Codex w data science: 30% szybciej, ale czy rozumie polskie dane?

# Codex w data science: 30% szybciej, ale czy rozumie polskie dane?

Zespół Allegro Tech spędzał 12 godzin tygodniowo na generowaniu raportów KPI. Po wdrożeniu Codex czas ten skurczył się do 8 godzin – bez zmiany jakości wyników. To nie jedyna oszczędność: narzędzie OpenAI radzi sobie z niszowymi bibliotekami jak Polars, których GitHub Copilot często nie rozumie. Problem? Codex ma kłopoty z polskimi nazwami kolumn i regulacjami RODO.

## Dlaczego data science teams płacą za Codex zamiast korzystać z darmowych alternatyw?

W zeszłym miesiącu firma analityczna z Wrocławia zrezygnowała z GitHub Copilot na rzecz Codex. Powód? Copilot nie potrafił wygenerować poprawnego kodu dla biblioteki DuckDB, którą zespół używa do analiz transakcyjnych. Codex poradził sobie w 8 sekund – po jednym poprawionym promptcie [3].

30% szybsze tworzenie raportów to nie teoria. W testach przeprowadzonych przez OpenAI zespoły korzystające z Codex skracały czas pracy nad standardowymi analizami z 10 do 7 godzin tygodniowo [2]. To oszczędność rzędu 150 godzin rocznie dla średniego zespołu.

Dlaczego płacić 20 USD za użytkownika miesięcznie, skoro Copilot kosztuje 10 USD? Bo Codex rozumie kontekst biznesowy. Gdy poprosisz Copilota o "analizę przyczyn spadku konwersji w sklepie internetowym", dostaniesz ogólny szablon kodu. Codex potrafi wygenerować gotową specyfikację z podziałem na segmenty klientów, kanały sprzedaży i przedziały czasowe [1].

## Jak Codex automatyzuje 5 najbardziej czasochłonnych zadań w data science?

### Root-cause briefs: od logów do analizy w 5 minut
Zamiast ręcznie przeszukiwać gigabajty logów, wystarczy wrzucić surowe dane do Codex z promptem: "Znajdź anomalie w logach serwera z ostatnich 24h. Uwzględnij tylko błędy 5xx i pogrupuj je po endpointach". Narzędzie zwraca gotową analizę z wizualizacją w formacie Markdown [1].

W praktyce: zespół data science w polskim banku używa Codex do analizy incydentów w systemie płatności. Czas potrzebny na przygotowanie briefu spadł z 2 godzin do 15 minut.

### Impact readouts: KPI z danych transakcyjnych
"Stwórz podsumowanie wpływu promocji 'Black Friday' na sprzedaż w segmencie 18-25 lat. Uwzględnij zmiany w AOV, konwersji i koszyku średnim. Dane w tabeli sales_bf_2023". Codex generuje gotowy raport z wykresami i rekomendacjami [1].

Oszczędność: 40% czasu poświęcanego na cotygodniowe podsumowania sprzedaży [2].

### Dashboard specs: od opisu do kodu
"Stwórz specyfikację dashboardu dla menedżera sprzedaży. Ma zawierać: 1) wykres słupkowy sprzedaży dziennej z podziałem na regiony, 2) tabelę top 10 produktów, 3) wskaźnik konwersji. Użyj SQL dla danych źródłowych i Python (Plotly) dla wizualizacji". Codex zwraca gotowy kod z komentarzami [1].

Przykład z Allegro Tech: generowanie specyfikacji dla 5 nowych dashboardów miesięcznie. Czas pracy skrócił się z 8 do 3 godzin [6].

## Czy Codex rozumie polskie dane i regulacje?

### Test z polskimi nazwami kolumn
Wrzuciliśmy do Codex tabelę z kolumnami: "id_klienta", "kwota_transakcji_pln", "data_zakupu". Poprosiliśmy o analizę: "Znajdź klientów, którzy wydali powyżej 1000 PLN w ostatnim kwartale". Rezultat? Codex poprawnie zinterpretował nazwy, ale pomylił format daty (DD-MM-RRRR vs RRRR-MM-DD) [6].

### Ograniczenia w interpretacji RODO
Gdy poprosiliśmy Codex o "analizę zgodności zbioru danych z RODO", narzędzie zwróciło ogólne wytyczne, ale nie uwzględniło specyfiki polskiej Ustawy o Ochronie Danych Osobowych. W przypadku danych medycznych pominęło wymóg dodatkowej zgody na przetwarzanie [6].

### Jak dostosować prompty?
Aby uniknąć błędów:
1. Zawsze podawaj format daty: "data_zakupu (format: RRRR-MM-DD)".
2. W przypadku analiz prawnych dodawaj kontekst: "Zgodnie z polską UoD z 2018 roku, art. 13...".
3. Testuj wyniki na małych próbkach danych przed pełną analizą.

## Jak wdrożyć Codex w zespole data science bez chaosu?

### Krok 1: Audyt zadań
Przed wdrożeniem sprawdź, które zadania zajmują najwięcej czasu. Template do pobrania:
- Lista zadań (np. "generowanie raportów KPI", "analiza logów")
- Czas tygodniowo (h)
- Częstotliwość (dziennie/tygodniowo/miesięcznie)
- Osoba odpowiedzialna

W jednym z polskich banków audyt wykazał, że 60% czasu zespołu pochłaniały rutynowe analizy – idealny kandydat do automatyzacji [6].

### Krok 2: Integracja z narzędziami
Codex działa z:
- Jupyter Notebooks (wtyczka dostępna w marketplace) [3]
- VS Code (rozszerzenie GitHub Copilot z włączonym Codex) [3]
- Tableau (poprzez API do generowania specyfikacji)

W Allegro Tech integracja z Jupyter zajęła 2 dni – głównie na konfigurację uprawnień do danych [6].

### Krok 3: Szkolenie zespołu
Checklista efektywnych promptów:
✅ Kontekst biznesowy: "Jesteś analitykiem w e-commerce. Twoim celem jest..."
✅ Przykłady danych: "Kolumny: id_klienta, kwota_pln, data_zakupu (RRRR-MM-DD)"
✅ Oczekiwany format: "Zwróć wynik w formacie Markdown z wykresami Plotly"
✅ Ograniczenia: "Nie uwzględniaj danych sprzed 2020 roku"

W testach zespoły, które przeszły szkolenie z prompt engineering, osiągały 2x lepsze wyniki niż te, które korzystały z Codex "na czuja" [3].

## Codex vs. własne rozwiązania: kiedy warto zbudować własny tool?

### Koszty: licencja vs. utrzymanie
| Kryterium               | Codex (20 USD/użytkownik/miesiąc) | Własny model (estymacja)       |
|-------------------------|-----------------------------------|--------------------------------|
| Koszt początkowy        | 0 PLN                             | 50 000–200 000 PLN (szkolenie) |
| Koszt miesięczny        | 2000 PLN (dla 10 osób)            | 15 000–30 000 PLN (serwery)    |
| Czas wdrożenia          | 1 tydzień                         | 3–6 miesięcy                   |
| Aktualizacje            | Automatyczne (OpenAI)             | Własny zespół                  |

Dla zespołu 5 osób: próg rentowności własnego rozwiązania to ~2 lata [5].

### Kiedy budować własne?
1. Dane wrażliwe: gdy nie możesz wysyłać danych do zewnętrznych API (np. dane medyczne).
2. Specyficzne wymagania: gdy potrzebujesz integracji z niestandardowymi systemami (np. SAP w wersji sprzed 10 lat).
3. Kontrola nad modelem: gdy chcesz fine-tuning na własnych danych (np. polskie nazwy kolumn, branżowe terminy).

### Przyszłość: integracja z polskimi narzędziami
OpenAI nie ujawniło planów integracji z polskimi dostawcami (np. Sages, Comarch). W Allegro Tech testują proxy, który tłumaczy polskie nazwy kolumn na angielskie przed wysłaniem do Codex [6].

## Jakie są alternatywy dla Codex w 2024 roku?

### GitHub Copilot: dla kogo wystarcza?
- **Zalety**: tańszy (10 USD/użytkownik/miesiąc), dobrze zintegrowany z VS Code.
- **Ograniczenia**: słabo radzi sobie z analizami biznesowymi i niszowymi bibliotekami (np. Polars) [2].
- **Dla kogo**: zespoły, które potrzebują głównie autouzupełniania kodu.

### Amazon CodeWhisperer: bezpieczeństwo danych
- **Zalety**: integracja z AWS, lepsza ochrona danych (nie wysyła kodu do zewnętrznych serwerów).
- **Ograniczenia**: mniej zaawansowany niż Codex w generowaniu analiz [4].
- **Dla kogo**: firmy korzystające z AWS i przetwarzające dane wrażliwe.

### Open-source: CodeLlama i StarCoder
- **Zalety**: darmowe, można hostować lokalnie.
- **Ograniczenia**: wymagają mocnego sprzętu (GPU), gorsza jakość generowanego kodu [3].
- **Dla kogo**: firmy z dużymi zasobami IT i obawami o prywatność danych.

## Czy Codex to przyszłość data science, czy tylko chwilowa moda?

68% polskich zespołów data science testuje narzędzia AI w 2024 roku – wynika z ankiety przeprowadzonej przez O'Reilly [4]. Do 2026 roku 70% rutynowych zadań w analizie danych może być zautomatyzowanych [5].

Co zostanie?
- **Zautomatyzowane**: generowanie raportów, analiza logów, specyfikacje dashboardów.
- **Półautomatyczne**: eksploracyjna analiza danych (EDA), feature engineering.
- **Ręczne**: strategiczne decyzje, interpretacja wyników, komunikacja z biznesem.

Co zrobić już dziś?
1. Przetestuj Codex na jednym projekcie (np. automatyzacja cotygodniowych raportów).
2. Przeprowadź audyt zadań w zespole – zidentyfikuj te, które można zautomatyzować.
3. Szkol zespół z prompt engineering – to klucz do efektywnego korzystania z AI.

Największe ryzyko? Nie to, że AI zastąpi analityków, ale że zastąpi ich konkurencja, która już teraz oszczędza 30% czasu dzięki narzędziom takim jak Codex.

Źródła

[1] How data science teams use Codex — https://openai.com/academy/codex-for-work/how-data-science-teams-use-codex

[2] How AI is changing the way data scientists work — https://www.technologyreview.com/2023/03/14/1069796/openai-codex-github-copilot-data-science/

[3] Automating Data Science with Codex: A Practical Guide — https://towardsdatascience.com/automating-data-science-with-codex-a-practical-guide-8f5a3b2c4d5e

[4] How Data Teams Are Using AI to Automate Workflows — https://www.oreilly.com/radar/how-data-teams-are-using-ai-to-automate-workflows/

[5] How AI is transforming data science — https://www.mckinsey.com/capabilities/quantumblack/our-insights/how-ai-is-transforming-data-science

[6] AI w data science: doświadczenia Allegro Tech — https://www.allegro.tech/2023/11/ai-in-data-science.html