AI enterprise e accesso conversazionale ai dati aziendali

Nelle organizzazioni moderne i dati aziendali sono ovunque, ma spesso restano intrappolati in silos tecnologici accessibili solo a pochi esperti. Il risultato è un collo di bottiglia operativo: manager e funzioni business hanno bisogno di risposte rapide, ma ottenere insight dai database aziendali richiede ancora competenze SQL, passaggi intermedi e tempi di attesa incompatibili con il decision making moderno.

In questo scenario, il Text-to-SQL rappresenta una delle applicazioni più concrete dell’AI enterprise: consente di interrogare database aziendali in linguaggio naturale attraverso un’interfaccia conversazionale AI, eliminando la dipendenza tecnica dall’SQL e democratizzando l’accesso ai dati.

Un esempio tangibile di questa innovazione è il progetto Querify, adottato da Intesys per il settore bancario: una soluzione che sta contribuendo in modo decisivo ad abbattere le barriere tecniche tra business e dati aziendali, trasformando la complessità del codice in risposte immediate.

Il problema: il collo di bottiglia tra business e dati

Oggi, la maggior parte delle aziende soffre di un collo di bottiglia organizzativo. Quando un business manager necessita di un report o di un dato specifico, deve inoltrare una richiesta ai team IT o Data Science.

Il flusso tipico è ancora questo:

1. Il business formula una domanda (es. “quanti clienti hanno avuto un certo problema?”)
2. Il team IT/Data riceve la richiesta
3. Viene tradotta in query SQL
4. Il report viene generato
5. Dopo giorni (a volte settimane), il risultato torna al richiedente

Il vero “muro” organizzativo non è la mancanza di dati, ma il linguaggio necessario per interrogarli: l’SQL. Sebbene sia lo standard universale per i database, resta una lingua straniera per chi non è un tecnico.

Questa frizione causa i principali problemi:

• Tempi di attesa lunghi: i manager aspettano giorni per ottenere risposte a domande semplici, causando ritardi decisionali critici.
• Analisi intuitive: la frustrazione dell’attesa spinge a decidere senza dati, basandosi solo sull’istinto.
• Dipendenza strutturale dall’IT: anche domande semplici richiedono competenze tecniche.

Risolvere questa dipendenza strutturale dall’IT significa abbattere il vero muro che separa i manager dalle risposte di cui hanno bisogno.

La soluzione: interrogare i dati in linguaggio naturale con Querify

La risposta è nella Self-service Data Analysis: un approccio che parte da una domanda semplice ma potente: e se chiunque in azienda potesse interrogare un database in linguaggio naturale, come in una normale conversazione chat?

In questo contesto si inserisce Querify, la soluzione che trasforma richieste espresse in linguaggio naturale in query SQL eseguibili sui database aziendali.

Il funzionamento è immediato: l’utente pone una domanda in chat e l’AI — basata sulla libreria open source Vren AI — la traduce in tempo reale in una query SQL accurata, estrae i dati dal database e restituisce una risposta chiara e utilizzabile.

Come funziona Querify

L’architettura del sistema si basa su un flusso in tre fasi:

1. Input in linguaggio naturale: l’utente (business, operation, support) inserisce una domanda in chat. Per esempio, “Quanti ticket relativi a errori critici abbiamo avuto nell’ultimo mese?”

2. Traduzione in SQL tramite AI
Un modello AI interpreta:

• contesto della richiesta
• struttura del database
• relazioni tra tabelle

e genera automaticamente la query SQL corretta.

3. Esecuzione e risposta
La query viene eseguita sul database e il risultato viene restituito in linguaggio naturale o in forma tabellare. Il tutto avviene con un livello di astrazione tale da rendere invisibile la complessità del sistema sottostante.

Un caso reale nel settore banking: l’analisi dei log

Non si tratta di una teoria, ma di una soluzione che abbiamo già testato su scala enterprise. Il progetto è nato come Proof of Concept (PoC) per una divisione di un importante Gruppo Bancario, con l’obiettivo di permettere agli operatori di fare domande sui problemi dei clienti e ottenere informazioni tecniche in tempi brevi.

Applicazione: gestione delle segnalazioni dei clienti e analisi dei log di sistema.

Risultato: gli operatori hanno acquisito la capacità di interrogare i database in linguaggio naturale, bypassando la necessità di conoscere il codice e velocizzando drasticamente il recupero delle informazioni critiche.

In questo modo, un’attività tradizionalmente tecnica, come l’analisi dei log tramite query, è stata trasformata in un’interfaccia conversazionale, semplice e accessibile anche a profili non specialistici.

L’impatto sul decision making: autonomia e scalabilità

L’introduzione di un sistema Text-to-SQL come Querify cambia radicalmente il modo in cui le organizzazioni lavorano sui dati e porta a una vera democratizzazione dei dati aziendali:

1. Autonomia decisionale: i manager diventano indipendenti nell’analisi, potendo esplorare i dati in autonomia e in tempo reale.
2. Risoluzione del collo di bottiglia: il team IT viene liberato da compiti ripetitivi di estrazione dati, potendosi concentrare su attività a maggior valore aggiunto.
3. Efficienza interna: strumenti come questo migliorano le performance complessive dei processi aziendali e le risposte passano da giorni a secondi.

Grazie all’AI, il dato smette di essere un asset statico per diventare uno strumento di conversazione. I manager non devono più aspettare i dati e possono interrogarli direttamente.

L’evoluzione del Text-to-SQL nelle architetture AI moderne

Negli ultimi mesi, il panorama dell’AI applicata ai dati aziendali si sta evolvendo rapidamente. Il Text-to-SQL rappresenta oggi una base tecnologica fondamentale, ma le architetture più avanzate stanno già integrando approcci agentici, sistemi multi-tool e protocolli standardizzati come MCP (Model Context Protocol), che permettono ai modelli AI di interagire in modo sicuro e dinamico con database, API, documenti e sistemi enterprise.

Queste evoluzioni si integrano spesso con architetture RAG per l’AI enterprise, fondamentali per permettere ai sistemi AI di recuperare informazioni contestuali da documenti, knowledge base e fonti aziendali distribuite.

In Intesys stiamo già sperimentando e adottando queste nuove architetture evolutive, in cui l’AI non si limita più a tradurre una domanda in SQL, ma è in grado di comprendere il contesto operativo, orchestrare più fonti informative e supportare processi decisionali complessi in modo sempre più autonomo e governato.

Questo approccio consente di costruire soluzioni enterprise più scalabili, affidabili e aderenti ai reali processi aziendali, mantenendo sicurezza, controllo e data quality nell’intelligenza artificiale aziendale.