AI, która sama do ciebie przychodzi
Większość narzędzi analitycznych działa na tej samej zasadzie od lat. Ty wchodzisz do dashboardu. Ty szukasz anomalii. Ty zadajesz pytania. Narzędzie czeka, aż je zapytasz — i odpowiada tylko tyle, ile zapytałeś.
Ioana Teodora Halip, Senior Solution Architect w Qlik, zaczęła swoją sesję w Katowicach od prostej obserwacji: dane są coraz bardziej złożone, dynamika coraz większa, a czas analityka — wciąż ten sam. W pewnym momencie ręczne monitorowanie wszystkiego przestaje być możliwe. Nie dlatego, że ludzie są leniwi. Dlatego, że to fizycznie niewykonalne.
Odpowiedzią Qlik jest zmiana kierunku. Zamiast ty idziesz do danych — dane przychodzą do ciebie.
Trzy pułapki, zanim wejdziemy w „agenty”
Zanim Ioana przeszła do rozwiązań, zatrzymała się przy rzeczy, o której przy wdrożeniach AI mówi się za rzadko — przy pułapkach.
- Pierwsza: bez solidnej podstawy danych AI nie pomaga, tylko wzmacnia problemy. Jeśli dane są złej jakości, agent będzie z przekonaniem opowiadał bzdury.
- Druga: modele językowe nie liczą. Z definicji. Do obliczeń potrzebują dodatkowych narzędzi — i to nie jest opcja, to konieczność architektoniczna.
- Trzecia: klasyczne metody SQL dają „tunelowy widok” problemu. Jeśli chcesz rozmawiać z danymi w sposób naturalny i widzieć pełny kontekst — potrzebujesz innego podejścia.
Dlaczego to ważne? Wdrożenia AI często rozbijają się nie o technologię, ale o te trzy rzeczy. Najlepszy agent jest tak dobry jak dane, na których pracuje. Resztę można kupić. Danych nie.
Trójca: Answers, Discovery Agent, MCP
Qlik odpowiedział na te wyzwania trzywarstwową architekturą, którą Ioana nazwała „Agentic Experience” — zaufane dane, silnik analityczny, doświadczenie agentyczne. W praktyce oznacza to trzy elementy działające razem.
- Qlik Answers to interfejs — asystent, z którym rozmawiasz w naturalnym języku. Zadajesz pytania tak, jak zadałbyś je współpracownikowi. W tle pracuje orkiestra wyspecjalizowanych agentów.
- Discovery Agent to wywiadowca — monitoruje dane w tle, sam wykrywa anomalie i sygnały, i dostarcza je do ciebie, zanim zdążysz zapytać.
- MCP — most, który pozwala używać analityki Qlik jako narzędzia w zewnętrznych systemach i modelach językowych. Więcej o tym w kolejnym tekście serii.
Discovery Agent: koniec z alertami, które nic nie mówią
To był najciekawszy punkt sesji Ioany — i warto się przy nim zatrzymać. Każdy, kto pracował z alertmi w narzędziach BI, zna problem. Alert wymaga, żebyś z góry wiedział, czego szukasz. Ustawiasz próg, definiujesz regułę, czekasz. Ale co z anomalią, której nie przewidziałeś? Co z subtelną zmianą trendu, która nie przekracza żadnego progu, ale jest sygnałem czegoś poważnego?
Discovery Agent podchodzi do tego inaczej. Nie czeka na reguły. Sam skanuje dane, wykrywa skoki, spadki, zmiany trendów i nowe poziomy bazowe. Następnie filtruje szum — bo nie każda zmiana jest istotna — i dostarcza tylko te sygnały, które są naprawdę relewantne. Wraz z kontekstem: co się zmieniło, w którym kierunku, w jakim obszarze.
Jeden detal z demo, który dobrze to ilustruje: możesz zdefiniować, czy wzrost danej miary jest dla ciebie dobry czy zły. Rosnące przychody — zielone. Rosnące koszty — czerwone. Agent ocenia sygnał nie tylko ilościowo, ale w kontekście tego, co dla ciebie oznacza „dobrze”.
Z punktu widzenia decydenta to zmiana jakościowa. Zamiast pytać „czy coś się dzieje w moich danych” — dostajesz powiadomienie, że coś się dzieje, zanim zdążysz zadać pytanie. To różnica między analitykiem, który reaguje, a takim, który wyprzedza.
Qlik Answers: kiedy dane strukturalne spotykają niestrukturalne
Drugi element dema dotyczył Qlik Answers — i tu też zaszła istotna zmiana względem poprzednich wersji.
Do tej pory Qlik miał osobne ścieżki dla danych strukturalnych (liczby, tabele, miary) i niestrukturalnych (dokumenty, PDF-y, opisy). Żeby uzyskać pełny obraz, trzeba było przełączać kontekst. Teraz oba źródła działają razem w jednym asystencie.
Ioana pokazała to na konkretnym przykładzie: zapytanie „jakie są całkowite przychody według kategorii produktów i jak strategia cenowa się z tym wiąże — gdzie mogę dodać rabaty?” Brzmi jak pytanie do dyrektora sprzedaży, nie do narzędzia analitycznego. Tymczasem asystent odpowiedział — zestawiając dane ilościowe z 2024 roku z rekomendacjami wyciągniętymi z dokumentacji strategicznej.
Ale to, co zrobiło największe wrażenie na sali, to transparentność procesu. Na ekranie widać było każdy krok: który agent przejął zadanie, jak zinterpretował pytanie, jakie pola danych wybrał, skąd wziął rekomendacje. Każda informacja w odpowiedzi ma przypis — można kliknąć i przejść bezpośrednio do źródła.
To ważne nie tylko dla wygody. Przy rosnących wymaganiach regulacyjnych — AI Act, audyty, compliance — możliwość odtworzenia tego, skąd system wziął daną odpowiedź, przestaje być luksusem. Staje się wymogiem.
Co z tego wynika?
Ioana zamknęła swoją część jednym zdaniem, które dobrze podsumowuje kierunek: zmiana z pasywnego, reaktywnego sposobu pracy z danymi na aktywny i proaktywny. W praktyce oznacza to trzy rzeczy dla organizacji rozważających wdrożenie.
- Jakość danych to nie szczegół techniczny — to warunek wstępny. Agent bez dobrej podstawy danych jest jak doradca, który wymyśla fakty.
- Transparentność przestaje być luksusem. Przy agentach pracujących autonomicznie możliwość audytu decyzji to wymóg, nie opcja.
- Granica między „pytam narzędzie” a „narzędzie mi mówi” właśnie się przesuwa. I to jest zmiana, której nie da się odwrócić.
Tekst powstał na podstawie sesji Qlik Meet the Experts, Katowice, marzec 2026. To część 2 serii — relacji z sześciu sesji eksperckich poświęconych AI w analityce biznesowej.
