Database Issues in AI-Generated Apps

AI generuje schemat bazy, który wygląda poprawnie na pierwszy rzut oka. Masz tabele, kolumny, dane się zapisują. Problem w tym, że ten schemat jest płaski. Imię klienta, e-mail i telefon są zapisane bezpośrednio w każdym zamówieniu, zamiast być połączone z tabelą użytkowników. Przy 10 testowych rekordach nikt tego nie zauważy. Przy prawdziwym ruchu zaczynają się problemy.

Duplikacja danych jest wszędzie. Zmiana adresu e-mail klienta oznacza aktualizację setek wierszy zamiast jednego. To klasyczne anomalie aktualizacji — problem rozwiązany w inżynierii baz danych od dekad, ale AI o tym nie wie, bo generuje kod, który „działa", a nie kod, który jest poprawny.

Dochodzi do tego brak indeksów. Zapytanie, które powinno trwać 50ms, trwa 3 sekundy. Baza przeszukuje całą tabelę wiersz po wierszu, bo nikt nie powiedział AI, żeby dodało indeks na kolumnie, po której filtrujesz.

AI generates a database schema that looks correct at first glance. You have tables, columns, data gets saved. The problem is that the schema is flat. Customer name, email, and phone are stored directly on every order instead of being linked to a Users table. With 10 test records, nobody notices. With real traffic, things start breaking.

Data duplication is everywhere. Changing a customer's email means updating hundreds of rows instead of one. These are classic update anomalies — a problem solved in database engineering decades ago, but AI doesn't know about it because it generates code that "works," not code that's correct.

On top of that, there are no indexes. A query that should take 50ms takes 3 seconds. The database scans the entire table row by row because nobody told the AI to add an index on the column you're filtering by.

AI genererar ett databasschema som ser korrekt ut vid första anblick. Du har tabeller, kolumner, data sparas. Problemet är att schemat är platt. Kundens namn, e-post och telefonnummer lagras direkt på varje beställning istället för att länkas till en användartabell. Med 10 testposter märker ingen något. Med riktig trafik börjar saker gå sönder.

Dataduplicering finns överallt. Att ändra en kunds e-post innebär att uppdatera hundratals rader istället för en. Det är klassiska uppdateringsanomalier — ett problem som löstes inom databasteknik för decennier sedan, men AI vet inte om det eftersom den genererar kod som "fungerar," inte kod som är korrekt.

Dessutom saknas index. En fråga som borde ta 50ms tar 3 sekunder. Databasen skannar hela tabellen rad för rad för att ingen sa åt AI att lägga till ett index på kolumnen du filtrerar på.

AI genererer et databaseskjema som ser riktig ut ved første øyekast. Du har tabeller, kolonner, data lagres. Problemet er at skjemaet er flatt. Kundenavn, e-post og telefonnummer lagres direkte på hver bestilling i stedet for å lenkes til en brukertabell. Med 10 testposter merker ingen noe. Med ekte trafikk begynner ting å ryke.

Dataduplisering er overalt. Å endre en kundes e-post betyr å oppdatere hundrevis av rader i stedet for én. Dette er klassiske oppdateringsanomalier — et problem som ble løst innen databaseteknikk for tiår siden, men AI vet ikke om det fordi den genererer kode som «fungerer», ikke kode som er korrekt.

I tillegg mangler det indekser. En spørring som burde ta 50ms tar 3 sekunder. Databasen skanner hele tabellen rad for rad fordi ingen sa til AI at den skulle legge til en indeks på kolonnen du filtrerer på.

1. Audyt schematu. Przeglądamy całą bazę danych i identyfikujemy płaskie struktury, brakujące relacje i zduplikowane dane. Projektujemy znormalizowany schemat, który eliminuje anomalie aktualizacji.
2. Dodanie indeksów. Analizujemy zapytania i dodajemy indeksy na kolumnach używanych w WHERE, JOIN i ORDER BY. Zapytanie, które trwało 3 sekundy, zaczyna działać w 50ms.
3. Naprawienie zapytań N+1. Zamieniamy pętle z pojedynczymi zapytaniami na wydajne JOIN-y lub batch queries. 101 zapytań staje się jednym.
4. Connection pooling. Konfigurujemy pulę połączeń, żeby baza nie tonęła pod naporem nowych połączeń przy każdym żądaniu.
5. Migracja silnika bazy. Jeśli obecna baza nie pasuje do potrzeb (np. SQLite w produkcji), migrujemy do PostgreSQL lub MySQL — silników zaprojektowanych do obsługi współbieżnego ruchu.

1. Schema audit. We review the entire database and identify flat structures, missing relations, and duplicated data. We design a normalized schema that eliminates update anomalies.
2. Add indexes. We analyze queries and add indexes on columns used in WHERE, JOIN, and ORDER BY clauses. A query that took 3 seconds starts running in 50ms.
3. Fix N+1 queries. We replace loops that run individual queries with efficient JOINs or batch queries. 101 queries become one.
4. Connection pooling. We configure a connection pool so the database doesn't drown under new connections on every request.
5. Database engine migration. If the current database doesn't fit the use case (e.g., SQLite in production), we migrate to PostgreSQL or MySQL — engines designed to handle concurrent traffic.

1. Schemagranskning. Vi går igenom hela databasen och identifierar platta strukturer, saknade relationer och duplicerad data. Vi designar ett normaliserat schema som eliminerar uppdateringsanomalier.
2. Lägga till index. Vi analyserar frågor och lägger till index på kolumner som används i WHERE, JOIN och ORDER BY. En fråga som tog 3 sekunder börjar köra på 50ms.
3. Fixa N+1-frågor. Vi ersätter loopar som gör enskilda frågor med effektiva JOIN:ar eller batch-frågor. 101 frågor blir en.
4. Connection pooling. Vi konfigurerar en anslutningspool så att databasen inte dränks av nya anslutningar vid varje förfrågan.
5. Databasmotorbyte. Om den nuvarande databasen inte passar användningsfallet (t.ex. SQLite i produktion), migrerar vi till PostgreSQL eller MySQL — motorer designade för att hantera samtidig trafik.

1. Skjemagjennomgang. Vi går gjennom hele databasen og identifiserer flate strukturer, manglende relasjoner og duplisert data. Vi designer et normalisert skjema som eliminerer oppdateringsanomalier.
2. Legge til indekser. Vi analyserer spørringer og legger til indekser på kolonner som brukes i WHERE, JOIN og ORDER BY. En spørring som tok 3 sekunder begynner å kjøre på 50ms.
3. Fikse N+1-spørringer. Vi erstatter løkker med individuelle spørringer med effektive JOIN-er eller batch-spørringer. 101 spørringer blir til én.
4. Connection pooling. Vi konfigurerer en tilkoblingspool slik at databasen ikke drukner av nye tilkoblinger ved hver forespørsel.
5. Databasemotormigrering. Hvis den nåværende databasen ikke passer brukstilfellet (f.eks. SQLite i produksjon), migrerer vi til PostgreSQL eller MySQL — motorer designet for å håndtere samtidig trafikk.