Artykuł ekspercki

Rozmowa z danymi firmy: dlaczego text-to-SQL podaje błędne liczby i co naprawia warstwa semantyczna

Ten artykuł jest dla zarządu, dyrektorów finansowych i kierowników, którym ktoś zaproponował „rozmowę z danymi”, czyli zadawanie AI pytań o sprzedaż czy koszty zwykłym językiem. Wyjaśniamy, skąd biorą się błędne odpowiedzi, których nie widać na pierwszy rzut oka. Pokazujemy też, co je naprawia i jak sprawdzić jakość, zanim liczby trafią na posiedzenie zarządu.

Autor: Kacper Włodarczyk, CEO ALGORCOMPOpublikowano: 23 sierpnia 2026Czas czytania: 11 min czytaniaDane i analitykaDla: Średnia firma
Rozmowa z danymi firmy: dlaczego text-to-SQL podaje błędne liczby i co naprawia warstwa semantyczna

Czym jest „rozmowa z danymi” i dlaczego pokaz działa lepiej niż wdrożenie

Bazy danych odpowiadają na pytania zapisane w języku SQL, którym programy pytają bazę o dane. Text-to-SQL to zamiana pytania zadanego zwykłym językiem, np. „ile sprzedaliśmy w czerwcu?”, na takie zapytanie. Robi to model AI, a wynik wraca jako liczba, tabela lub wykres.

Na pokazie działa to imponująco, bo przykładowa baza ma kilka czytelnych tabel. Prawdziwa hurtownia danych, czyli baza zbierająca dane z ERP, CRM i księgowości do raportów, wygląda inaczej. Ma setki tabel, skróty w nazwach kolumn i kilka pokoleń rozwiązań, których nikt nie usunął.

Różnicę dobrze pokazuje test Spider 2.0 przedstawiony na konferencji ICLR 2025. Agent oparty na modelu o1-preview rozwiązał w nim tylko 21,3% zadań opartych na realnych bazach firmowych. Na akademickim zbiorze Spider 1.0 metody oparte na GPT-4 osiągały wcześniej 91,2%. Różnicę robią dane, na których pracuje model, i złożoność zadań.

Dochodzi do tego łączenie tabel. Pytanie o sprzedaż klientom z segmentu premium w uporządkowanej bazie wymaga jednego połączenia, a w bazie, która rosła latami – kilku. Każde z nich to miejsce, w którym można zgubić lub zdublować wiersze z danymi.

Jak wygląda cicha pomyłka

W analizie 4 602 błędnych zapytań (Shen i in., arXiv 2501.09310) prawie co trzeci błąd dotyczył znaczenia pytania lub danych, a nie składni zapytania. To ważne rozróżnienie. Błąd składni kończy się komunikatem, którego nie da się przeoczyć. Błąd znaczenia kończy się poprawnie wyglądającą liczbą.

Poniżej trzy typowe rodzaje takich pomyłek. Wszystkie wynikają z tego, że reguły oczywiste dla ludzi w firmie nie są nigdzie zapisane w bazie danych, więc model ich nie zna.

  • Kilka definicji tego samego pojęcia. Pytanie „jaki był przychód w czerwcu?” ma w bazie co najmniej trzy poprawne odpowiedzi: wartość faktur wystawionych w czerwcu, wartość zamówień zrealizowanych w czerwcu i przychód rozpoznany księgowo. Model wybiera pierwsze pole, które pasuje, i nie informuje o wyborze.
  • Filtry, o których nikt nie mówi. W firmie wszyscy wiedzą, że nie liczy się dokumentów anulowanych, korekty wchodzą do miesiąca faktury pierwotnej, a spółka zależna ma osobny raport. Te reguły żyją w głowach kilku osób i w kodzie starych raportów, ale nie w bazie.
  • Jednostki i waluty. Kolumna z ceną bez informacji, czy to kwota netto czy brutto, w jakiej walucie i po jakim kursie, jest dla modelu zwykłą liczbą. Suma wygląda wiarygodnie, a jest błędna.
Rozmowa z danymi firmy: dlaczego text-to-SQL podaje błędne liczby i co naprawia warstwa semantyczna

Co naprawia warstwa semantyczna

Warstwa semantyczna to zapisany słownik firmy położony między bazą a pytającym. Zawiera listę wskaźników z jednym sposobem liczenia, wymiary, po których wolno je dzielić, np. region czy grupę produktów, oraz opisy w języku, którym mówi firma. Model nie pisze wtedy obliczeń od zera, tylko wybiera z gotowych, zatwierdzonych pojęć.

W teście dbt Labs z kwietnia 2026 r. najwięcej dało jednak uporządkowanie samych danych. Dodanie trzech modeli danych podniosło text-to-SQL z 64,5% do 90,0% dla Claude Sonnet 4.6. Warstwa semantyczna dołożyła do tego kolejne punkty, co pokazuje tabela poniżej.

Skalę testu trzeba znać: 11 pytań, każde zadane 20 razy, na jednym zbiorze ubezpieczeniowym z 15 tabelami. To mocny sygnał kierunku, a nie dowód, że u Ciebie wyjdzie tyle samo. Ten sam test pokazał też ograniczenie: warstwa semantyczna odpowiada tylko na pytania, które obejmują jej definicje.

Budowa warstwy semantycznej ma jeszcze jedną zaletę. Wymusza rozstrzygnięcie sporów o definicje, np. czym jest przychód. To bywa najtrudniejsza część projektu, ale daje wartość także bez AI.

Odsetek poprawnych odpowiedzi w teście dbt Labs, kwiecień 2026 r. (11 pytań × 20 powtórzeń)
WariantText-to-SQLWarstwa semantyczna
Surowe tabele (oba modele)64,5%72,7%
Po dodaniu 3 modeli danych – Claude Sonnet 4.690,0%98,2%
Po dodaniu 3 modeli danych – GPT-5.3-Codex84,1%100%

Jak to wygląda w Power BI

W Power BI warstwa semantyczna już istnieje i nazywa się modelem semantycznym. Miary, czyli wzory obliczeń zapisane w modelu, to dokładnie jeden obowiązujący sposób liczenia przychodu, marży czy rotacji zapasów.

To, czy Copilot w Power BI odpowiada sensownie, zależy zwykle od kilku rzeczy wymienionych poniżej. Microsoft udostępnia do tego narzędzie „Prep data for AI”, w którym właściciel modelu zapisuje instrukcje dla AI i zatwierdzone odpowiedzi na typowe pytania.

Copilot w Power BI wymaga pojemności Fabric F2 lub Premium P1 albo wyższej, sama licencja Pro nie wystarcza. Według dokumentacji część funkcji nie obsługuje jeszcze oficjalnie pytań w językach innych niż angielski. Sprawdź to na polskich pytaniach przed udostępnieniem zarządowi.

  • Czy liczby są liczone miarami w modelu, czy doraźnie w poszczególnych wykresach.
  • Czy tabele, kolumny i miary mają opisy pisane językiem firmy, a nie skrótami z bazy.
  • Czy model zawiera synonimy – handlowcy mówią „obrót”, zarząd „sprzedaż”, a chodzi o to samo.
  • Czy asystent ma wąski zakres. Nad jednym dobrze opisanym modelem odpowiada wiarygodnie; nad wszystkimi modelami w firmie ma do wyboru wiele podobnych tabel i zaczyna zgadywać.
  • Czy na najczęstsze pytania są zapisane zatwierdzone odpowiedzi.
Pytanie zadane zwykłym językiem zamieniane na zapytanie do bazy danych z jedną obowiązującą definicją wskaźnika

Błąd w zapytaniu kończy się komunikatem o błędzie. Błąd w znaczeniu kończy się liczbą, która wygląda dokładnie tak, jak powinna.

Jak przetestować asystenta, zanim trafi do zarządu

Zestaw testowy buduj z historii, a nie z wyobraźni. Weź kilkadziesiąt pytań, które w ostatnim kwartale trafiły do analityków mailem lub przez Teams. Dla każdego ustal prawidłową odpowiedź, którą podpisze osoba odpowiedzialna za dany obszar.

Mierz dwie rzeczy osobno. Pierwsza: czy liczba się zgadza. Druga, ważniejsza: czy przy niejednoznacznym pytaniu system dopytał, zamiast zgadywać.

Asystent, który na pytanie o przychód odpowiada „chodzi o wartość zafakturowaną czy o zrealizowane zamówienia?”, jest więcej wart niż taki z wyższym wynikiem, który nigdy nie sygnalizuje wątpliwości. Dopytanie to zaleta, a nie wada.

Test powtarzaj po każdej zmianie modelu danych i po zmianie wersji modelu AI. Zmiana jednej miary potrafi zmienić odpowiedzi na pytania pozornie z nią niezwiązane.

Od czego zacząć – plan dla jednego obszaru

Najczęstszy błąd to kolejność: najpierw włączenie asystenta, potem próba zrozumienia, dlaczego odpowiada bez sensu. Wtedy zapada wniosek „AI nie działa”, choć nie działa opis danych.

Poniższa kolejność ogranicza to ryzyko. Najwięcej czasu zajmuje zwykle krok drugi, bo wymaga zgody kilku działów, a nie pracy technicznej.

  • Wybierz jeden obszar, w którym pytań jest najwięcej – zwykle sprzedaż albo finanse.
  • Zbierz listę realnych pytań i uzgodnij definicje pojęć, które w nich występują.
  • Przejrzyj model danych: zamień obliczenia w wykresach na miary, uzupełnij opisy i synonimy.
  • Przygotuj zestaw testowy z zatwierdzonymi odpowiedziami i sprawdź na nim asystenta.
  • Udostępnij asystenta najpierw osobom, które potrafią ocenić wynik, np. analitykom i kontrolerom finansowym.
  • Dopiero po kilku tygodniach poprawek udostępnij go szerzej, z jasną informacją, jakie pytania obsługuje.

Kiedy text-to-SQL wystarczy, a kiedy lepiej go nie używać

Text-to-SQL bez warstwy semantycznej ma sensowne zastosowania. Sprawdza się przy analizach doraźnych na mniejszych, dobrze znanych zbiorach, gdy przy komputerze siedzi analityk, który oceni wynik i poprawi zapytanie.

Problem zaczyna się, gdy odpowiedź trafia prosto do osoby, która nie ma jak sprawdzić, skąd wzięła się liczba. Dotyczy to zwłaszcza zarządu, rady nadzorczej i klientów. Tam potrzebne są zatwierdzone definicje, a nie zapytania pisane za każdym razem od nowa.

Ostrożności wymaga też dostęp do danych. Zapytanie wykonuje się z uprawnieniami konta, którego używa narzędzie. Jeśli to konto widzi całą bazę, każdy pytający może otrzymać np. dane o wynagrodzeniach.

Powiązane wątki w bazie wiedzy

Czytaj dalej

FAQ

Rozmowa z danymi – najczęstsze pytania

Pytania, które pojawiają się, gdy firma rozważa asystenta AI do analizy danych.

Czy nowszy model AI rozwiąże problem bez pracy nad danymi?
Nie. W cytowanych testach największą poprawę dało uporządkowanie danych, a nie zmiana modelu. Nowszy model może lepiej radzić sobie z trudnymi pytaniami, ale nie zgadnie, którą z trzech definicji przychodu przyjął Twój zarząd.
Czy asystent zastąpi raporty?
Raczej je uzupełni. Raport odpowiada na pytania powtarzalne i zaplanowane, asystent na jednorazowe i nieprzewidziane. Dobrze przygotowany asystent zmniejsza liczbę próśb o jednorazowe zestawienia i daje analitykom czas na pracę wymagającą interpretacji.
Ile pracy wymaga przygotowanie jednego obszaru?
To zależy głównie od tego, ile jest sporów o definicje i w jakim stanie jest model danych. Jeśli firma ma działający model Power BI z miarami, brakuje zwykle opisów i synonimów. Jeśli liczby powstają w arkuszach, trzeba najpierw zbudować model.
Czy dane firmy trafiają do dostawcy modelu AI?
Do modelu trafia pytanie i fragment danych potrzebny do odpowiedzi. Sprawdź w dokumentacji narzędzia, w jakim regionie dane są przetwarzane i czy dostawca może ich używać do trenowania. W Power BI administrator ma ustawienie określające, czy dane wysyłane do modelu AI mogą być przetwarzane poza regionem firmy.
Jak poznać, że asystent zgaduje?
Dobre narzędzia pokazują, z jakiej miary lub tabeli wzięły liczbę. W Power BI służy do tego funkcja wyjaśniająca, jak Copilot doszedł do odpowiedzi. Jeśli narzędzie nie pozwala sprawdzić źródła liczby, nie udostępniaj go osobom, które podejmują na jej podstawie decyzje.

O tej stronie

O autorze

Kacper Włodarczyk — CEO ALGORCOMP

Kacper Włodarczyk

CEO ALGORCOMP

Specjalizuje się we wdrożeniach Microsoft 365 Copilot, Copilot Studio, Power Platform (Power Automate, Power Apps, SharePoint) oraz agentów AI dla średnich firm B2B w Polsce. Prowadzi dziesiątki projektów z zakresu strategii AI, governance Power Platform, automatyzacji obiegu dokumentów i procesów sprzedażowych. W publikacjach koncentruje się na praktycznych aspektach wdrożeń AI w organizacjach — od pierwszego POC do skalowania na całą firmę, ze szczególnym uwzględnieniem bezpieczeństwa danych, zgodności (RODO, NIS2, AI Act) i zwrotu z inwestycji.

Poznaj zespół

Chcesz sprawdzić, czy Twoje dane są gotowe na pytania zadawane AI?

Na bezpłatnej konsultacji przejrzymy model danych dla jednego obszaru, wskażemy brakujące definicje i opisy oraz zaproponujemy zestaw pytań testowych.

Wyróżnione

Powiązane artykuły