Interrogare i dati in linguaggio naturale ha smesso di essere un esperimento da demo. Mercedes-Benz Korea ha costruito su Databricks un sistema "Talk to Data" affidabile e scalabile, e il caso è interessante non per la tecnologia in sé, ma per ciò che mette al centro: la semantica e la fiducia.
Il problema vero non è generare SQL
È facile far generare una query SQL a un modello linguistico. È molto più difficile far sì che la risposta sia corretta, tracciabile e coerente — non "abbastanza buona". In azienda, un sistema che risponde alle domande sui dati funziona solo se le persone possono fidarsi dei numeri che restituisce. E quella fiducia non nasce dal modello: nasce dal lavoro sui dati.
Lo strato semantico al centro
Il cuore dell’approccio è uno strato semantico solido, capace di rispondere alla domanda "cosa significa davvero questo campo?" prima ancora che l’utente la ponga. Senza questo strato, un LLM che genera SQL produce risposte plausibili ma fragili: aggrega le metriche sbagliate, confonde definizioni simili, ignora le regole di business implicite.
Costruire fiducia richiede quindi lavoro serio su data engineering, modellazione semantica e governance. È la parte poco spettacolare del progetto, ma è quella che fa la differenza tra una demo e un sistema in produzione.
Cosa imparare da questo caso
Il messaggio per chi lavora con i dati è chiaro: non basta agganciare un LLM al data warehouse. Serve definire i significati, codificare le regole, garantire la coerenza. Il "Talk to Data" diventa affidabile solo se sotto c’è una base semantica curata.
Siamo all’inizio di questa transizione, ma esempi come quello di Mercedes-Benz Korea mostrano che il percorso è praticabile — a patto di non saltare i fondamentali. Anche qui, come spesso accade, la tecnologia visibile poggia su un lavoro invisibile che è quello che conta davvero.
Hai qualcosa da aggiungere? Unisciti alla discussione.