YADRO встроила LLM в отчёты: цифры считает код, модель — только текст

⚡ Главное за 5 секунд

• YADRO собрала внутренний сервис: каждое утро он без человека выпускает больше десятка отчётов с выводами от нейросети.
• Числа и графики считает код — Apache Superset, Python-скрипт и выгрузки из Naumen.ITAM; модель видит только сжатый набор из нескольких десятков метрик.
• Сервис живёт в контуре компании на low-code-платформе Dify, но за её пределы команде пришлось выйти: разделение доступов и расписание она не закрывает.

🔍 Что случилось

Егор Шлюпиков, старший бизнес-аналитик YADRO, описал на Хабре, как его команда собрала сервис отчётности с LLM. Команда менеджерит парк IT-оборудования и комплектующих: сколько купить, что залежалось, что в ремонте или утилизации, плюс финансовая аналитика. Каждое утро сервис без участия человека выпускает более десятка отчётов с выводами от нейросети. При этом ни одно число в отчёт не приходит из модели — всё считает код, LLM пишет только текст.

Началось всё в апреле с задачи по остаткам на одном складе и метрики aged — доли активов, которые лежат больше года-двух. Аналитик выгрузил данные из Naumen.ITAM, вырезал юрлица и названия складов и отдал нейросети с промптом собрать HTML-отчёт. Дальше — low-code-платформа Dify в контуре компании и база знаний с описанием процессов и пояснениями к метрикам.

На сводке модель начала сама переносить числа в текст, и однажды в комментариях всплыли цифры со дня подключения базы знаний — вместо актуальных. С этого момента разделили жёстко: графики собирает линейный алгоритм, LLM генерирует комментарии без чисел. Скрипт готовит два набора данных — полный для шаблона и сжатый на несколько десятков ключевых чисел для модели. Вместо значений в тексте стоят метки, цифры подставляются при сборке отчёта по тем же правилам, что и в шаблоне.

🧠 Наш разбор

Соблазн пустить LLM в корпоративную отчётность огромный: писать пояснения к дашбордам скучно, а времени это ест много. Кейс YADRO показывает типичную эволюцию — сначала «скормим выгрузку и попросим HTML», потом упираемся в лимиты контекста и галлюцинации и приходим к жёсткой схеме. Наша оценка: главный вывод здесь не про модель, а про архитектуру — генеративный текст и арифметика должны жить в разных процессах, иначе цифры из прошлого отчёта всплывают в сегодняшнем.

Что это меняет: появляется готовый шаблон, который легко копировать — код считает, модель комментирует, метки вместо чисел. Для аналитика это минус рутина, но и минус поводов открывать Superset ради каждого вопроса. По опыту, экономия на «сделай ещё один дашборд» окажется заметнее экономии на токенах, потому что время аналитика дешевеет медленнее, чем инференс.

Кто выигрывает — вендоры low-code AI-платформ вроде Dify, хотя конкретно здесь платформу пришлось обвязывать снаружи. Похоже на то, что проигрывают продавцы «AI-аналитики» как замены BI: кейс показывает, что BI-слой никуда не делся, он стал фундаментом. И ещё один выигрыш — доверие: отчёт, где модель физически не может соврать в цифре, продаётся внутри компании легче, чем умный чат.

⚠️ Чего мы не знаем

Цифр нет: сколько часов экономит сервис, какие именно модели гоняют в контуре, сколько стоит один прогон, какого размера парк техники. Источник один — корпоративный блог, где автор заинтересован показать результат. Про Trino и про случаи, когда нужных данных в учётной системе просто нет, он обещает рассказать в самой статье, но в доступном фрагменте этих деталей не видно. Проверять читателю стоит одно: действительно ли метки-плейсхолдеры исключают подмену чисел — или шаблон всё равно собирается кодом, который тоже требует тестов.

Прогноз: в течение полугода появится хотя бы один публичный кейс от другой крупной компании с той же схемой «код считает — модель комментирует». Проверяется по корпоративным блогам и докладам на конференциях; сбудется, если компании продолжат публиковать внутренние AI-кейсы так же охотно.

Дисклеймер: один источник — корпоративный блог, независимых подтверждений нет.