роли Agent Orchestrator — «оркестратора агентов», человека, управляющего командой специализированных AI-агентов. В отчёте приводится концепция «10×-маркетолога»: пять агентов (data agent, content agent, creative agent) работают под руководством одного человека. Уже сейчас 52% руководителей внедряют AI-агентов в production. IDC прогнозирует рост числа активных AI-агентов с 28 млн в 2025 до 2,2 млрд к 2030 году.

Что падает: традиционная модель исследований

Рынок статических отчётов сжимается. Клиенты больше не готовы платить $3 000–15 000 за PDF, который устарел в день публикации. CB Insights, PitchBook и Gartner переходят на agentic-модели, где подписчик получает не документ, а доступ к системе агентов, которые анализируют рынок в реальном времени.

Особенно болезненно этот переход бьёт по публичным исследовательским компаниям. Их бизнес-модель — продажа одного и того же отчёта multiple times (многократная продажа одного продукта разным клиентам) — разрушается, когда клиент может задать вопрос AI-агенту и получить персонализированный ответ за секунды. Gartner уже анонсировал, что 75% процессов найма будут включать AI-профициенси тестирование к 2027 году — индикатор того, насколько глубоко agentic AI проникает в корпоративные процессы.

Ещё один симптом: венчурные инвестиции в agentic AI достигли $24,2 млрд в 2025 году по данным PitchBook — 1 311 сделок за год. Капитал идёт в конкретные приложения: аналитика, compliance, автоматизация рабочих процессов, а не в общие AI-платформы. Рынок голосует деньгами — и голос слышен.

Проблема усугубляется синтетическими данными. Когда AI-агенты обучаются на контенте, сгенерированном другими AI-агентами, качество аналитики деградирует — эффект «model collapse». Market Glass сделал это своим конкурентным преимуществом, полностью отказавшись от AI-сгенерированных source feeds и используя только верифицированные человеческие источники.

Новое: Spotter Semantics и согласованность ответов

ThoughtSpot Spotter Semantics решает фундаментальную проблему enterprise AI: один вопрос должен возвращать один ответ независимо от формулировки. Платформа использует patented search-token architecture (запатентованную архитектуру поисковых токенов) и ThoughtSpot Modeling Language для трансляции естественного языка в детерминированный SQL.

Это контрастирует с подходами конкурентов, полагающихся на прямой LLM text-to-SQL — метод, корректный лишь в 53% случаев по данным LinkedIn Research. Spotter Semantics добавляет слой верификации через knowledge graph (граф знаний) между вопросом пользователя и генерацией SQL. Результат — предсказуемая, аудитируемая аналитика, критически важная для финансовых и регуляторных отчётов.

Рынок уже реагирует: ThoughtSpot отчитался о росте числа клиентов, внедряющих Spotter, на 200% год к году. Компания также запустила четыре BI-агента, работающих как команда: аналитик данных, инженер данных, разработчик и бизнес-аналитик. Каждый агент имеет свою специализацию, но они делятся общим контекстом через семантический слой.

Как мы писали в июне, разрыв между инсайтами и действиями остаётся главным вызовом для бизнеса. Spotter Semantics — попытка сократить этот разрыв на уровне архитектуры, где согласованность ответов обеспечивается не качеством отдельной LLM, а структурой данных и бизнес-логики.

Сравнение: традиционная vs агентная

Разницу между двумя моделями можно свести к одному параметру: время. Традиционный отчёт — это фотография рынка в момент публикации. Агентная модель — это видеопоток, который никогда не останавливается. Для инвестора разница принципиальна: в мире, где рыночная ситуация меняется за неделю, опора на трёхмесячный отчёт означает принятие решений на устаревших данных.

Итоговая картина выглядит так: традиционная индустрия аналитики переживает момент, сравнимый с тем, что случилось с печатными медиа в 2010-х. Те, кто успеет перестроиться, получат доступ к рынку, растущему на 30–40% в год. Остальные — разделят судьбу газет, не заметивших появление интернета.

Для инвесторов ключевой вопрос не в том, произойдёт ли трансформация. Она уже идёт. Вопрос — какие компании окажутся на правильной стороне этого сдвига и какие активы сохранят стоимость. Рынок даёт первые подсказки: CB Insights наращивает agentic-функциональность, ThoughtSpot показывает 200% рост внедрений Spotter, а 38-летний ветеран индустрии Global Industry Analysts предпочёл перезапустить весь бизнес с нуля, чем пытаться адаптировать старую модель.

Четыре сигнала требуют внимания в ближайшие кварталы. Каждый из них может ускорить или затормозить трансформацию.

Источники