«Ответ без источника — не ответ»: Qlik построила Qlik Answers на Amazon Bedrock для 40 000 клиентов

Задача: ответ, которому можно доверять

Qlik Answers решает распространённую корпоративную проблему: сотрудники не испытывают недостатка в данных — им не хватает быстрого способа задать по ним настоящий вопрос и получить ответ, которому можно доверять. Аналитики тратят часы на поиск по документам, дашбордам и институциональной памяти, чтобы ответить на то, что коллега мог бы спросить одной фразой, а компании, пытающиеся закрыть этот разрыв генеративным ИИ, упираются в одну и ту же стену — ответы без источников, невозможность проверить результат и отсутствие пути развернуть инструмент в регулируемой среде.

Qlik — глобальный поставщик в области интеграции данных, качества данных, аналитики и ИИ — построила Qlik Answers для более чем 40 000 клиентов по всему миру. С момента выхода в общую доступность в феврале 2026 года продукт перешёл от ранней возможности к ежедневному использованию: один только Discovery Agent, агент обнаружения аномалий и выбросов, с момента запуска выявил для клиентов более 100 000 находок, а большинство аккаунтов Qlik Cloud с включёнными агентными инструментами активно ими пользуются, а не пробуют один раз и бросают.

Три задачи, которые пришлось решать одновременно

Чтобы довести Qlik Answers до продакшена у всей клиентской базы, Qlik выделила три задачи, которые требовалось решать одновременно. Первая — оркестрация специализированного рассуждения без замедления: корпоративные вопросы очень разные, одни требуют быстрого поиска, другие — вытягивания данных из структурированной аналитики, неструктурированных документов, глоссариев или автоматизаций, а один универсальный ассистент по мере наращивания возможностей становится медленнее и менее точным.

Вторая — соблюдение требований по суверенитету данных по регионам: у клиентов Qlik в Европе, Азиатско-Тихоокеанском регионе и Америке свои ожидания по резидентности данных, единая глобальная модель развёртывания их не удовлетворяет, но и 11 отдельных региональных сборок трудно поддерживать и развивать согласованно. Третья — прогнозирование ёмкости моделей за месяцы до спроса: потребление токенов и доступность моделей требовалось планировать за 3–6 месяцев до крупных запусков, а затем сверять прогнозы с фактическим использованием по мере роста adoption, чтобы рост не превратился в проблему с ёмкостью.

Архитектура: семь слоёв вместо одного большого ассистента

Система построена вокруг чётких архитектурных границ, а не одного большого ассистента. Входной слой даёт стабильную точку входа в диалог внутри Qlik Cloud, чтобы новые возможности бэкенда добавлялись без изменения способа общения клиента с ассистентом. Слой маршрутизации — лёгкий компонент, который читает сообщение и контекст разговора и решает, куда направить запрос; его единственная задача — быстрое и точное решение о маршруте, а не решение самой задачи. Слой ответа координирует генерацию после маршрутизации, выбирая между быстрым путём для простых запросов и более основательным путём, который разбивает вопрос на подвопросы и тянет данные из нескольких источников.

Слой специализированных агентов опирается на общий swarm-рантайм, задающий, как работают агенты, инструменты, состояние и шаги с участием человека, чтобы новые специалисты не изобретали каждый свою модель оркестрации. Слой разговорной аналитики обрабатывает вопросы к структурированным данным, направляя их на путь рассуждения, осведомлённый о приложениях, а не на общую генерацию текста. Слой поиска для индексации и извлечения неструктурированных документов работает на Amazon OpenSearch Service. И наконец, слой доступа к моделям, доступный через собственный LLM-шлюз Qlik, подключается к Amazon Bedrock для чата, стриминга, эмбеддингов и реранкинга.

Grounding как проверяемый контроль продакшена

Grounding стал одним из важнейших проектных решений. Слой ответа тянет контекст из нескольких видов источников в зависимости от вопроса — метаданные структурированных приложений, извлечённое содержимое базы знаний, определения глоссария, контекст автоматизаций и содержимое документов для суммаризации, — а затем собранный ответ целиком представляется пользователю.

Но одного извлечения для точности мало: Qlik дополнительно прогоняет проверку обоснованности сгенерированных ответов, сопоставляя каждый с исходным содержимым через возможность contextual grounding в Amazon Bedrock Guardrails, превращая grounding из шага извлечения в проверяемый production-контроль. Guardrails применяются к каждому запросу и ответу: контент-фильтрация промпт-инъекций, персональных данных, секретов и запрещённых тем плюс проверка обоснованности ответа. Когда нужная клиенту модель ещё недоступна в регионе через Bedrock, Qlik размещает её на Amazon SageMaker AI, а затем переносит нагрузку обратно в Bedrock по мере появления региональной доступности. Суверенитет в масштабе обеспечивает кросс-региональный вывод Amazon Bedrock (CRIS): Qlik обслуживает все 11 регионов, сохраняя данные там, где этого требует соответствие требованиям.

Результаты у клиентов

Развёртывания у клиентов показывают, как это выглядит на практике. Bystronic, мировой специалист по обработке листового металла, развернула AI-чатбота за 15 минут, дав сотрудникам способ запрашивать операционные данные в реальном времени и получать ответы со ссылками на источники между подразделениями. Lintech International проиндексировала более 17 000 технических документов в Qlik Answers, сократив время ручного исследования и ускорив ответы на 75%, что вернуло бизнес-менеджерам до 7 часов в неделю. TouchPoint Support Services, обслуживающая 650 медицинских учреждений и нацеленная на удвоение, использует Qlik Answers, чтобы давать быстрые и соответствующие требованиям подсказки 15 000 сотрудников в регулируемой и быстро меняющейся среде.

С момента февральского релиза 2026 года Discovery Agent выявил для клиентов более 100 000 находок, а большинство аккаунтов Qlik Cloud с включёнными агентными инструментами продолжают пользоваться агентами, а не бросают их после первой пробы.

Уроки и что дальше

Сборка и масштабирование Qlik Answers на более чем 40 000 клиентов дали несколько уроков. Разделять быструю маршрутизацию и глубокое рассуждение нужно с самого начала: если связать их, каждый запрос платит за больше обработки, чем ему нужно. Стоит стандартизировать один фреймворк оркестрации для мультиагентного исполнения, а не позволять каждому новому специалисту изобретать свой рантайм. Проверки безопасности и обоснованности надо делать системным гейтом на слое доступа к моделям, а не доработкой под каждую функцию, — тогда каждый новый агент автоматически наследует те же защиты.

Фичефлаги на уровне тенанта позволяют наращивать возможности постепенно, не влияя на надёжность основного опыта, а привычку прогнозировать ёмкость лучше завести заранее, сверяя прогноз с фактом после каждого запуска. На будущее архитектура остаётся намеренно открытой: Qlik оценивает Amazon Bedrock AgentCore для отдельных рабочих нагрузок, где управляемый агентный рантайм снизил бы операционные издержки, продолжая строить на открытых стандартах и собственном слое оркестрации, и параллельно создаёт систематический фреймворк оценки производительности моделей, чтобы переходить на более подходящие модели без сбоев в опыте клиентов.