Ваші менеджери не знають SQL — і не повинні: AI-аналітика природною мовою

У середньому українському бізнесі аналітика працює так. Менеджеру потрібні цифри. Він іде до аналітика. Аналітик зайнятий. Менеджер чекає. Аналітик пише SQL-запит. Через три години приходить Excel-файл — але не зовсім те, що просили. Цикл повторюється. П'ять менеджерів. Один аналітик. 15 годин на тиждень — у смітник.

Проблема не в аналітику. Проблема в тому, що SQL — це вузьке горлечко. Кожен запит проходить через одну людину, яка вміє писати SELECT і JOIN. Решта команди навіть не пробує — складно, страшно, «не моя робота».

AI це міняє. Не через магію. Через просту зв'язку: PostgreSQL → n8n → OpenAI API → Telegram. Менеджер пише в чат «скільки замовлень по Харкову за вчора». Через три секунди отримує точну цифру. Жодного рядка SQL. Жодного чекання.

Чому text-to-SQL працює саме зараз

Сучасні LLM генерують SQL на рівні junior-розробника. BIRD-bench, стандартний тест для text-to-SQL систем, фіксує точність 72-78% на складних аналітичних запитах. Але головне не це. Головне — вони навчились ставити уточнювальні запитання, коли їм не вистачає контексту.

Ось що відбувається в реальному сценарії:

Менеджер: «покажи продажі за липень» AI: «По всіх категоріях чи по конкретній? З ПДВ чи без?» Менеджер: «всі категорії, без ПДВ» AI: генерує запит, виконує, повертає таблицю

Це не просто «перекласти з української на SQL». Це діалог. AI тримає схему бази в контексті, знає назви таблиць і колонок, розуміє зв'язки. Без цього text-to-SQL — лотерея. З цим — інструмент, яким реально користуються.

Як це налаштувати: конкретна схема

Беремо три компоненти — і все без enterprise-ліцензій.

1. Схема бази — фундамент

AI не вгадує назви таблиць. Ви даєте йому схему в системному промпті. Ось мінімальний приклад для українського інтернет-магазину:

-- Таблиці та їхній опис
CREATE TABLE orders (
    id SERIAL PRIMARY KEY,
    created_at TIMESTAMP,         -- дата створення замовлення
    status VARCHAR(20),           -- new, confirmed, shipped, delivered, cancelled
    total_amount NUMERIC(12,2),   -- сума в гривнях
    city VARCHAR(100),            -- місто доставки
    source VARCHAR(50)            -- джерело: site, instagram, telegram
);

CREATE TABLE clients (
    id SERIAL PRIMARY KEY,
    name VARCHAR(200),
    phone VARCHAR(20),
    total_orders INT,             -- загальна кількість замовлень
    lifetime_value NUMERIC(12,2)  -- LTV у гривнях
);

Цю схему — разом із описом кожного поля — треба передати AI в контексті. Без неї запит «покажи постійних клієнтів» перетвориться на SELECT * FROM clients і поверне кашу.

Працює краще, ніж здається. Ми пробували на схемі з 15 таблиць — GPT-4o жодного разу не переплутав JOIN. Жодного.

2. n8n-воркфлоу: приймає повідомлення → генерує SQL → виконує → повертає результат

Весь ланцюжок живе в одному n8n-воркфлоу. Жодного зовнішнього сервісу, окрім OpenAI API. Ось покроково:

1. Telegram Trigger — ловить повідомлення з групи менеджерів. Фільтруємо: тільки ті, що починаються з /ask.
2. Code-нода (підготовка промпту) — збирає системний промпт зі схемою бази, підставляє запитання користувача.
3. OpenAI-нода — відправляє промпт, отримує SQL-запит.
4. PostgreSQL-нода — виконує згенерований запит. Повертає результат як JSON.
5. Друга OpenAI-нода (форматування) — перетворює JSON на людську відповідь українською.
6. Telegram Send — відправляє результат назад у чат.

Повний цикл від запитання до відповіді: 2-4 секунди. OpenAI API коштує ~$0.02 за запит при використанні GPT-4o-mini. При 50 запитах на день — $1/добу. $30 на місяць за всю команду.

3. Безпека: що AI не повинен робити

Найочевидніше — ніколи не давати AI прямий доступ до бази з правами на запис. Тільки SELECT. Але є менш очевидні речі:

• Не виконувати запити, які змінюють дані. Валідація в n8n: шукаємо INSERT, UPDATE, DELETE, DROP, ALTER. Якщо знайшли — відмовляємо з поясненням.
• Ліміт на вибірку. Без LIMIT 500 один SELECT * FROM orders за 2023-2026 поверне гігабайт даних. У n8n це ляже по таймауту. Додаємо LIMIT примусово, якщо AI його не поставив.
• Логування. Кожен згенерований SQL-запит пишемо в лог. Через місяць ви знатимете, які питання реально ставлять менеджери. Це gold mine — можете передбачити, які звіти їм потрібні насправді.

Скільки це коштує на місяць

Реальні цифри для команди з 5-10 менеджерів:

| Компонент | Вартість | |---|---| | n8n (VPS за $15/міс) | $15 | | OpenAI API (GPT-4o-mini, ~50 запитів/добу) | $30-40 | | PostgreSQL (той самий VPS) | $0 | | Telegram Bot API | безкоштовно |

Підсумок: $50-55/міс за всю команду. Вартість однієї людино-години аналітика в Києві — $15-25. Система окупається за три години на місяць. Усе інше — чиста економія.

Для порівняння: ліцензія Power BI Pro — $10/користувач/міс. На 10 людей — $100. І ніхто з них досі не вміє писати DAX.

Ми детально розбирали побудову AI-аналітичного пайплайну і автономні AI-агенти для бізнес-аналітики. Цей пост — про зняття останнього бар'єру: мови запитів.

З чого почати прямо сьогодні

Не треба розгортати всю схему одразу. Ось мінімальний старт:

1. Візьміть одну таблицю — хай це буде orders. Схему запишіть текстом.
2. Створіть n8n-воркфлоу з Telegram-тригером і OpenAI-нодою. Дайте AI схему цієї однієї таблиці.
3. Протестуйте на п'яти реальних запитаннях від команди. Подивіться, де AI помиляється. Допишіть контекст.
4. Коли одна таблиця працює стабільно — додавайте другу. Потім третю.

За тиждень матимете систему, де будь-який менеджер отримує аналітику, просто написавши запитання в Telegram. Без SQL. Без аналітика. Без черги.

Найкраща аналітика — та, якою користуються. А користуються тим, що просто. Кнопка або повідомлення в чаті — простіше не буває.

Хочете налаштувати AI-аналітику природною мовою для своєї команди? Напишіть нам — перша консультація безкоштовна.