«Quanto abbiamo venduto nel Centro Italia nell’ultimo trimestre?» Sembra una domanda semplice. Eppure, prima di ottenere una risposta, un sistema deve interpretare almeno tre elementi: cosa significa “venduto”, quali territori rientrano nel Centro Italia e quale periodo indica “ultimo trimestre”. Se queste definizioni non sono condivise, una query SQL può essere eseguita senza errori e restituire un numero che non risponde alla domanda.
Interrogare un database in linguaggio naturale significa trasformare una richiesta espressa con parole comuni in una interrogazione dei dati. Nei sistemi relazionali questo passaggio avviene spesso attraverso tecniche di text-to-SQL, che generano una query a partire dalla domanda. Ma la conversione della frase in SQL è solo una parte del processo: per ottenere una risposta affidabile servono contesto, controlli e possibilità di verificarne l’origine.
Dalla domanda alla query: le fasi che contano davvero
Un’interfaccia conversazionale nasconde la complessità di ciò che accade dietro le quinte. Per valutarne la qualità conviene seguire il percorso della domanda fino al risultato, non limitarsi a osservare se appare una tabella o un grafico.
1. Capire l’intento e identificare i termini ambigui
La prima operazione consiste nel riconoscere metriche, filtri, dimensioni e intervallo temporale. “Clienti attivi”, ad esempio, può riferirsi ai clienti con un contratto in corso, agli account che hanno effettuato almeno un ordine o a quelli che hanno utilizzato il servizio in un certo periodo. Non esiste una definizione universalmente corretta: esiste quella adottata dall’azienda.
Se la domanda non contiene le informazioni necessarie, un sistema affidabile dovrebbe poter chiedere un chiarimento oppure rendere esplicite le ipotesi, anziché scegliere silenziosamente una definizione.
2. Selezionare le tabelle e ricostruire le relazioni
Un gestionale può contenere tabelle operative, archivi storici, viste, record annullati e relazioni non immediatamente intuibili dai nomi delle colonne. Identificare la tabella con un campo “revenue” non basta: occorre capire se rappresenta il valore corretto, se il dato è aggiornato e come si collega alle altre entità. Anche un JOIN formalmente valido può duplicare record o attribuire valori all’entità sbagliata.
La documentazione Microsoft Fabric raccomanda di associare alle domande esempi coerenti di query e di esplicitare logiche di join e calcolo complesse. Quando lo stesso intento viene associato a tabelle o aggregazioni incompatibili, il sistema può produrre risultati diversi pur partendo da domande equivalenti.
3. Applicare il contesto di business
Il database descrive la struttura e contiene le informazioni. Le regole aziendali spiegano come leggerle: quale definizione di fatturato utilizzare, quali stati dell’ordine escludere, come trattare resi e note di credito, quali unità organizzative ricomprendere nel perimetro. Senza questo livello semantico, il sistema è costretto a indovinare.
Abbiamo approfondito la distinzione tra struttura tecnica e significato aziendale nell’articolo «L’AI sa leggere il tuo database. Ma sa cosa significano i tuoi dati?». Il punto non è aggiungere più testo al prompt, ma rendere accessibili definizioni e relazioni sufficientemente precise e aggiornate.
4. Generare ed esaminare la query
Solo dopo aver risolto i passaggi precedenti ha senso tradurre la richiesta in SQL. La query deve usare il dialetto supportato dal database, rispettare il perimetro dei dati consentiti e applicare correttamente filtri, raggruppamenti e aggregazioni. Un controllo sintattico può evitare l’esecuzione di SQL non valido, ma non dimostra che la domanda sia stata interpretata correttamente.
5. Eseguire, confrontare e presentare il risultato
Il numero finale va letto insieme alla metrica, al periodo, ai filtri e alla provenienza delle informazioni. Per domande critiche è utile poter ispezionare la query generata, confrontarla con un riferimento verificato o sottoporla a una verifica del data team. Solo a questo punto la risposta può diventare una base ragionevole per un’analisi.
Esempio: una query corretta che risponde alla domanda sbagliata
Immaginiamo, a scopo illustrativo, un gestionale commerciale con tre tabelle: ordini, fatture e clienti. Un responsabile chiede «Qual è il fatturato di settembre?». Il sistema potrebbe sommare l’importo degli ordini confermati oppure quello delle fatture emesse. Entrambe le query possono essere valide, ma misurano fenomeni diversi.
Supponiamo che l’azienda consideri fatturato solo il totale delle fatture emesse, al netto delle note di credito. Se questa definizione non viene fornita, il sistema potrebbe scegliere gli ordini perché la tabella è più immediata da individuare. L’errore non apparirebbe come un messaggio del database: si manifesterebbe come un indicatore plausibile ma non conforme alla regola aziendale.
Questo esempio non descrive un test eseguito su DataTalk né un risultato cliente. Serve a mostrare il motivo per cui l’affidabilità del natural language querying va valutata sul significato della risposta, non soltanto sul successo dell’esecuzione SQL.
Cosa verificare prima di collegare l’AI a un gestionale esistente
Per una software house, la domanda pratica non è soltanto «Riesco ad aggiungere una chat?», ma «Quali condizioni servono perché l’interrogazione dei dati sia gestibile sul software dei nostri clienti?». Il gestionale può continuare a svolgere le sue funzioni operative, mentre un componente specializzato gestisce la conversazione con i dati. L’efficacia dell’integrazione dipende però dall’architettura e dalla qualità del contesto disponibile.
Nella valutazione di una soluzione occorre chiarire chi mantiene le definizioni delle metriche, come vengono gestite tabelle legacy e relazioni complesse, quali ruoli possono interrogare quali dati, se le query sono osservabili e come si individuano risposte inattese. È altrettanto importante stabilire come aggiornare il contesto quando cambiano schema, regole o versioni del gestionale.
Un test dimostrativo con tre tabelle ben nominate dice poco sulla complessità di un database reale. Una verifica credibile dovrebbe includere domande ambigue, join non banali, metriche condivise e casi che richiedono un chiarimento. Google Cloud descrive, tra gli approcci possibili, il recupero selettivo di metadati, il contesto semantico e la validazione delle query; nessuno di questi meccanismi andrebbe dato per scontato in una piattaforma senza verifiche sul prodotto.
Dove si colloca DataTalk nel processo
DataTalk permette di interrogare database SQL con richieste in linguaggio naturale. La documentazione ufficiale della DataTalk Public API descrive endpoint per inviare richieste conversazionali, generare query SQL ed esplorare database e metadati delle tabelle. Questo consente di valutare un’integrazione con applicazioni e gestionali esistenti senza assumere che ogni progetto richieda la riscrittura del software.
La presenza di questi endpoint non dimostra da sola come la piattaforma gestisca tutte le situazioni descritte nell’articolo: risoluzione delle ambiguità, gestione dei permessi nel contesto specifico, tracciabilità e comportamento su schemi complessi vanno verificati nel caso d’uso reale. Per chi sviluppa software, il punto di partenza più utile è una domanda aziendale concreta, accompagnata dal database e da criteri espliciti per valutare la correttezza della risposta.
Puoi esplorare le funzionalità documentate nella DataTalk API e richiedere una dimostrazione a partire da una domanda che oggi il gestionale non riesce a risolvere in modo semplice.