“Quanto abbiamo venduto ai clienti nuovi, al netto dei resi, nel Nord-Est?” È una domanda normale. In molte aziende diventa un piccolo progetto: bisogna trovare il database giusto, capire come viene definito un cliente nuovo, unire ordini e resi, scrivere una query e trasformarla in un grafico. Metabase nasce per accorciare questa distanza con dashboard e un costruttore visuale. Metabot aggiunge un altro livello: permette di porre la domanda in linguaggio naturale, genera una query o un grafico, analizza visualizzazioni esistenti e può proporre o correggere codice SQL. SQL è il linguaggio usato per interrogare i database. Non è difficile per chi lo pratica ogni giorno, ma rappresenta una barriera per commerciali, responsabili di reparto e piccoli imprenditori. Metabot prova a tradurre l’intenzione dell’utente in passaggi che Metabase può eseguire. Secondo la documentazione ufficiale, l’assistente può cercare prima una domanda già salvata, creare una nuova analisi con il query builder, scrivere SQL senza eseguirlo automaticamente e spiegare un grafico. È un comportamento sensato: se un’analisi verificata esiste già, riutilizzarla è più sicuro che reinventarla.
Perché è importante
- Metabot permette di fare domande sui dati, creare grafici e generare SQL senza uscire dall’ambiente di Business Intelligence.
- L’assistente eredita i permessi dell’utente e può lavorare sulla struttura curata in Metabase, riducendo il rischio di risposte scollegate dalle metriche aziendali.
- Il linguaggio naturale abbassa la barriera d’ingresso, ma non corregge definizioni incoerenti, database incompleti o domande formulate male.
La domanda del responsabile e la coda dell’analista
Metabase ha reso le funzioni AI disponibili su tutti i piani con la versione 60 del 2026. L’azienda offre una versione open source installabile sui propri server e piani cloud gestiti. Metabot può usare il servizio AI di Metabase nel cloud oppure una chiave del proprio fornitore, tra quelli supportati. Nel self-hosting serve collegare una chiave API. Questa distinzione incide su costo, manutenzione e percorso dei dati, quindi la domanda “quanto costa?” non ha un’unica risposta. Immaginiamo un distributore con ordini, clienti, prodotti e resi in PostgreSQL. L’amministratore collega il database a Metabase, definisce le relazioni e crea metriche affidabili: fatturato netto, margine, cliente attivo. Un responsabile commerciale chiede a Metabot di confrontare il fatturato settimanale delle due aree. L’assistente può trovare una metrica esistente, applicare filtri e produrre un grafico. Da lì l’utente può aprire la query, controllare i campi e salvarla in una dashboard. Il vantaggio non è che l’AI conosce l’azienda; è che lavora sopra uno strato di dati già organizzato. Se “fatturato” significa importo ordinato in una tabella e importo fatturato in un’altra, l’assistente non può scegliere correttamente senza istruzioni. Se il gestionale registra i resi con tre codici diversi, il grafico può essere formalmente corretto e operativamente falso. Metabase consiglia di definire termini nel glossario e, nei piani che lo consentono, di limitare Metabot a modelli e metriche verificati. È la lezione centrale anche del nostro articolo sul report mattutino delle eccezioni: l’automazione utile parte da regole condivise e mostra il dato che richiede attenzione, non da una chat posata sopra un archivio disordinato.
Ci sono limiti dichiarati. Metabot lavora meglio con prompt in inglese; se la domanda non specifica una tabella, nel generatore SQL considera soltanto le prime cento tabelle del database e può immaginare nomi che non esistono. Non gestisce ancora parametri SQL, linee obiettivo o formattazione dettagliata dei grafici. La generazione di SQL non esegue automaticamente la query, lasciando all’utente il controllo. È una scelta utile, perché una query apparentemente innocua può essere lenta, costosa o restituire una popolazione diversa da quella attesa.
Il costo reale comprende cloud, modello e cura dei dati
La versione open source può essere eseguita senza canone di licenza, ma “gratis” non significa senza costo: servono server, aggiornamenti, backup, monitoraggio e una persona capace di gestire il collegamento ai dati. Sul cloud, il piano Starter indicato da Metabase parte da 100 dollari al mese più 6 dollari per utente, con i primi cinque utenti inclusi; la fatturazione annuale riduce il prezzo. Il servizio AI viene conteggiato a consumo e la tabella ufficiale riporta 3,75 dollari per milione di token nei piani applicabili. Con una propria chiave API, il costo del modello arriva invece dal fornitore scelto. Per una PMI la configurazione più semplice è il cloud gestito, se dati e requisiti di conformità lo permettono. Il self-hosting ha senso quando esiste già competenza tecnica o quando controllo dell’infrastruttura e integrazioni giustificano la manutenzione. L’avvio non dovrebbe comprendere subito tutto il database. Meglio una collezione con vendite e resi, tre metriche definite e dieci domande di prova. La nostra guida su come analizzare dati con l’AI senza farsi ingannare offre un criterio utile: confrontare la risposta con un risultato noto, controllare filtri e denominatori e chiedere che il calcolo resti ispezionabile.
Anche la privacy va letta senza slogan. Con il servizio AI di Metabase vengono inviati prompt, nomi di tabelle e campi, un campione dei valori e alcune metriche derivate per l’analisi dei grafici; la società dichiara di non inviare i risultati grezzi delle query a un fornitore AI terzo in quel percorso. Con una propria chiave, quelle informazioni passano al provider selezionato. Il server MCP segue un percorso ancora diverso: i risultati delle query vengono inviati al client collegato. Prima di attivare qualsiasi opzione bisogna quindi classificare i dati e scegliere il percorso coerente con le regole aziendali.
Cosa puoi farci concretamente
- Scegliere tre domande frequenti con risposta già conosciuta e usarle come prova di accuratezza.
- Limitare la prima sperimentazione a una collezione curata con metriche, nomi e permessi controllati.
- Misurare risposte corrette, query da correggere, tempo risparmiato e costo AI prima di ampliare l’accesso.
Quello che conta adesso
Metabot è convincente quando molti utenti hanno domande ricorrenti e il team dati ha già costruito metriche affidabili. Riduce la coda delle richieste semplici, aiuta chi conosce il business ma non SQL e lascia visibile la query che produce il risultato. Ha meno senso in un’azienda che lavora quasi soltanto su fogli separati, non possiede un database aggiornato o non ha deciso come definire i propri indicatori. In quel caso il primo investimento deve riguardare qualità e struttura dei dati, non la conversazione. Le alternative dipendono dall’ecosistema. Power BI è naturale per organizzazioni già immerse in Microsoft; Looker porta un forte livello semantico nell’ambiente Google Cloud; strumenti più leggeri possono bastare quando servono dashboard semplici. Metabase si distingue per l’avvio accessibile, il progetto open source, il self-hosting e l’integrazione tra query visuali, SQL e AI. Non è automaticamente la scelta più economica: utenti, cloud, token e manutenzione vanno sommati sul caso reale.
Il test più onesto dura due settimane. Si preparano dieci domande con risposta verificata, si assegnano a persone non tecniche e si registra quante volte Metabot trova la metrica corretta, quante query richiedono modifiche e quanto tempo passa prima di ottenere un numero affidabile. Se il sistema fa risparmiare tempo senza aumentare gli errori, si amplia il perimetro. Se produce grafici gradevoli che nessuno sa spiegare, il problema non è la capacità di conversare: è l’assenza di una base comune. Metabot può rendere i dati più raggiungibili. La responsabilità di dire che cosa significano resta dell’azienda.
Fonti
Documenti, comunicati e pubblicazioni consultati per ricostruire dati e contesto.
