Przejdź do treści

Praktyczne zastosowania

Codex w pracy analityka: co potrafi, a czego nie

Zaktualizowano: Autor: Andrzej Niemiec8 min czytania

Codex to agent AI od OpenAI do automatyzacji zadań programistycznych. Sprawdź, jak wspiera analityków danych, jakie ma ograniczenia i czy warto go wdrażać.

Codex w pracy analityka: co potrafi, a czego nie
Spis treści
  1. Czym jest Codex i jak różni się od ChatGPT?
  2. Jakie konkretne zadania data science może automatyzować Codex?
  3. Czy Codex rozumie polskie dane i regulacje?
  4. Codex vs. alternatywy: kiedy wybrać które narzędzie?
  5. Jak wdrożyć Codex w zespole data science? Praktyczne kroki
  6. Najczęstsze pytania
  7. Źródła

Czym jest Codex i jak różni się od ChatGPT?

Codex to agent AI od OpenAI, uruchomiony 16 maja 2025 r., który pracuje bezpośrednio na Twoich plikach i repozytoriach [1]. Nie jest to chatbot — to narzędzie, które planuje zadania, pisze kod, uruchamia testy, linters i przygotowuje zmiany do przeglądu. Dostępny jest w terminalu, edytorze kodu (IDE), przeglądarce i aplikacji desktopowej [6].

Różnica od ChatGPT: ChatGPT odpowiada na pytania w oknie dialogowym. Codex wykonuje zadania na Twoim kodzie — czyta pliki, modyfikuje je, uruchamia polecenia i pokazuje wyniki w logu terminala. Dla analityków danych oznacza to możliwość automatyzacji skryptów Python, SQL, ETL i walidacji danych bez ręcznego pisania każdej linijki [8].

Jakie konkretne zadania data science może automatyzować Codex?

Codex najlepiej sprawdza się w zadaniach, które polegają na pisaniu i modyfikacji kodu. Oto rzeczywiste zastosowania:

Generowanie i refaktoryzacja SQL

Analityk opisuje zapytanie w języku naturalnym, a Codex generuje SQL. Przykład: "Wygeneruj zapytanie, które pokazuje przychód wg kategorii produktu za ostatni miesiąc, posortowany malejąco". Agent pisze kod, uruchamia go na bazie danych i pokazuje wynik [8]. Ograniczenie: Codex musi znać strukturę bazy — jeśli tabele mają niejasne nazwy lub brakuje dokumentacji, agent może użyć złej kolumny.

Tworzenie i uruchamianie testów

Po napisaniu skryptu analizy Codex może automatycznie wygenerować testy jednostkowe, uruchomić je i zgłosić błędy. To oszczędza czas, szczególnie w projektach, gdzie testy są zaniedbane [1]. Jednak agent nie zastąpi człowieka w definiowaniu, co powinno być testowane — to decyzja biznesowa.

Dokumentacja kodu i specyfikacje techniczne

Codex potrafi wygenerować docstrings, komentarze i dokumentację na podstawie kodu. Może też przygotować specyfikację techniczną dashboardu na podstawie danych wejściowych — ale wymaga to jasnego kontekstu od analityka [8]. Przykład: "Na podstawie tych kolumn wygeneruj specyfikację dashboardu do monitorowania churn'u w abonamentach".

Automatyzacja ETL i walidacja danych

Codex potrafi wygenerować skrypty do czyszczenia danych, transformacji i walidacji. Może też napisać kod do integracji z API lub bazami danych. Ograniczenie: agent nie zrozumie, czy dane są biznesowo poprawne — tylko czy kod jest syntaktycznie prawidłowy [1].

Czy Codex rozumie polskie dane i regulacje?

Codex został wytrenowany głównie na kodzie anglojęzycznym i dokumentacji technicznej. Dla polskich firm oznacza to zarówno szanse, jak i wyzwania.

Co Codex potrafi

Agent radzi sobie z generowaniem SQL dla baz danych zawierających polskie nazwy kolumn i tabel. Potrafi też obsługiwać polskie formaty dat (DD.MM.YYYY) i walut (PLN) — jeśli analityk wyraźnie to wskaże w promptcie [8]. mBank wdrożył własne narzędzie GenAI, które generuje SQL z pytań w języku naturalnym dla bazy zawierającej dziesiątki tysięcy tabel i przyspiesza raportowanie [3].

Gdzie Codex zawodzi

Agent nie rozumie polskich regulacji (np. wymogi KNF w bankowości czy RODO w ochronie danych). Jeśli wygeneruje zapytanie SQL, które narusza przepisy, nie będzie o tym wiedzieć. Każdy raport musi być ręcznie zweryfikowany pod kątem zgodności z prawem [3]. Dodatkowo Codex nie zna kontekstu biznesowego — nie rozpozna, że spadek sprzedaży w listopadzie to sezonowość związana z Black Friday, jeśli ta informacja nie będzie w danych [8].

Codex vs. alternatywy: kiedy wybrać które narzędzie?

NarzędzieNajlepsze doOgraniczenia
CodexAutomatyzacja kodu, testy, SQL, ETL, dokumentacjaNie interpretuje biznesu, wymaga nadzoru, brak wiedzy o regulacjach
Claude CodePisanie kodu w czasie rzeczywistym, refaktoryzacjaMniej integracji z narzędziami BI, droższy
GitHub CopilotPodpowiadanie kodu w IDE, uzupełnianie funkcjiPracuje lokalnie w edytorze, nie na całym projekcie

Codex warto wybrać, jeśli: zespół spędza dużo czasu na pisaniu powtarzalnych skryptów, potrzebuje automatyzacji testów i dokumentacji, pracuje z SQL i Pythonem. GitHub Copilot lepiej sprawdza się, gdy głównym zadaniem jest szybkie pisanie kodu w edytorze, bez potrzeby pełnej automatyzacji projektu [1].

Jak wdrożyć Codex w zespole data science? Praktyczne kroki

Krok 1: Zidentyfikuj 2–3 rutynowe zadania do automatyzacji

Zacznij od zadań, które są powtarzalne, czasochłonne, ale nie wymagają głębokich decyzji biznesowych. Przykłady:

  • Cotygodniowe generowanie raportów sprzedażowych z SQL
  • Tworzenie testów dla nowych skryptów analizy
  • Refaktoryzacja starego kodu Python

Krok 2: Przygotuj szablony promptów

Dla każdego zadania napisz jasny prompt z kontekstem. Przykład dla SQL: "Wygeneruj zapytanie do tabeli sprzedaz (kolumny: data, kategoria, przychód, region), które pokazuje przychód wg kategorii za ostatni miesiąc, posortowany malejąco. Użyj formatu daty DD.MM.YYYY".

Krok 3: Przeprowadź pilotaż na jednym zespole

Wybierz 2–3 analityków i daj im dostęp do Codex przez 2 tygodnie. Zmierz: ile czasu zajmuje zadanie ręcznie, ile z Codex (w tym weryfikacja), jaki procent wygenerowanego kodu wymaga poprawek. Jeśli oszczędność wynosi ≥30%, rozszerz na cały zespół [8].

Krok 4: Ustaw proces weryfikacji

Codex nie może działać autonomicznie. Każdy wygenerowany kod musi być przejrzany przez analityka pod kątem:

  • Poprawności SQL (czy zapytanie zwraca to, co powinno)
  • Zgodności z regulacjami (szczególnie w bankowości, ubezpieczeniach)
  • Wydajności (czy zapytanie nie będzie zbyt wolne)

Najczęstsze pytania

Czy Codex zastąpi junior data scientists?

Nie. Codex automatyzuje pisanie kodu, ale nie interpretuje danych ani nie podejmuje decyzji biznesowych. Junior analityk będzie potrzebny do definiowania, co powinno być analizowane, weryfikacji wyników i komunikacji z biznesem. Codex oszczędza mu czasu na pisaniu powtarzalnych skryptów [1].

Ile kosztuje Codex?

Codex jest dostępny dla użytkowników ChatGPT Pro, Business i Enterprise. Ceny zaczynają się od poziomu Pro (stan na październik 2026). Dokładne koszty zależą od liczby użytkowników i poziomu integracji [1].

Czy Codex może pracować offline?

Codex wymaga połączenia z chmurą OpenAI. Nie ma wersji offline, ale można go zintegrować z lokalnymi narzędziami (IDE, terminal) przez API [6].

Jakie języki programowania obsługuje Codex?

Codex obsługuje Python, SQL, JavaScript, TypeScript, Java, C++, Go, Rust i inne popularne języki. Dla data science najważniejsze to Python i SQL [1].

Czy Codex może pracować z polskimi danymi?

Tak, ale wymaga jasnych instrukcji. Analityk musi wyraźnie wskazać, że dane zawierają polskie formaty (DD.MM.YYYY, PLN) i polskie nazwy kolumn. Agent nie zna polskich regulacji — każdy raport musi być ręcznie zweryfikowany [3].

Źródła

  1. Introducing Codex (OpenAI, 16.05.2025)
  2. Introducing GPT-5.3-Codex (OpenAI)
  3. GenAI w mBanku: wsparcie dla pracowników i jeszcze lepsza jakość obsługi (mBank, 09.06.2025)
  4. Cała naprzód! Strategia Grupy mBanku na lata 2026-2030 (mBank)
  5. Introducing upgrades to Codex (OpenAI)
  6. Introducing the Codex app (OpenAI)
  7. OpenAI Codex 2.0: Co zmienia się dla polskich programistów (innowacje.ai)
  8. How data science teams use Codex (OpenAI Academy)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji