Wyobraź sobie, że o swoje dane pytasz tak, jak pytasz współpracownika. „Dlaczego ROAS na PL spadł w zeszłym tygodniu?”, „Ile realnie zarobiliśmy na Black Friday po zwrotach?”, „Czy klienci z tej promocji wracają?”. I dostajesz odpowiedź w trakcie spotkania — a nie w zgłoszeniu do analityka z terminem na pojutrze.

Technicznie jest to dziś możliwe i nazywa się MCP: standard, który pozwala podłączyć model AI, którego Twój zespół już używa — ChatGPT, Claude albo Gemini — do zewnętrznych źródeł danych. Brzmi jak rozwiązanie całego problemu i dokładnie dlatego warto od razu powiedzieć, gdzie jest haczyk. Podłączyć AI do danych to nie to samo, co dać mu je zrozumieć. Ten artykuł jest o tej różnicy — i o tym, co trzeba dołożyć, żeby z podłączenia wyszło coś, na czym można oprzeć decyzję.

Jedno zastrzeżenie na start, żeby nie było nieporozumienia: nie mówimy o kolejnym czacie przyklejonym do dashboardu. Mówimy o modelu, którego już używasz, podłączonym do Twojej hurtowni przez warstwę, która wie, co znaczą Twoje liczby.

Podłączyć AI do danych to nie to samo, co dać mu je zrozumieć

Firmy, które próbują dziś analizować dane z AI, robią to zwykle na jeden z trzech sposobów. Warto przejść je po kolei, bo każdy wykłada się w innym miejscu.

• Zrzut ekranu albo eksport danych do czatu. Model policzy dokładnie to, co dostał — czyli wycinek, bez możliwości sprawdzenia czegokolwiek głębiej. Każde kolejne pytanie to kolejny eksport, a każde „a rozbij to jeszcze po rynkach” oznacza powrót do panelu. Działa na jedno pytanie, nie działa jako sposób pracy.
• AI podłączone wprost do systemów źródłowych — GA4, Meta, sklepu. Dane są tam surowe i rozproszone, więc model odpytuje sześć źródeł, wciąga do kontekstu tysiące wierszy o produktach i transakcjach, myli spend z cost, a przy większych zbiorach po prostu się dławi. Na demo wygląda świetnie. Na realnym wolumenie odpowiada wolno, drogo i niestabilnie. Rozpisaliśmy to szerzej w tekście o jednym źródle prawdy — tam widać też, ile z tej pracy da się wykonać raz, zamiast przy każdym pytaniu od nowa.
• AI na własnej hurtowni, ale bez dokumentacji. Ten sposób wygląda najpoważniej i dlatego jest najbardziej podstępny. Dane są już w jednym miejscu, model ma dostęp do tabel — tylko nikt mu nie powiedział, co te tabele znaczą. A kolumna ze statusem zamówienia ma u Ciebie siedem wartości, z których dwie znaczą zwrot, jedna „za pobraniem, jeszcze nieopłacone”, a jedna została po migracji sklepu i nie znaczy już nic. Model tego nie wie i nie ma jak się dowiedzieć, więc policzy przychód ze wszystkiego i odda liczbę, która brzmi wiarygodnie. Bo AI wypełnia luki w dokumentacji najbardziej prawdopodobnym zgadywaniem — a „prawdopodobne” i „prawdziwe” to w analityce dwie różne rzeczy.

Model nie ma problemu z liczeniem. Ma problem z tym, że nikt mu nie powiedział, co znaczą Twoje liczby. A ten, który zgaduje, brzmi dokładnie tak samo pewnie jak ten, który wie.

To jest cała różnica między „podłączyliśmy AI do danych” a „mamy asystenta, na którym można oprzeć decyzję”.

Czym jest asystent AI w WitCloud

Asystent AI to nasz moduł oparty o WitCloud MCP — warstwę, która stoi między modelem, którego używasz, a Twoimi danymi w Twoim BigQuery. Nie zabieramy Cię do kolejnego panelu z czatem: podłączasz swojego asystenta do swoich danych i pracujesz tam, gdzie i tak już w dużej mierze pracujesz.

Ta warstwa robi trzy rzeczy — i to one odpowiadają za różnicę opisaną wyżej.

• Kieruje model tylko do gotowych zbiorów. Asystent pracuje na tabelach All In One i na tabelach naszych rozwiązań — LTV i segmentacji klientów, drzewa KPI, monitoringu, analizy produktu — nigdy na surowych danych. Najcięższa robota, czyli łączenie, czyszczenie i agregacja milionów wierszy, jest wykonana wcześniej, w hurtowni, na mocy obliczeniowej Google Cloud. Model nie mieli surowych tabel: pyta o gotowy, lekki zestaw i od razu dostaje odpowiedź.
• Najpierw dokumentacja, potem zapytanie. Każdy projekt nosi własną dokumentację: co zawiera, co znaczy każda kolumna, jakim zapytaniem liczy się dana analiza. Asystent czyta ją, zanim cokolwiek policzy — i korzysta z reguł opisanych w dokumentacji, zamiast składać własne zapytania od zera. To jest ta jedna zasada, której brak zamienia poprzedni scenariusz w generator wiarygodnie brzmiących bzdur.
• Zaczyna od ustalenia, na czym pracujecie. Wybierasz projekt, asystent zaciąga jego zawartość — źródła danych, konteksty biznesowe, grupowania kanałów i rynków — i pyta o dwie rzeczy: co chcesz przeanalizować i w jakiej formie chcesz odpowiedź: tabela, podsumowanie, dane gotowe pod wykres, albo jedno z drugim. Dopiero potem schodzi do danych i trzyma się ustalonego formatu do końca sesji.

A jeśli projekt nie ma jeszcze czego analizować — bo Google Cloud nie jest podłączony albo pierwszy konektor nie dowiózł danych — asystent to rozpozna i poprowadzi Cię przez to, czego brakuje, zamiast szukać danych, których nie ma.

Trzy rzeczy, które zamieniają poprawną odpowiedź w użyteczną

Poprawna odpowiedź to taka, w której liczby się zgadzają. Użyteczna to taka, którą można wziąć na spotkanie i podjąć na jej podstawie decyzję. Między jedną a drugą stoją trzy rzeczy, które opisujesz raz, a asystent czyta przy każdej analizie.

Kontekst biznesowy — czym w ogóle jest Twoja firma

Twój własny opis: co sprzedajesz i komu, na jakich rynkach działasz, jak zachowuje się Twoja branża, co u Ciebie znaczy „nowy klient”, gdzie masz marżę, a gdzie tylko obrót. Trzymasz go jako tekst w WitCloud albo we własnym Google Docs, który WitCloud odczytuje przy każdej analizie — więc aktualizujesz go tam, gdzie i tak pracujesz.

Projekt może mieć kilka kontekstów: osobny na markę, osobny na rynek. Analiza jest zawsze czytana przeciw temu, który wskażesz — asystent nie wybiera go za Ciebie. To celowe: automatyczny wybór „pierwszego z listy” to najprostszy sposób na trafną odpowiedź o niewłaściwym biznesie.

Log zdarzeń — dlaczego liczby zrobiły to, co zrobiły

Kalendarz tego, co się u Ciebie działo: promocja, zmiana progu darmowej dostawy, wyczerpany magazyn, migracja sklepu, wejście na nowy rynek, rebranding. Prosty arkusz — data, kategoria, opis.

To on zamienia „ruch wzrósł o 40%” w „ruch wzrósł o 40%, bo 12-go startowała kampania”, i chroni przed najczęstszą wymówką w analityce, czyli tłumaczeniem sezonowością wszystkiego, czego nie umiemy wytłumaczyć inaczej. Asystent czyta ten log przy analizie i może do niego dopisywać: mówisz mu w rozmowie, że w zeszłym tygodniu wypadła dostawa, on dodaje wpis. Za miesiąc nikt nie będzie się zastanawiał, co tam się stało.

Grupowanie kanałów i rynków — żeby jedno i drugie nazywało się tak, jak w Twojej firmie

Ruch i koszty przychodzą oznaczone bałaganem: google / cpc, newsletter_2024, fb-ig, dwadzieścia wariantów UTM-ów. Grupowanie kanałów to Twoje reguły, które sprowadzają to do kanałów, którymi Twój zespół mówi na spotkaniu.

Ten sam moduł układa drugi wymiar, o którym mówi się rzadziej, a przy kilku rynkach decyduje o wszystkim: grupowanie rynków. Bo rynek też przychodzi w kilku wersjach naraz — GA4 mówi o kraju sesji, sklep o kraju dostawy, konto reklamowe o targetowaniu, a jedna kampania potrafi obsługiwać trzy kraje jednocześnie. Do tego „rynek” w Twojej firmie rzadko znaczy dokładnie „kraj”: DACH bywa jednym rynkiem, reszta UE jednym workiem, a marketplace osobnym bytem, nawet jeśli sprzedaje w tym samym kraju co sklep. Grupowanie rynków to te same reguły, tylko na tym wymiarze — sprowadzają wszystkie warianty do podziału, którym faktycznie zarządzasz.

I to jest wymiar, na którym najłatwiej się przewrócić, bo błąd nie wygląda na błąd. „Czy DE zachowuje się dziś tak, jak PL rok temu?” albo „na którym rynku tracimy na dostawie” to pytania, w których cała trudność siedzi nie w liczeniu, a w tym, czy DE po obu stronach porównania znaczy to samo. Ścieżka, którą schodzi się przy diagnozie — rynek → kanał → kampania — zaczyna się właśnie od tego wymiaru: jeśli pierwszy krok jest rozjechany, reszta drilldownu prowadzi w złe miejsce, tylko bardzo szczegółowo.

Jakość obu grupowań decyduje o wiarygodności każdego raportu kanałowego i każdego porównania między rynkami, więc warto je przejrzeć — i to jest zadanie w sam raz dla asystenta. Policzy na Twoich danych, ile kosztów i ruchu ląduje w „pozostałych”, które reguły nie łapią już niczego, jakie są największe nieprzypisane źródła i gdzie rynki rozjeżdżają się między systemami. Zaproponuje poprawki. A jeśli nowe reguły mają objąć też historię, najpierw pokaże wycenę — przeliczenie historii to jedyna operacja w tym module, która realnie kosztuje, i nic nie startuje bez Twojej wyraźnej zgody.

Liczby mówią, co się stało. Kontekst mówi, dlaczego — i dopiero on decyduje, czy odpowiedź nadaje się do decyzji.

Cztery rzeczy, które robi się z asystentem najczęściej

1. Cotygodniowy przegląd kondycji. Zamiast otwierać pięć raportów: „przejdź całe drzewo KPI, każdą metrykę w jej własnym oknie porównania, i powiedz, co wymaga mojej uwagi”. Jeśli drzewo jest zdefiniowane w WitCloud — z powiązanymi metrykami i właściwym oknem przy każdej gałęzi — asystent ma po czym schodzić i wraca z jednym spójnym przeglądem: od góry drzewa aż po dźwignie, po które i tak schodziłbyś ręcznie. Bez drzewa też odpowie, tylko na węższe pytanie: o konkretną metrykę, nie o całą kondycję.
2. Diagnoza, kiedy coś odbiega od normy. Alert mówi, że ROAS na PL spadł o 22%. Pytasz wprost „dlaczego”, a asystent idzie tą samą ścieżką, którą przeszedłbyś w raporcie: rynek → kanał → kampania, a potem rozbiera samą metrykę — koszt czy przychód, CPC czy liczba kliknięć. Tylko robi to głębiej i nie męczy się przy dziesiątej gałęzi w środku dnia.
3. Pytania o klienta. Ile jest wart klient z Google Ads w porównaniu z klientem z newslettera. Po ilu miesiącach zwraca się koszt pozyskania w kohorcie z marca. Które kanały przynoszą wartościowych klientów, a które tylko tanich. Które produkty pozyskują, a które budują lojalność. Jak przesuwają się segmenty z miesiąca na miesiąc.
4. Pytania o produkt. Co się sprzedaje, a co zarabia. Gdzie warianty erodują i które kampanie już to czują. Co dowiozła nowość z ostatniego okna testowego. Którym produktom kończy się stan przy wciąż włączonym budżecie.

Do tego dochodzi kategoria, której się nie planuje: pytania jednorazowe. „Czy klienci z tej promocji wracają?”, „Ile realnie zarobiliśmy na Black Friday po zwrotach?”, „Czy DE zachowuje się dziś tak, jak PL rok temu?”. Wcześniej każde z nich było zgłoszeniem, które wchodziło do kolejki. Teraz jest pytaniem zadanym w trakcie rozmowy — i to jest ta zmiana, którą czuje się najbardziej.

Działa w narzędziu, którego Twój zespół już używa

Nie budujemy własnego czata, bo Twój zespół już ma swój. Podłączasz WitCloud do ChatGPT, Claude albo Gemini — dla każdego z nich mamy instrukcję krok po kroku. Logujesz się swoim kontem WitCloud, e-mailem i hasłem albo przez Google, a dostęp jest per użytkownik, nie jeden wspólny klucz na całą firmę.

Dane nie wychodzą z Twojego Google Cloud. Model dostaje wynik zapytania — tyle, ile potrzebuje na odpowiedź — a nie kopię hurtowni. Wszystko, co asystent czyta, jest tylko do czytania; zmienia wyłącznie te trzy rzeczy, o które go wprost poprosisz: kontekst biznesowy, log zdarzeń oraz grupowanie kanałów i rynków.

Sam asystent niczego nie przestawia w Twoich kampaniach — i to jest wybór, nie brak. Ale MCP to standard, więc nasz nie musi być jedynym w czacie: obok niego podpinasz MCP Google Ads i masz jedno i drugie w tej samej rozmowie. Nasz dostarcza wiedzy — co się dzieje, na którym rynku i dlaczego — a tamten to wykonuje, na własnych uprawnieniach, które nadajesz osobno. Niech sobie porozmawiają. Decyzja nadal jest Twoja, tylko nie musisz jej już przeklikiwać w trzech panelach.

Nie trzeba znać SQL-a i nie trzeba wiedzieć, jak nazywają się tabele. Trzeba wiedzieć, o co się pyta — a to jest kompetencja, którą Twój zespół już ma. Analityk przy tym nie znika: przestaje sklejać raporty na pytania, na które da się odpowiedzieć z gotowego zbioru, i zajmuje się tymi, które naprawdę wymagają analityka.

Rozliczenie idzie za aktywnego użytkownika w miesiącu i jest progresywne: płacisz tylko za osoby, które w danym miesiącu faktycznie o coś zapytały, a im więcej ich jest, tym niższa stawka na kolejnych progach. Aktualne progi znajdziesz w dokumentacji modułu.

Im więcej masz ułożone, tym więcej asystent z tego wyciągnie

Asystent działa od pierwszego dnia — wystarczy hurtownia, do której spływają dane, i kontekst biznesowy na jedną kartkę. Ale nie tworzy analiz z powietrza: sięga po to, co masz już policzone. Dlatego każdy kolejny moduł, który włączysz, nie dodaje mu nowej funkcji — dodaje mu nowe pytania, na które umie odpowiedzieć. I to jest chyba najprzyjemniejsza część tej układanki, bo działa bez żadnej dodatkowej pracy z Twojej strony.

• All In One daje wspólny język: spend i cost przestają być dwiema różnymi rzeczami, a asystent umie odpowiedzieć o sprzedaż, koszty, kanały i ROI w jednej liczbie, nie w pięciu.
• Audyt jakości danych decyduje o tym, czy tej liczbie można ufać. Asystent policzy dokładnie to, co dostanie — więc im mniej dziur u źródła, tym mniej pewnych głosem pomyłek.
• Drzewo KPI z monitoringiem zamienia „jak idzie?” w konkretną ścieżkę. Asystent nie musi zgadywać, na co patrzeć: ma zdefiniowane metryki, okna porównania i gałęzie, po których schodzi.
• LTV i segmentacja klientów otwierają cały blok pytań o klienta — kohorty, zwrot z akwizycji, wartość klienta per kanał — bez liczenia tego od zera przy każdym pytaniu.
• Analiza produktu robi to samo dla asortymentu: marża, rotacja, stan magazynowy i erozja wariantów są już policzone, więc pytanie „co zarabia, a co tylko się sprzedaje” dostaje odpowiedź, a nie kolejne zapytanie.

I to działa w obie strony. Asystent jest też najszybszym sposobem, żeby te moduły przejrzeć i utrzymać: sprawdzi grupowanie kanałów i rynków, wskaże reguły, które nie łapią już niczego, dopisze do logu zdarzeń to, co powiesz mu w rozmowie. Im więcej masz ułożone, tym więcej z niego wyciągniesz — a im częściej z niego korzystasz, tym lepiej ułożone zostaje to, co masz.

Nie musisz mieć wszystkiego, żeby zacząć. Warto tylko wiedzieć, że nie ma tu ślepej uliczki: każdy element, który dołożysz, po prostu poszerza zakres pytań, na które dostaniesz sensowną odpowiedź.

Czego asystent nie zrobi

Uczciwie o ograniczeniach, bo one decydują o tym, czy to się u Ciebie sprawdzi.

• Nie naprawi jakości danych. Jeśli połowa transakcji nie dochodzi do analityki, bo tag purchase nie strzela po powrocie z bramki płatniczej, asystent policzy dokładnie to, co jest — i zrobi to pewnym głosem. Dlatego chodzi po pilnowanym źródle, a nie po surowych systemach. Jeśli chcesz wiedzieć, co konkretnie potrafi się psuć po drodze i jak to wyłapać, rozpisaliśmy to w audycie danych marketingowych.
• Nie zastąpi raportu. Część zespołów po prostu woli kliknąć i przejrzeć gotowy raport All In One — i to jest w porządku. Jedno i drugie stoi na tym samym źródle, więc obie drogi prowadzą do tej samej liczby.
• Nie zna Twojego biznesu z powietrza. Bez kontekstu i bez logu zdarzeń będzie tłumaczył sezonowością to, co było promocją. Te dwie rzeczy to jedyna „praca domowa” w tym module — i zajmuje kartkę, nie księgę.
• Nie odpowie na pytanie o dane, których nie zbierasz. Brakująca integracja nie zamieni się w odpowiedź. Zamieni się w informację, czego brakuje — co też jest przydatne, ale to inna odpowiedź niż ta, na którą liczysz.
• Świeże dane są nadal świeże. Wczorajszy dzień jest zwykle domknięty, dzisiejszy nie, a konwersje dochodzą jeszcze przez kolejne dni. Asystent to uwzględnia, ale nie unieważnia.

Jak zacząć

Po stronie danych minimum jest krótsze, niż się wydaje: działające All In One, do którego spływają dane, przejrzane grupowanie kanałów i rynków oraz kontekst biznesowy na jedną stronę. Tyle wystarczy, żeby zadać pierwsze sensowne pytania — reszta dochodzi po drodze, w tempie, które sam ustalasz.

Po stronie zespołu: jedna osoba, która zaczyna, i jeden rytm. Najlepiej działa cotygodniowe spotkanie z pięcioma stałymi pytaniami — co się zmieniło, co odbiega od normy, gdzie tracimy, co dowiozło, co robimy dalej — na którym nie przygotowuje się materiałów, bo odpowiedzi pobiera się w trakcie. Gdy ten rytm się utrzyma, rozszerzasz dostęp na resztę zespołu.

Uporządkowane dane wreszcie zaczynają na siebie zarabiać

Żadne MCP nie zdejmie z firmy obowiązku uporządkowania danych i nikt uczciwie nie powinien tego obiecywać. Robi za to coś, co widać od pierwszego tygodnia: ten porządek zaczyna się zwracać codziennie, a nie raz na kwartał, kiedy ktoś w końcu zdąży zbudować na nim raport.

AI podłączone do bałaganu przyspiesza dokładnie jedno: tempo, w jakim podejmiesz złą decyzję. Podłączone do uporządkowanego, udokumentowanego źródła, z Twoim kontekstem biznesowym pod ręką, skraca drogę od pytania do działania z dni do minut — i robi to dla całego zespołu, nie tylko dla osoby, która zna SQL-a.

Dlatego asystenta warto włączyć na końcu, choć z całej listy wygląda najbardziej efektownie. Hurtownia, audyt, drzewo KPI, segmentacja — cała ta robota dopiero z nim przestaje leżeć w panelach, do których zagląda się raz w miesiącu.

Zamiast pytać o dane raz w miesiącu — rozmawiaj z nimi codziennie.