Semantic Engineering nell’AI
Semantic Engineering nell’AI
La Semantic Engineering è la pratica di rendere esplicito, strutturato e verificabile il significato che un sistema AI deve usare: concetti, relazioni, definizioni di business e vincoli. In questa guida vediamo cos’è, come si progetta in un sistema basato su LLM, in cosa si distingue dal prompt engineering e come si applica ai dati aziendali con un Semantic Layer, con un esempio pratico.
Indice dei contenuti – Semantic Engineering nell’AI
- Cos’è la Semantic Engineering: definizione
- Come funziona
- A cosa serve (e quando non serve)
- Come progettare la Semantic Engineering negli LLM
- Differenza tra prompt engineering e Semantic Engineering
- Semantic Layer: la Semantic Engineering sui dati aziendali
- Esempio pratico: una metrica di fatturato che l’agente non può sbagliare
- Conclusioni e formazione professionale
1. Cos’è la Semantic Engineering: definizione
Immagina un collega appena assunto, bravissimo in SQL, a cui chiedi quanti sono i «clienti attivi». Non sa che in azienda «attivo» significa almeno un ordine negli ultimi 90 giorni, quindi sceglierà una definizione a caso. Un LLM si comporta così: padroneggia il linguaggio, ma non conosce il significato che i tuoi termini hanno nel tuo dominio.
Definizione. La Semantic Engineering è la disciplina che progetta, formalizza e mantiene il significato che un sistema AI deve usare (concetti, relazioni, definizioni di business, vincoli) in forma esplicita, versionata e verificabile, invece di lasciarlo implicito nel prompt o nei pesi del modello.
Una precisazione: «Semantic Engineering» non è uno standard e non ha una definizione ufficiale unica. È un’etichetta di sintesi che usiamo in questa guida per raccogliere tecniche documentate e consolidate. Trovate alcune fonti ufficiali, in fondo all’articolo. I mattoni principali sono:
- Ontologie e tassonomie. Il W3C descrive OWL 2 come un linguaggio per ontologie con significato formalmente definito, pensato per rappresentare conoscenza su cose, gruppi di cose e relazioni tra esse.
- Modelli semantici. Metriche, dimensioni ed entità dei dati aziendali, descritte in YAML o SQL.
- Rappresentazioni vettoriali. Gli embedding misurano la vicinanza di significato tra testi attraverso la distanza tra vettori, come spiega la documentazione OpenAI.
- Schemi di output. JSON Schema che limita ciò che il modello può restituire.
2. Come funziona la Semantic Engineering nell’AI
Pensa a una biblioteca: i libri da soli non bastano, serve un catalogo che dica cosa c’è e dove. La Semantic Engineering costruisce quel catalogo per il tuo modello. Il flusso ha quattro fasi:
- Modellare il dominio. Si identificano i concetti, le loro relazioni e le definizioni ufficiali (cos’è un ordine, cosa include il fatturato).
- Rappresentarlo in un formato leggibile dalle macchine. Ontologia OWL, modello semantico in YAML, schema JSON: dipende dal caso.
- Renderlo accessibile al modello a runtime. Tramite retrieval o tool. Il paper originale sulla Retrieval-Augmented Generation (RAG) combina la memoria nei pesi del modello con una memoria esterna interrogabile, e questo è ancora lo schema di base.
- Vincolare e validare l’output. Il modello può rispondere solo con valori e strutture ammessi, e un controllo automatico verifica il risultato.
Il principio di divisione dei compiti è questo: l’LLM interpreta la domanda in linguaggio naturale, il modello semantico è la fonte di verità sul significato. Il modello non deve «ricordare» cosa vuol dire fatturato, deve solo sapere come chiederlo.
3. A cosa serve (e quando non serve) – Semantic Engineering nell’AI
- Coerenza. Lo stesso KPI definito in modo diverso in strumenti diversi è un problema così diffuso da avere un nome, «semantic drift», ed è quello che il progetto Apache Ossie vuole risolvere (lo vediamo nel paragrafo 6).
- Accuratezza. La documentazione Snowflake indica che le semantic view migliorano l’accuratezza delle applicazioni AI combinando il ragionamento dell’LLM con definizioni basate su regole.
- Tracciabilità. Puoi mostrare quale definizione ha usato una risposta. Gli autori del paper RAG segnalano proprio la provenienza delle risposte come problema aperto per i modelli che si affidano solo ai pesi.
- Manutenzione. Quando una definizione cambia, la modifichi in un punto solo.
Quando non serve: prototipi usa e getta, generazione creativa, domini senza definizioni stabili. In questi casi il costo di modellazione non si ripaga.
4. Come progettare la Semantic Engineering negli LLM
Un campo di testo libero accetta qualsiasi cosa, un menu a tendina solo valori validi. Progettare la semantica significa trasformare i campi liberi in menu a tendina. Sei passi:
- Inventario dei concetti. Parti dai 20-30 termini che generano più ambiguità e assegna a ciascuno un responsabile.
- Modello esplicito e versionato. Tienilo in git e rivedilo come si rivede il codice.
- Accesso mirato al contesto. Anthropic tratta il contesto come una risorsa finita e indica l’obiettivo di usare il più piccolo insieme possibile di token ad alto segnale. Quindi non incollare tutto il glossario nel system prompt: recupera solo le definizioni rilevanti per la domanda.
- Tool che ricevono nomi, non logica. L’agente richiama una metrica per nome, non riscrive la formula.
- Output vincolato. Con gli Structured Outputs di OpenAI la risposta del modello rispetta lo schema JSON che fornisci.
- Valutazione. Un set di domande con risposta nota, da rieseguire a ogni cambio di modello o di definizione.
Esempio minimale per il punto 5: il modello può scegliere solo tra metriche e dimensioni che esistono davvero.
python
# Schema minimo: il modello sceglie solo tra valori noti
schema = {
"type": "object",
"properties": {
"metrica": {"type": "string", "enum": ["fatturato_netto", "numero_ordini"]},
"raggruppa_per": {"type": "string", "enum": ["canale", "regione", "mese"]},
},
"required": ["metrica", "raggruppa_per"],
"additionalProperties": False,
}
# Si passa in response_format come json_schema con strict=True
# (vedi documentazione OpenAI sugli Structured Outputs)
5. Differenza tra prompt engineering e Semantic Engineering
Anthropic definisce il context engineering come la naturale evoluzione del prompt engineering: si passa dallo scrivere buone istruzioni al gestire l’intero stato del contesto (istruzioni di sistema, tool, dati esterni, cronologia). Secondo la nostra lettura, la Semantic Engineering sta ancora più a monte: definisce la conoscenza che il context engineering decide poi quando e quanto caricare.
| Aspetto | Prompt engineering | Semantic Engineering |
|---|---|---|
| Obiettivo | Formulare istruzioni efficaci per il modello | Definire il significato del dominio in modo esplicito |
| Dove vive | Nel testo del prompt | In modelli, schemi e cataloghi versionati |
| Riuso | Per singola applicazione, spesso copia-incolla | Condiviso tra agenti, BI e applicazioni |
| Verifica | Test manuali sulle risposte | Validazione automatica di schemi e definizioni |
| Rischio tipico | Prompt fragile e divergente tra team | Modello semantico non aggiornato |
| Quando basta | Compiti generici, poco dominio specifico | Dati aziendali, metriche, requisiti di conformità |
Non sono alternative. Il prompt dice al modello come comportarsi, la semantica dice cosa significano i termini. Un prompt ottimo su una semantica ambigua produce risposte fluide e sbagliate.
6. Semantic Layer: la Semantic Engineering sui dati aziendali
Il Semantic Layer è il dizionario aziendale che sta tra i database e chi li interroga, che sia una dashboard, un analista o un agente AI. Definisci una volta cosa significano fatturato, cliente attivo, margine, e tutti gli strumenti usano la stessa definizione.
dbt e MetricFlow. La documentazione dbt descrive MetricFlow come lo strumento che permette di definire in YAML semantic model e metriche, e di generare il SQL specifico per la piattaforma. Il modello è un «semantic graph»: i semantic model sono i nodi, le entità (le chiavi di join) sono gli archi. Per le join, MetricFlow ragiona sui tipi di chiave, così da evitare join che moltiplicano le righe (fan-out e chasm). Il Semantic Layer di dbt espone le metriche anche via API GraphQL e JDBC.
Snowflake. Le semantic view aggiungono significato di business ai dati fisici e si creano con SQL (CREATE SEMANTIC VIEW) o dall’interfaccia Snowsight. Possono essere usate da Cortex Analyst.
Interoperabilità. Il rischio è ridefinire le metriche in ogni piattaforma. Nel settembre 2025 Snowflake, Salesforce, dbt Labs e altri hanno lanciato Open Semantic Interchange, oggi Apache Ossie (incubating): una specifica vendor-neutral in JSON e YAML per scambiare modelli semantici, con convertitori verso formati come quello dbt. La documentazione dbt riporta che MetricFlow lavora con il formato Ossie e che dalla versione 1.12 si possono definire semantic model anche con documenti Ossie. Il progetto è ancora in incubazione: valutane la maturità prima di farne uno standard aziendale.
Da dove partire: una metrica, un dominio, un consumatore (per esempio un agente interno). Se funziona, si estende.
7. Esempio pratico: una metrica di fatturato che l’agente non può sbagliare
Forniamo un esempio pratico della Semantic Engineering nell’AI.
Scenario (fittizio). Un’azienda di distribuzione vuole un assistente interno che risponda a «Qual è il fatturato netto per canale a settembre?». Con un text-to-SQL libero, l’agente deve decidere da solo se includere IVA e resi, e ogni volta può decidere diversamente.
Passo 1. Definire la metrica una volta sola. Nel progetto dbt si dichiara il semantic model e la metrica. L’esempio segue la sintassi YAML della documentazione ufficiale MetricFlow (dbt 1.12 e successive), ridotta all’essenziale. Le descrizioni in italiano sono importanti: è ciò che l’agente legge per scegliere.
yaml
models:
- name: ordini
semantic_model:
enabled: true
name: ordini_semantic_model
agg_time_dimension: data_ordine
columns:
- name: id_ordine
description: "Identificativo univoco dell'ordine"
entity:
type: primary
name: ordine
- name: data_ordine
description: "Data di emissione dell'ordine"
granularity: day
dimension:
type: time
- name: canale
description: "Canale di vendita: negozio, e-commerce o agenti"
dimension:
type: categorical
metrics:
- name: fatturato_netto
description: "Importo degli ordini al netto di IVA e resi. Unica definizione ufficiale di fatturato."
label: "Fatturato netto"
type: simple
agg: sum
expr: importo_netto
Passo 2. Validare. Si genera il manifest con dbt parse e si controlla la configurazione con i comandi MetricFlow, in CI a ogni modifica.
Passo 3. Esporre due tool all’agente: uno per elencare le metriche disponibili e uno per interrogarne una per nome. Esistono anche server MCP per questo scopo, incluso uno ufficiale di dbt.
Passo 4. L’agente traduce, non calcola. Dalla domanda ricava metrica, raggruppamento e periodo (con uno schema vincolato come quello del paragrafo 4) e MetricFlow genera il SQL corretto:
bash
# Comando da testare sulla tua versione di dbt/MetricFlow
mf query --metrics fatturato_netto --group-by ordine__canale \
--start-time 2026-09-01 --end-time 2026-09-30
Risultato. La domanda sul fatturato ha una sola risposta possibile, perché la formula non è nelle mani dell’LLM. Se domani l’azienda decide che il fatturato esclude anche le spese di spedizione, cambi una riga YAML e dashboard, report e agente si allineano. Se l’agente chiede una metrica che non esiste, la richiesta viene rifiutata invece di inventare una query.
8. Conclusioni e formazione professionale
Basta guardare gli ultimi dodici mesi per capire la velocità del settore. Nel settembre 2025 Anthropic pubblica la sua guida al context engineering. Nello stesso mese nasce Open Semantic Interchange, che nel 2026 entra nell’Apache Incubator con il nome Ossie, e dbt lo supporta nella versione 1.12. Strumenti, formati e best practice cambiano in pochi mesi, e quello che hai imparato un anno fa può essere già superato.
Per un reparto IT o una software house l’unico modo sostenibile di restare al passo è investire nella formazione continua del proprio personale. Gli strumenti si possono comprare, la capacità di sceglierli, integrarli e valutarli nel tempo no.
Innovaformazione propone i corsi di AI Generativa per team IT e sviluppatori, attivati su richiesta per le aziende, in modalità online in classe virtuale. La formazione può essere finanziata con Fondimpresa, con il supporto del team di Innovaformazione per tutta la pratica.
Scopri i corsi: Corsi AI Generativa
Contatti
Email: info@innovaformazione.net
Telefono: 347 1012275 (Dario Carrassi)
Per altri articoli tecnici di settore consigliamo di navigare sul nostro blog QUI.
Articoli correlati
Claude Code con Arduino
Novità .Net 11
Backdoor nei modelli AI open-weight
Opportunità di lavoro Bari
Spieghiamo il Weight space programming
