Від Excel-таблиць до розумних ШІ-помічників: головне з дослідження IAB Україна

Шлях від запитання до інсайту стає коротшим: класична аналітика поступово переходить у формат діалогу, а робота з цифрами стає доступною значно ширшому колу фахівців. Проте коли йдеться про бюджети та стратегічні рішення, головним викликом стає не «розумність» мовної моделі, а довіра до цифр.

Комітет Data IAB Україна оприлюднила масштабне дослідження «Генеративний ШІ в Data» (2026). У ньому зібрали практичні сценарії використання ШІ в роботі з даними — від аналізу файлів і підключення до рекламних систем через MCP до побудови розмовної аналітики та організації AI-first дата-команд. Окремий акцент зробили на ризиках та обмеженнях цих технологій. 

Ми зібрали головні інсайти дослідження. 

1. Головні інсайти дослідження
2. Три рівні роботи ШІ з даними: з чого почати?
3. Робота зі звичайними файлами: як змусити ШІ не брехати
4. Підключення ШІ до рекламних кабінетів (MCP)
5. Системний рівень: перехід від dashboard-first до answer-first BI
6. Як робити графіки та дашборди за допомогою ШІ: 3 підходи
7. Як працюють дата-команди з ШІ

Головні інсайти дослідження

Ми виділили 5 ключових висновків, які визначають правила гри для маркетингу та аналітики:

1. Контекст і контроль важливіші за саму модель

Понад 50% лідерів ринку вже використовують ШІ для пошуку інсайтів у даних. Але водночас 71% дата-фахівців побоюються, що через помилки чи «галюцинації» нейромереж керівництво ухвалить рішення на основі неправильних цифр. 

2. Є три рівні роботи з даними — і не всім потрібен найскладніший 

Аналітику за допомогою ШІ можна робити через звичайні файли (швидко й без налаштувань), через MCP-підключення (прямий доступ до рекламних кабінетів) або через власну систему (великий корпоративний помічник). 

Переходити на системний рівень варто лише тоді, коли однакові питання ставлять десятки людей щодня, а ціна помилки стає критичною.

3. Чіткі правила підвищують точність відповідей ШІ вчетверо 

ШІ не знає специфіки вашого бізнесу — наприклад, чи рахуєте ви дохід з ПДВ чи без, і чи враховуєте скасовані замовлення. 

Дослідження Anthropic у 2026 році показало: 

4. Пряме підключення ШІ до кабінетів несе ризики безпеки 

Новий стандарт підключення Model Context Protocol (MCP) дозволяє LLM напряму опитувати Google Ads, Meta, GA4 чи BigQuery без ручного експорту. Проте дослідження безпеки показують, що 91,8% публічних сторонніх серверів для такого підключення не мають базового захисту авторизації. 

Тому безпечно використовувати лише офіційні інструменти від самих платформ і давати їм права «тільки на перегляд». 

5. ШІ пише код за хвилини, але перевіряти його все одно мають люди 

72% дата-команд уже використовують ШІ для написання коду. Проте без суворих правил це лише пришвидшує накопичення помилок. 

Агентство Netpeak як активний член IAB Україна постійно долучається до розвитку ринку та створення галузевих стандартів. До роботи над блоками про розмовну аналітику та AI-first дата-команди приєднався Олександр Конівненко, Head of AI & Data Department в Netpeak. Ми ділимося практичним досвідом, щоб українські компанії могли впроваджувати сучасні ШІ-інструменти без зайвих ризиків і з максимальною користю для бізнесу. 

Три рівні роботи ШІ з даними: з чого почати?

Відповідь на одне й те саме питання — наприклад, «Яка рекламна кампанія окупилася найкраще минулого місяця?» — можна отримати трьома способами: 

1. Рівень 1. Файли (CSV / Excel, запуск за кілька хвилин). Ви завантажуєте таблицю Excel чи CSV у чат із ШІ і просите її проаналізувати. Це підходить для разового аудиту, перевірки гіпотези чи швидкої побудови графіка. Мінус: дані швидко застарівають, а якщо завантажити іншу таблицю, відповідь може змінитися — якість результату на 100% залежить від чистоти експорту та вашого промпту.
2. Рівень 2. Пряме підключення через MCP (Model Context Protocol, запуск за декілька годин або днів): ШІ напряму підключається до ваших рекламних кабінетів чи Google Analytics. Ідеально для щотижневого моніторингу та крос-канальних звітів. Проте тут виникає ризик розбіжностей: агент може випадково додати долари до гривень або порахувати одну покупку двічі з різних кабінетів.
3. Рівень 3. Система (розмовна аналітика, запуск за тижні або місяці): ШІ підключають до великого корпоративного сховища даних, де заздалегідь прописані всі формули. Це потрібно великим компаніям, де десятки людей щодня ставлять ШІ однотипні запитання, і кожен має бачити однакову правильну цифру.

Далі розглянемо особливості кожного з цих етапів. 

Робота зі звичайними файлами: як змусити ШІ не брехати 

Це найшвидший старт, але варто пам'ятати, що файл — це завжди статичний зріз даних на момент експорту:

Якщо ви працюєте зі звичайними вивантаженнями, важливо правильно підготувати таблицю та сам запит: 

1. ШІ погано розуміє об’єднані клітинки, зведені таблиці та рядки «Разом» посеред файлу. Залиште просту таблицю: один рядок — одна подія.
2. Напишіть у запиті, що означає кожен стовпець, у якій валюті цифри та за який період.
3. Завжди просіть ШІ «рахувати через Python» (тоді він використовує калькулятор, а не вгадує числа), «показати формулу» та «звірити загальну суму з оригінальним файлом».

Підключення ШІ до кабінетів (MCP) 

MCP (Model Context Protocol) — це універсальний конектор, який дозволяє ШІ-агенту самому зайти у ваш рекламний кабінет, взяти свіжі цифри й зробити звіт. За останній рік власні офіційні MCP-сервери випустили GA4, Google Ads, Meta Ads (open beta, 29 інструментів) та BigQuery.

Що можна робити з живими даними:

• знаходити технічні баги на сайті, коли на певному телефоні чи браузері різко падають продажі;
• шукати групи оголошень у Google Performance Max, які витратили понад $50 і не принесли жодної заявки;
• зводити в одну таблицю витрати з Google, Meta та LinkedIn і перевіряти, чи вкладається команда в місячний бюджет.

Щоб ШІ не плутався у звітах, йому потрібні три складові: правильні тули (інструменти дій), чіткий промпт і скіли (інструкції, як саме ваша компанія рахує метрики та які фільтри використовує). Наприклад, у запиті треба прямо вказувати «джерело істини»: брати витрати з Google Ads і Meta, а дохід — виключно з CRM. 

До того ж в описі інструментів варто залишати лише потрібні дії, інакше агент обере не той тул і поверне порожній результат. 

Безпека даних при роботі з МСР

Коли MCP-сервер отримує доступ до ваших кабінетів, важливо перевіряти, з чим ви маєте справу. Свіжі дослідження безпеки показують тривожну картину:

• 91,8% із 414 перевірених публічних HTTP-серверів працювали взагалі без базової авторизації (OAuth);
• 7,2% open-source серверів мають вразливості, причому половина з них — це просто відкриті ключі доступу;
• 5,5% мають ознаки tool poisoning — прихованих шкідливих інструкцій в описі інструментів.

Для безпечного старту автори дослідження радять:

1. Використовувати лише офіційні або перевірені сервери від самих платформ.
2. Давати ШІ права «тільки на читання» (read-only) за замовчуванням.
3. Налаштувати обов’язкове підтвердження людиною для будь-яких змін у кабінетах (write-дій), щоб ШІ випадково не змінив ставки чи не вимкнув кампанії.

4. Уважно перевіряти опис кожного інструменту перед підключенням.

Системний рівень: перехід від dashboard-first до answer-first BI

Класичні дашборди нікуди не зникнуть, але рутинний потік уточнюючих запитань переходить у формат діалогу з ШІ-помічником. Це скорочує шлях від запитання до перевіреного бізнес-рішення та розвантажує аналітиків від однотипних запитів. 

Головна думка команди дослідження: 

розмовна аналітика — це повноцінна система, а не просто «чат поверх бази даних». 

У ній кожен елемент відповідає за свою ділянку роботи:

• LLM (мовна модель) лише розуміє намір користувача і керує процесом, але нічого не вигадує;
• перевірені аналітичні інструменти виконують точні математичні підрахунки;
• семантичний шар визначає єдині правила та значення показників;
• політики доступу контролюють, які саме цифри можна показати конкретному співробітнику.

Агент не виправляє хаос у таблицях — він лише швидше масштабує помилки. Щоб ШІ не плутався у технічних назвах колонок і не додумував формули самостійно, компанії створюють семантичний шар.

Фактично це «перекладач» із мови баз даних на мову бізнесу. Він фіксує єдині правила для ключових KPI: що саме вважати чистим доходом (з ПДВ чи без, як враховувати повернення), у якій валюті та за якою датою рахувати замовлення. 

Завдяки цьому один і той самий показник (наприклад, ROAS чи кількість активних клієнтів) рахується абсолютно однаково і в дашбордах, і в API, і у відповідях ШІ-агента.

Як запустити такого помічника за 90 днів:

• перший місяць (дні 0–30): обрати один напрямок (наприклад, лише платну рекламу), зібрати 20–50 реальних питань від колег і записати для них правильні відповіді для перевірки.
• другий місяць (дні 31–60): прописати правила підрахунку метрик, налаштувати безпечні доступи й протестувати систему на точність.
• третій місяць (дні 61–90): дати доступ невеликій групі працівників, збирати їхні відгуки та виправляти помилки, перш ніж відкривати сервіс для всієї компанії.

Як робити графіки та дашборди за допомогою ШІ: 3 підходи 

Автори гайду виділяють три рівні використання AI для побудови графіків і дашбордів. Методи не конкурують між собою, а вирішують різні завдання. Кожен наступний вимагає більше налаштувань, але й дозволяє краще контролювати результат.

1. Швидкі графіки в чаті (наприклад, у Claude): Ви завантажуєте таблицю, а ШІ за секунди малює гарний графік або навіть інтерактивну вебсторінку, якою можна поділитися за посиланням. Чудово підходить для презентацій і разових звітів, але дані там не оновлюються самі.

2. Power BI+МСР. Якщо ваша компанія вже працює в Microsoft Power BI, ШІ допоможе швидко налаштувати складні формули та перевірити зв’язки між таблицями.

3. Власні вебдашборди без дорогих ліцензій: ШІ може написати код простого сайту з графіками (наприклад, на безкоштовних бібліотеках Chart.js або Apache ECharts), який щодня сам підтягуватиме свіжі цифри з кабінетів. Це вигідне рішення, якщо статистику треба показувати всій команді, а купувати платні ліцензії BI-систем на кожного працівника занадто дорого.

Як працюють дата-команди з ШІ  

За даними звіту dbt Labs (2026), 77% лідерів активно підштовхують команди підвищувати продуктивність за допомогою ШІ, і вже 72% дата-команд зробили ставку на написання коду через AI. Проте лише 24% пріоритезують ШІ для тестування, моніторингу та контролю якості процесів. 

Олександр Конівненко, Head of AI & Data Department в Netpeak:

Коли нейромережі пишуть код за лічені хвилини, головною проблемою стає не швидкість розробки, а контроль якості. 

Швидкість без чіткого процесу перетворюється на швидше накопичення помилок. 

Щоб уникнути хаосу, просунуті команди організовують ШІ-агентів як повноцінних учасників робочого процесу, де кожен має свій вузький фокус і залишає конкретний результат роботи: 

1. Один файл із правилами для ШІ. Усі заборони та стандарти компанії записують у спеціальний файл у проєкті (CLAUDE.md або AGENTS.md). Якщо ШІ двічі зробив ту саму помилку, нове правило одразу додають у цей файл.
2. Розподіл ролей. Один ШІ-агент пише код, другий перевіряє його на безпеку та витік даних, третій тестує. Кожен залишає короткий письмовий звіт.
3. Останнє слово за людиною. Жоден ШІ не має права самостійно запустити код у роботу — фінальну перевірку та запуск завжди робить керівник команди.

Як відбувається перехід на практиці, ділиться Олександр Конівненко:

Водночас зростання швидкості створює для команд новий виклик, пов’язаний із людським фактором.