RAG vs Prompt-to-SQL: när ska företag använda vad?

Många företag vill kunna ställa frågor till sin data: "Vilka kunder har avtal som löper ut?", "Vad säger våra rutiner om returer?", "Vilka produkter säljer bäst per kanal?".

Men alla frågor ska inte lösas på samma sätt. Två vanliga tekniker är RAG och Prompt-to-SQL. De låter tekniska, men valet är praktiskt: frågar ni dokument eller databaser?

RAG: när svaret finns i dokument och kunskap

RAG står för Retrieval Augmented Generation. I praktiken betyder det att AI först söker fram relevanta delar ur era dokument och sedan formulerar ett svar baserat på dem.

RAG passar när informationen finns i:

• PDF:er
• manualer
• policyer
• avtal
• supportartiklar
• interna wikis
• produktdokumentation

Exempel: "Vad gäller för reklamationer efter 30 dagar?" Då behöver AI hitta rätt policy, rätt stycke och helst visa källan.

Prompt-to-SQL: när svaret finns i databasen

Prompt-to-SQL betyder att AI omvandlar en vanlig fråga till en databasfråga. Det passar när ni har strukturerad data i tabeller.

Det kan handla om:

• order
• fakturor
• kunder
• artiklar
• lagersaldo
• ärenden
• tidrapporter

Exempel: "Vilka kunder köpte produkt X de senaste 90 dagarna men har inte beställt igen?" Det är en fråga för databas eller affärssystem, inte för dokument.

En enkel tumregel

Om svaret kräver tolkning av text: börja med RAG.

Om svaret kräver beräkning, filtrering eller summering: börja med strukturerad data och SQL-liknande frågor.

| Fråga | Bättre väg | |---|---| | Vad säger vår policy om uppsägningstid? | RAG | | Hur många fakturor är förfallna? | Prompt-to-SQL | | Vilken manual beskriver installationen? | RAG | | Vilka artiklar har negativt lagersaldo? | Prompt-to-SQL | | Vilka kundärenden nämner samma problem? | Ofta båda |

När behövs båda?

Många verkliga frågor kräver båda teknikerna.

En supportchef kan fråga: "Vilka kunder har haft tre ärenden om samma produkt och vilket avtalsvillkor gäller för kompensation?"

Då behövs strukturerad ärendedata för att hitta kunderna och dokumentkunskap för att tolka avtalet. Det är därför första steget nästan alltid är en datakarta: vilka system äger vilken information?

Vanliga misstag

Det vanligaste misstaget är att lägga alla dokument i en AI-sökning och tro att rapportering också är löst. RAG är inte ett rapporteringssystem.

Det andra misstaget är att låta AI skriva databasfrågor utan skyddsräcken. Om frågan tolkas fel kan svaret se korrekt ut men bygga på fel tabeller, fel datum eller fel definition av kund.

Det tredje misstaget är att hoppa över källor. För företagsanvändning måste svaret gå att kontrollera. Annars blir AI-stödet svårt att lita på.

Så väljer vi första projektet

Vi börjar med att samla de frågor som teamet faktiskt ställer varje vecka. Sedan markerar vi var svaret finns: dokument, CRM, affärssystem, supportverktyg, kalkylark eller filserver.

Om de flesta frågorna handlar om "vad står det?" börjar vi med dokument och RAG. Om de handlar om "hur många, vilka, när och hur mycket?" börjar vi med integration mot strukturerad data.

Ett bra första AI-projekt ska inte imponera i en demo. Det ska svara på återkommande frågor med källor, logg och tydlig ansvarig data.