Naukowcy z arXiv opublikowali TwinBI, który rozwiązuje poważny problem w nowoczesnych systemach BI. Chodzi o to, że kiedy użytkownik przechodzi między czatem z AI a bezpośrednią manipulacją dashboardem, łatwo traci się spójność — filtry przestają się synchronizować, metryki wychodzą z kontekstu, a hierarchie danych się psują. TwinBI to agentic framework, który trzyma obie strony w zgodzie poprzez wspólny log interakcji.
System działa jak cyfrowa bliźniaczka dashboarda — LLM-owy agent ma dostęp do wykonalnego stanu dashboarda i może zarówno interpretować polecenia w języku naturalnym, jak i śledzić zmiany wprowadzane ręcznie. TwinBI eksponuje też artefakty takie jak widoki schematu, SQL czy insights commands, co ułatwia użytkownikowi zrozumienie, co się w danych dzieje i dlaczego agent doszedł do konkretnych wniosków.
WynikiTestów są imponujące: w A/B benchmarku TwinBI poprawiło dokładność z 43,3% do 63,3% (exact match) i zmniejszyło timeout'y z 40% do 10%. W badaniu użyteczności uczestnicy cenili sobie zintegrowany workflow, gdzie mogą bezproblemowo przechodzić między czatem a klikami w dashboardzie. To oznacza, że system robi konkretną różnicę zarówno w niezawodności analiz, jak i w wygodzie użytkownika.