Interrogare i dati in linguaggio naturale non è più un esperimento da demo. Mercedes-Benz Korea lo ha portato in produzione, costruendo su Databricks un sistema "Talk to Data" affidabile e scalabile.
Cosa hanno fatto
Il caso, raccontato sul blog Databricks, mette la semantica al centro dell’architettura AI. Il punto non è la comodità di fare domande in linguaggio naturale: è la fiducia. Perché un sistema del genere funzioni davvero in azienda, i risultati devono essere corretti, tracciabili e coerenti — non "abbastanza buoni". E costruire quella fiducia richiede lavoro serio su data engineering, modellazione semantica e governance.
Perché conta
Il caso è interessante perché sposta il focus. Non basta avere un LLM che genera SQL: serve uno strato semantico solido che sappia rispondere alla domanda "cosa significa davvero questo campo?" prima ancora che l’utente la faccia. È lì che la maggior parte dei progetti "chiedi ai tuoi dati" fallisce — non sulla generazione della query, ma sulla comprensione del significato.
Siamo ancora all’inizio di questa transizione, ma esempi come questo mostrano che il percorso è praticabile, a patto di non saltare i fondamentali.
In sintesi
Il "Talk to Data" affidabile non nasce dal modello più potente, ma dal lavoro semantico che gli sta sotto. Mercedes-Benz Korea lo conferma con un sistema reale, in produzione e su scala.
