Przejdź do treści

Agent AI do analizy danych firmy: pytasz po polsku, dostajesz liczby i zapytanie

Dashboard i raport odpowiadają na pytania, które ktoś przewidział. Agent do analizy danych jest od pozostałych: od pytania zadanego po polsku we wtorek rano, na które dziś ktoś odpowiada, eksportując dane do arkusza i licząc je ręcznie.

Autor: Szymon Łakomy. Aktualizacja:

Jak agent odpowiada na pytanie o dane firmy?

Model językowy nie liczy marży w pamięci. Jego zadaniem jest zrozumieć pytanie i zamienić je na zapytanie do bazy, a liczby wylicza baza danych. Przebieg wygląda tak:

  1. Pracownik pyta w czacie, na przykład w Teams albo w panelu firmy, które produkty sprzedawały się w tym kwartale gorzej niż rok wcześniej.
  2. Agent sprawdza w słowniku pojęć firmy, co znaczą słowa z pytania: czy „sprzedaż” to przychód netto, czy liczba sztuk, i od którego dnia liczy się kwartał.
  3. Gdy pytanie da się zrozumieć na dwa sposoby, dopytuje, zamiast zgadywać. Na przykład: marża przed kosztem wysyłki czy po nim.
  4. Buduje zapytanie do widoków przygotowanych dla agenta, a nie do tabel programu.
  5. Kod sprawdza zapytanie: tylko odczyt, tylko dozwolone widoki, limit wierszy i czasu. Dopiero potem je uruchamia.
  6. Odpowiedź zawiera liczby, krótki komentarz, wykres, treść zapytania, nazwę źródła i datę ostatniego odświeżenia danych.

Od dashboardów i raportów różni się tym, że nie trzeba z góry wiedzieć, o co ktoś zapyta. Zestawienia, które mają przychodzić same co tydzień, nadal lepiej zrobić jako automatyzację raportów. Wszystkie trzy mogą korzystać z tych samych widoków i definicji, dzięki czemu liczby w czacie i w raporcie się zgadzają.

Co stoi między modelem a bazą danych

ElementPo coJak to robię
Widoki albo kopia tylko do odczytuagent nie dotyka bazy produkcyjnej i nie spowalnia programu, w którym pracuje zespółosobne konto w bazie z prawem tylko do odczytu, kopia odświeżana w nocy albo co godzinę
Słownik pojęć firmymarża, przychód netto i aktywny klient znaczą w firmie jedną rzeczspisany z osobą od finansów, z historią zmian
Zatwierdzone miaryta sama liczba w czacie i w raporcie dla zarządudefinicje miar zapisane w widokach, agent je wybiera, zamiast liczyć po swojemu
Walidacja zapytaniamodel może napisać zapytanie błędne albo groźnesprawdzenie w kodzie: tylko odczyt, lista dozwolonych widoków, parametry zamiast doklejania tekstu
Limit czasu i wierszyjedno pytanie nie zablokuje serweraprzerwanie zbyt długiego zapytania i wynik zagregowany zamiast surowych tabel
Uprawnienia użytkownikahandlowiec nie widzi marży całej firmy, jeśli nie powinienfiltr według roli w widokach, a nie prośba w instrukcji dla modelu
Dziennik pytańwiadomo, kto o co pytał i co dostałzapis pytania, zapytania, czasu i liczby zwróconych wierszy
Uprawnienia egzekwują baza danych i kod. Instrukcja dla modelu w rodzaju „nie pokazuj marży” nie jest zabezpieczeniem, bo sprytnie sformułowane pytanie potrafi ją obejść.

Subiekt, Optima, enova365: skąd agent bierze dane

W wielu polskich firmach dane o sprzedaży i marży leżą w programie handlowo-magazynowym albo w ERP. Agenta nie podłączam do tabel producenta. Przygotowuję widoki albo kopię tylko do odczytu, w zakresie, na który pozwala licencja, i w uzgodnieniu z osobą lub partnerem, który utrzymuje system. Zapis czegokolwiek wprost do bazy producenta nie wchodzi w grę. Jeśli rozmowa z agentem ma skończyć się utworzeniem dokumentu, idzie to przez oficjalny interfejs, tak jak przy zwykłej integracji.

Drogi dostępu do danych opisuję osobno dla każdego programu: integracja Subiekta, integracja Comarch Optima i integracja enova365. W sklepach źródłem są zwykle zamówienia z platformy sprzedażowej i koszty z innych systemów. Pytania o zysk na zamówieniu korzystają z tych samych danych co raport rentowności zamówień, a pytania o stany i braki z danych dashboardu magazynowego.

Jakie ryzyka opisuje OWASP i jak je ograniczam?

Lista OWASP Top 10 dla aplikacji z modelami językowymi z 2025 roku ma dwie pozycje, które przy takim agencie liczą się najbardziej. Pierwsza to niewłaściwa obsługa odpowiedzi modelu (LLM05): wynik modelu trafia do innego systemu bez sprawdzenia. OWASP podaje przykład zapytania SQL wygenerowanego przez model i uruchomionego bez parametryzacji, co kończy się wstrzyknięciem SQL. Druga to nadmierna autonomia (LLM06), której przyczyną według OWASP bywa nadmiar funkcji, zbyt szerokie uprawnienia albo zbyt duża samodzielność agenta.

  • Zapytanie od modelu traktuję jak tekst od nieznanej osoby: walidacja, tylko odczyt, parametry.
  • Konto agenta w bazie widzi tylko widoki przygotowane do analizy, bez tabel, których nikt nie powinien przeglądać w czacie.
  • Agent nie wysyła wyników na zewnątrz i niczego nie zapisuje. Odpowiada tylko osobie, która pyta.
  • Treść z bazy, na przykład notatka klienta albo opis produktu, może zawierać ukryte polecenie. Tak działa prompt injection, dlatego wynik zapytania jest dla modelu materiałem, a nie instrukcją.

Agent SQL w n8n czy własny kod?

W n8n tryb SQL Agent w węźle AI Agent jest przestarzały od wersji 1.82. Według listy zmian niekompatybilnych w n8n 3.0 znika razem z pierwszą wersją węzła, a jako zamiennik n8n wskazuje narzędzie Postgres albo MySQL podpięte do aktualnego węzła agenta. Starszy przepływ z trybem SQL Agent trzeba więc przenieść przed aktualizacją do wersji 3.0. Narzędzie łączę z bazą przez konto tylko do odczytu, które widzi wyłącznie widoki przygotowane dla agenta. Gdy zapytanie trzeba sprawdzić przed uruchomieniem, zamiast samego narzędzia podpinam osobny przepływ, który je weryfikuje i dopiero potem wykonuje.

Gdy źródeł jest kilka, użytkownicy mają różne uprawnienia, a odpowiedzi mają trafiać do panelu z wykresami i historią pytań, piszę agenta w Pythonie i Django, z interfejsem w React. Przed startem porównuję odpowiedzi agenta z istniejącymi raportami na kilkunastu pytaniach, które zarząd zadaje najczęściej. Rozbieżność zwykle oznacza różnicę w definicji, którą poprawia się w słowniku, a nie w modelu.

Źródła

Opis opieram na poniższych źródłach. Przepisy, dokumentacja producentów i warunki usług się zmieniają, więc szczegóły warto sprawdzić u źródła:

Najczęstsze pytania

Czy agent może pomylić się w liczbach?

Liczby wylicza baza danych, więc pomyłka w samym rachunku jest mało prawdopodobna. Agent może natomiast źle zrozumieć pytanie albo wybrać niewłaściwą miarę. Dlatego pokazuje użyte zapytanie i źródło, korzysta z zatwierdzonych definicji, a przy niejasnym pytaniu dopytuje.

Czy dane firmy trafiają do dostawcy modelu?

Model widzi pytanie, opis struktury widoków i wynik, który ma omówić. Ograniczam liczbę wierszy, pokazuję sumy zamiast surowych danych i pomijam dane osobowe, gdy pytanie ich nie wymaga. Można też wybrać przetwarzanie w UE, opisane na stronie modele AI z danymi w UE. To nie jest porada prawna.

Czy pracownik zobaczy dane, do których nie ma dostępu?

Nie, jeśli uprawnienia są ustawione w bazie i w widokach według roli. Agent działa w imieniu pytającego i widzi tylko to, co ta osoba. Sama prośba w instrukcji dla modelu nie wystarcza, bo da się ją obejść.

Ile kosztuje agent AI do analizy danych?

Agent na jednym źródle danych, na przykład kopii bazy sklepu albo jednym programie ERP, kosztuje od około 1200 zł netto. Kilka systemów, panel z uprawnieniami i historią pytań wyceniam po rozmowie. Za użycie modelu płacisz osobno, a szacunek policzysz w kalkulatorze kosztów API AI.

Czy do takiego agenta potrzebna jest hurtownia danych?

Na początek nie. Wystarczy jedno źródło i kilka dobrze opisanych widoków. Gdy pytania zaczynają łączyć sklep, ERP i CRM, naturalnym krokiem jest wspólna baza do analiz zasilana integracją, z której agent korzysta tak samo jak dashboardy.

Powiązane strony

Masz pytania do danych, na które raporty nie odpowiadają?

Napisz, w jakim programie są dane i jakie trzy pytania zadajesz najczęściej. Sprawdzę, czy da się je obsłużyć z jednego źródła i co trzeba przygotować po stronie bazy.