למה שאילתות SQL בשפה טבעית לא יצילו אתכם ממדדים עקומים

ר
רועי סעדון
12 בנוב׳ 2026
7 דקות קריאה
למה שאילתות SQL בשפה טבעית לא יצילו אתכם ממדדים עקומים

רוב המנהלים חושבים שהצוואר בקבוק של הדאטה בארגון הוא כתיבת שאילתות SQL. הם טועים.

הצוואר בקבוק האמיתי מעולם לא היה התחביר הטכני. הוא תמיד היה ההסכמה על מה המדדים בכלל אומרים. כשמערכות מודרניות מאפשרות לכל עובד לשוחח עם מחסן הנתונים בשפה טבעית, הן לא פותרות את הפער הארגוני. הן פשוט מייצרות תרשימים שגויים במהירות שיא.

תקציר מנהלים

  • שאילתות בשפה טבעית (Natural Language SQL) מייתרות את הצורך בידע טכני ב-SQL, אך מעצימות חוסר בהירות במדדים עסקיים בסיסיים.
  • ללא שכבה סמנטית (Semantic Layer) מוגדרת היטב, מודלי בינה מלאכותית מנחשים פילטרים ויוצרים מספר גרסאות שונות לאותה אמת עסקית.
  • פיצ'רים כמו שאילתות Gemini ישירות מתוך Google Sheets חושפים מחסני נתונים ארגוניים ללא ⁨בקרת איכות⁩ על ההגדרות.
  • הפתרון המעשי מחייב ⁨משילות נתונים⁩ והסכמה אנושית על נוסחאות לפני שפותחים ממשקי שיחה לעובדים.

אשליית המהירות של שיחה עם מחסן הנתונים

במהלך הקריירה שלי בניהול מוצר, ראיתי אינספור צוותים נאבקים בתור המשימות של צוות הדאטה. מנהל שיווק רצה לדעת כמה לקוחות שילמו החודש, ומנהל הכספים חיפש את הנתון המקביל. שניהם חיכו שבועיים לאנליסט שיכתוב קוד SQL (Structured Query Language, השפה הסטנדרטית לניהול ושליפת נתונים ממסדי נתונים יחסיים).

ההבטחה של הבינה המלאכותית הנוכחית נשמעת קוסמת. כלים חדשים מאפשרים לחבר את הגיליון האלקטרוני ישירות אל מחסן הנתונים ולשאול שאלות במילים פשוטות. העדכון הרשמי של Google Workspace מציג שילוב של Gemini ב-Google Sheets לעבודה מול BigQuery. המערכת מייצרת טבלאות ציר ותרשימים מלאים מפרומפט קצר. גם הדיווח של WebProNews הדגיש כיצד הפיצ'ר מקצר את תור המשימות של צוותי הנתונים ומאפשר לכל משתמש קצה לבנות דשבורד שלם בעצמו.

זה נראה כמו ניצחון תפעולי מושלם. בפועל, זו ⁨אשליה מסוכנת⁩.

הבעיה אינה האם המודל מסוגל לחבר משפט באנגלית לשאילתה תקינה. הוא מסוגל. הבעיה היא שהמודל צריך לנחש מה אתם מתכוונים כשאתם אומרים "לקוח פעיל", "רווח גולמי" או "הכנסה רבעונית".

מדוע הממשק לא פותר את בעיית המשילות

בדיון מעמיק סביב כלי BI מודרניים במסגרת קהילת Hacker News על החלפת Looker, אחד המגיבים ניסח זאת בדייקנות חדה: כלי BI מסורתיים לא נועדו רק לצייר גרפים בחמישים סנט, אלא לעזור לארגון לנווט במצבים פנימיים סבוכים של הגדרות סותרות.

כשיושבים בישיבת הנהלה ביום חמישי בערב, הוויכוח כמעט אף פעם אינו על איכות התרשים. הוויכוח הוא למה למחלקת השיווק יש 1,200 לקוחות חדשים, בעוד שמחלקת הכספים רואה רק 950.

שיווק סופר כל מי שנרשם ואימת כתובת מייל. כספים סופרים רק מי שכרטיס האשראי שלו עבר סליקה בהצלחה בניכוי החזרים כספיים. שניהם צודקים לפי ההקשר שלהם. אבל כששני המנהלים הללו מקלידים לשורת הפרומפט "תראה לי לקוחות חדשים החודש", ה-LLM מייצר תשובה בטוחה בעצמה עבור כל אחד מהם, תוך שימוש בלוגיקה שונה לחלוטין.

ב-Aniccai אנחנו נתקלים בזה שוב ושוב. אוטומציה של תהליך שבור לא מייעלת את הארגון. היא רק מגבירה את קצב הטעויות.

מאפיין ארגונישאילתות שפה טבעית ללא משילותשכבה סמנטית מסודרת ומאומתת
עקביות מדדיםנמוכה מאוד, כל משתמש מקבל תוצאה לפי ניסוח הפרומפטגבוהה ומוחלטת, לוגיקה אחת לכל הארגון
⁨מקור האמת⁩מבוזר על גבי גיליונות ודשבורדים אד-הוקמרכזי, מתועד ומנוהל בקוד
עלות תחזוקה שוטפתחוב טכנולוגי סמוי של מאות גרסאות ללא בקרהתחזוקה מרוכזת בשכבת הנתונים
זמן הגעה לתובנה ראשוניתמיידי (שניות בודדות מפרומפט)דורש עבודת תשתית והסכמה ארגונית מוקדמת

שכבה סמנטית: הגבול בין דאטה אמיתי לרעש

מהי בעצם שכבה סמנטית (Semantic Layer)? מדובר במנגנון תוכנה מרכזי המגדיר מונחים עסקיים, יחסים ונוסחאות חישוב במקום אחד, מעל מחסן הנתונים הגולמי ומתחת לכלי הניתוח.

בלי השכבה הזו, ממשק השפה הטבעית מחובר ישירות לטבלאות גולמיות. מודל השפה הגדול מייצר הנחות סמויות. האם לסנן ביטולים? האם לחשב מע"מ? האם להחריג משתמשי בדיקה פנימיים?

אם האנליסט האנושי היה עוצר ושואל את השאלות האלו בעת קבלת הבקשה, מודל ה-AI לא יעצור. הוא פשוט יכתוב שאילתה שתחזיר מספר יפה ומעוצב. המנהל יקבל שקט נפשי מזויף, ויקבל החלטת תקציב שגויה של חצי מיליון שקלים על בסיס מספר שהומצא על ידי פילטר חסר.

החוב התפעולי של גיליונות אד-הוק

הסכנה הגדולה של פיצ'רים כמו שאילתות בינה מלאכותית בתוך גיליונות אלקטרוניים היא היווצרות של צבא גיליונות רפאים. כל מנהל צוות פותח טאב חדש, מייצר לוח מחוונים פרטי, ומקבל החלטות על בסיסו.

אחרי חודשיים, לאף אחד בארגון אין מושג מאיפה הנתונים הגיעו או האם הטבלה עודכנה לפי שינויי המיסוי האחרונים. הגיליון הופך לקופסה שחורה. זהו חוב תפעולי כבד במסווה של פרודוקטיביות מודרנית.

ארגונים חושבים שהם חסכו רישיון של 150 אלף דולר לכלי BI ארגוני. בפועל הם משלמים פי שלושה בשעות ניהול מבוזבזות על ויכוחים סביב אמינות הנתונים בישיבות הנהלה.

כיצד לבנות תהליך נכון לפני שפותחים גישה לעובדים

אם אתם שוקלים להטמיע ממשקי שפה טבעית מעל מחסן הנתונים שלכם, סדר הפעולות קריטי:

ראשית, הגדירו מילון מדדים אחיד. שבו עם ראשי הצוותים והחליטו על נוסחה אחת לכל מושג ליבה. כתבו אותה במסמך מחייב.

שנית, מקמו שכבה סמנטית בין המודל לבין מחסן הנתונים. המודל אינו מורשה לפנות לטבלאות הגולמיות, אלא רק למדדים שהוגדרו מראש בקוד נבדק ומבוקר.

שלישית, הגבילו את מרחב הניחוש. כלי הבינה המלאכותית צריך להיות מונחה ⁨לבקש הבהרה⁩ כאשר שאלה כוללת ביטוי עמום, במקום לייצר קירוב סטטיסטי בביטחון עצמי מופרז.

הטכנולוגיה מדהימה. היכולת להמיר שפה טבעית לנתונים היא קפיצת מדרגה אמיתית. אך טכנולוגיה לעולם ⁨אינה תחליף לתקשורת אנושית⁩ בהירה ולמשילות פנים-ארגונית.

מקורות

שאלות נפוצות

מה זה שכבה סמנטית בדאטה?

שכבה סמנטית (Semantic Layer) היא שכבת תוכנה המתרגמת נתונים טכניים ומורכבים ממסדי נתונים למונחים עסקיים אחידים ומוסכמים, כמו הכנסה חודשית או לקוח פעיל, כדי להבטיח שכל הכלים והמשתמשים בארגון מודדים בדיוק את אותו הדבר.

למה שאילתות SQL בשפה טבעית מציגות תוצאות שגויות?

מודלי שפה גדולים מסוגלים לייצר קוד SQL תקין מבחינה תחבירית, אך הם חסרים את ההקשר העסקי המקומי של הארגון שלכם. כתוצאה מכך, הם מנחשים הנחות לגבי סינון רשומות, התעלמות מביטולים או צירוף טבלאות מבלי להבין את ההשלכות.

האם שימוש בבינה מלאכותית בגיליונות נתונים מייתר את אנליסט הנתונים?

ממש לא. התפקיד של אנליסט הנתונים משתנה מכתיבת שאילתות שגרתיות לניהול משילות, הגדרת מודלים עסקיים ובניית השכבה הסמנטית שמונעת טעויות יקרות של משתמשי הקצה.

דברים שחשוב לזכור

  • הבעיה המרכזית בנתונים עסקיים היא משילות והגדרות אנושיות, לא היכולת הטכנית לכתוב קוד שאילתות.
  • שאילתות שפה טבעית ללא שכבה סמנטית מרכזית מייצרות אמת מפוצלת ודשבורדים סותרים ברחבי הארגון.
  • הטמעה נכונה דורשת קודם כל הגדרת מילון מדדים ארגוני ורק לאחר מכן פתיחת גישה לממשקי שיחה אוטומטיים.

איזה מדד מרכזי בעסק שלכם מייצר היום את הוויכוחים הכי סוערים בישיבות ההנהלה רק בגלל שלכל מחלקה יש נוסחה משלה?

תקועים על החלטה אחת ב-AI?

אפיון ממוקד לוקח תהליך אחד, בוחר את המספר שצריך לזוז ונגמר במחיר קבוע לפיילוט.

אנחנו משתמשים בעוגיות כדי להבין איך גולשים באתר ואיזה תוכן מועיל. אין עוגיות פרסום, ואיננו מוכרים או משתפים מידע למטרות שיווק. מדיניות הפרטיות