Snowflake продвигает Semantic Views как способ согласовать ответы AI‑агентов в бизнес‑данных

Когда аналитические запросы начинают выполнять AI‑агенты, в компаниях быстро всплывает старая проблема, расхождение метрик. В такой среде она напрямую бьёт по доверию к результатам. Типичная ситуация: руководитель продаж спрашивает у агента выручку за Q3 и получает $14.2 млн. Через час CFO задаёт тот же вопрос и видит уже $12.8 млн. При этом обе цифры могут считаться корректными, просто они рассчитаны в разных системах. Именно эта разница и разрушает доверие к данным.

Как пишет Towards AI, Snowflake предлагает решать подобные конфликты с помощью Semantic Views. Смысл подхода довольно прямой: бизнес‑метрики определяются один раз, прямо внутри базы данных. После этого все потребители данных, от BI‑панелей до AI‑агентов, используют одну и ту же логику расчёта. В таком случае показатель вроде revenue существует как единое, именованное и задокументированное определение. Он больше не распадается на несколько формул, разбросанных по дашбордам, ноутбукам или промптам.

Semantic view в Snowflake описывается как объект уровня схемы, который хранит бизнес‑смысл данных рядом с самими данными. Внутри задаются таблицы, dimensions, facts и metrics, а бизнес‑логика фиксируется в SQL. За счёт этого одна и та же метрика может использоваться в разных инструментах: BI tools, notebooks, dbt models, applications и AI agents. При этом не требуется заново воспроизводить расчёты вручную.

В материале также напоминают, что расхождения метрик появились не вчера. Разные команды и раньше могли по‑разному трактовать, например, активного клиента или правила учёта возвратов. Раньше аналитики замечали такие различия и договаривались о едином подходе. Но в системах, где работают многочисленные автоматические агенты, человеческий контроль почти исчезает. В итоге разные версии одной и той же метрики могут незаметно разойтись по всей организации.