Data Formulator 0.7 próbuje przebudować analitykę danych enterprise wokół agentów AI

Microsoft Research wydał Data Formulator 0.7 jako środowisko analityczne, w którym agenty AI pomagają w całym procesie: przenoszeniu danych enterprise do przestrzeni roboczej, ich eksploracji, analizie i zamianie w wizualizacje. To nie tylko generowanie wykresu z promptu, lecz próba połączenia przygotowania danych, eksploracji i wizualizacji w jednym interaktywnym procesie.

Agent, który ma obsłužyć przygotowanie danych, eksplorację i wizualizację w jednym kroku

Sednem podejścia jest użycie agentów AI bezpośrednio nad pracą analityczną, nie tylko jako interfejsu chatowego nad gotowym wynikiem. Użytkownik może wprowadzić dane enterprise, zadawać eksploracyjne pytania i pozwolić agentowi zaproponować transformacje i końcową wizualizację.

Dla Microsoftu to logiczny kierunek. Copilot i interfejsy agentowe mają większy sens, gdy opierają się na ustrukturyzowanych danych firmowych, a nie tylko dokumentach i chacie. Data Formulator sprawdza, czy tę warstwę da się zbudować dla osób, które nie są pełnymi data engineers.

Analityka enterprise ma problem dokładnie tam, gdzie agent obiecuje pomoc

Analityka enterprise nadal zawiera wiele ręcznych kroków: czyszczenie danych, wybór właściwego wykresu, iterowanie zapytań, wyjaśnianie wyniku i przygotowywanie materiałów dla innych. Jeśli agent obsłuży tę warstwę, przyspieszy pracę ludzi, którzy codziennie podejmują decyzje na podstawie danych, ale nie mają zaplecza data engineera.

Ważna jest też kontrola. Lokalne workflow i audytowalne kroki mogą być łatwiejsze do zarządzania niż ogólny asystent AI, który wszystko rozwiązuje przez zdalny model bez widocznych kroków pośrednich.

Dane enterprise są brudne, objęte uprawnieniami i słabo udokumentowane: agent musi sobie z tym poradzić poza demo

Najtrudniejszą częścią nie będzie samo UI. Dane enterprise są brudne, objęte uprawnieniami i często słabo udokumentowane. Aby narzędzie działało poza demo, musi obsłužyć governance, audit, pochodzenie danych i jasne rozdzielenie sugestii od zweryfikowanego wniosku.

Bez tego agent może łatwo wygenerować wizualizację, która wygląda przekonująco, ale opiera się na złym zapytaniu lub nieudokumentowanej transformacji. Fałszywa pewność wynikająca z szybkiego wykresu jest w środowisku enterprise droższa niż powolna ręczna analiza.

Sygnałem będzie integracja z Fabric lub Power BI i realne wdrożenie poza blogiem badawczym

Warto obserwować, czy Data Formulator dostanie realne integracje z Microsoft Fabric, Power BI lub szerszym stackiem Copilot. Praktyczny dowód będzie prosty: mniej ręcznej pracy przy przygotowaniu analiz i mniej fałszywej pewności w wykresach.

Jeśli projekt pozostanie w trybie research demo bez adopcji produkcyjnej, będzie to sygnał, że agentowa warstwa analityczna jest trudniejsza, niż sugeruje UI.

Werdykt Lilith

Data Formulator celuje w moment, w którym tabela zamienia się w decyzję. Agent obiecuje przejąć pracę przy przygotowaniu danych, ale w enterprise odniesie sukces tylko wtedy, gdy poradzi sobie z danymi, które nie są czyste i nigdy nie były.