Impara  /  Guide

Le funzioni AI in SQL a confronto: Snowflake, BigQuery e Databricks, con lo stesso compito scritto in tre modi

Etichettare diecimila ticket di assistenza voleva dire uno script Python, una chiave API e un pomeriggio. Oggi è una riga di SQL in ogni grande data warehouse. I nomi delle funzioni cambiano, i tipi restituiti cambiano, e cambiano anche le trappole. Ecco la mappa.

Guida10 min di letturaAggiornato il 16 novembre 2026
SQLAISnowflakeDatabricks
Tutte le guide e i cheat sheet

Tutte e tre le grandi piattaforme dati ora permettono di chiamare un modello linguistico da una query SQL. Il modello legge una colonna, riga per riga, e restituisce un'etichetta, un sì o un no, un punteggio o dei campi estratti. Questa settimana tutte e tre hanno aggiunto qualcosa: Snowflake ha reso disponibile per tutti AI Function Studio, BigQuery ha aggiunto i modelli Gemini 4 e Databricks ha rilasciato un'API asincrona per i lotti grandi. Ecco come si confrontano a novembre 2026.

3PiattaformeSnowflake, BigQuery, Databricks
500Etichettemassimo di ai_classify su Databricks
50,000Richiesteper lotto asincrono di Databricks (beta)
1Riga di SQLper etichettare un'intera colonna

Le funzioni a confronto

CompitoSnowflakeBigQueryDatabricks
Scegliere una categoriaAI_CLASSIFYAI.CLASSIFYai_classify
Sì o no, per filtrareAI_FILTERAI.IFai_classify con due etichette
Dare un punteggioAI_SENTIMENT per il sentimentAI.SCOREai_analyze_sentiment per il sentiment
Estrarre campiAI_EXTRACTAI.GENERATE con uno schema di outputai_extract
Testo libero, qualsiasi promptAI_COMPLETEAI.GENERATEai_query
Leggere documentiAI_PARSE_DOCUMENTTramite AI.GENERATE sui fileai_parse_document
Riassumere molte righeAI_AGGAI.GENERATE su testo aggregatoai_summarize per riga

Lo stesso compito in tre modi: etichettare i ticket di assistenza

Una tabella tickets con una colonna di testo body. Vogliamo una categoria per ticket.

SQL
SELECT
  ticket_id,
  AI_CLASSIFY(body, ['billing', 'bug', 'feature request', 'other']):labels[0]::STRING
    AS category
FROM tickets;

AI_CLASSIFY restituisce un oggetto il cui campo labels è un array, quindi prendiamo il primo elemento. Aggiungi {'output_mode': 'multi'} come terzo argomento per permettere più etichette, e task_description o degli examples nello stesso oggetto per migliorare la precisione.

Filtrare le righe con una domanda

Una funzione sì/no nella clausola WHERE è la funzione AI più utile che la maggior parte di chi analizza dati non prova mai. Risponde a domande come "quali recensioni parlano della consegna?" senza elenchi di parole chiave.

SQL
SELECT ticket_id, body
FROM tickets
WHERE AI_FILTER(CONCAT('Is this ticket asking for a refund? ', body));

Cosa fa meglio ciascuna piattaforma

Snowflake

Ottimizzazione sui tuoi dati
  • AI Function Studio (GA questa settimana) costruisce, prova e ottimizza una funzione da una descrizione in linguaggio naturale
  • AI Function Optimization confronta prompt e modelli sui tuoi dati, con qualità e costo
  • AI_AGG riassume molte righe in una sola chiamata
  • I tipi restituiti sono oggetti da spacchettare

Ideale quando eseguirai lo stesso compito AI ogni giorno e vuoi ottimizzarlo una volta sola.

BigQuery

Meno configurazione
  • Sceglie un modello in automatico se non ne indichi uno, con una scelta tra costo più basso e qualità più alta
  • AI.CLASSIFY restituisce una semplice stringa
  • Gemini 4 Carbon e Hydrogen disponibili da questa settimana
  • La scelta dei modelli è soprattutto tra quelli di Google

Ideale per chi analizza dati e vuole risultati in fretta senza configurare nulla.

Databricks

Più controllo
  • Punteggi di confidenza e motivazioni in ai_classify 2.1
  • ai_query chiama qualsiasi modello servito sulla piattaforma, compresi Claude, GPT e modelli aperti
  • L'API asincrona esegue fino a 50.000 richieste da un file (beta)
  • Più opzioni da imparare

Ideale per i data engineer che costruiscono pipeline AI grandi e ripetibili.

Tenere sotto controllo il conto

  1. 1

    Prova su un campione

    Esegui la funzione su 200 righe, controllale a mano e misura la precisione prima di toccare l'intera tabella.

  2. 2

    Usa il modello più piccolo che supera il test

    Classificare e filtrare raramente richiedono un modello di punta. Su BigQuery, lascia prima scegliere il modello alla piattaforma.

  3. 3

    Salva i risultati

    Scrivi le etichette in una tabella una volta sola. Una dashboard che chiama una funzione AI a ogni aggiornamento paga ogni volta.

  4. 4

    Elabora solo le righe nuove

    Etichetta in modo incrementale con un WHERE sulla data di caricamento o un MERGE, mai di nuovo tutto lo storico.

  5. 5

    Guarda la vista dei consumi AI della piattaforma

    Ogni piattaforma riporta la spesa AI separata da quella di calcolo; imposta un avviso di budget.

Quando uscire dall'SQL

Se ti servono molte domande chiuse per elemento, probabilità su cui fissare soglie, o immagini e video nella stessa chiamata, un'API dedicata può costare meno. La nuova Gemini Decisions API di Google risponde a fino a 1.000 domande sì/no, a scelta o a punteggio per chiamata, a 0,10 dollari per milione di token in input. Il compromesso: i dati escono dal tuo data warehouse, quindi controlla prima le tue regole di governance.

Verifica cosa hai capito

1/3Quale funzione di BigQuery filtra le righe con una domanda sì/no?

2/3Cosa restituisce AI_CLASSIFY di Snowflake?

3/3Qual è il modo migliore per tenere bassi i costi delle funzioni AI nelle dashboard?

Altro: l'aggiornamento di Snowflake di novembre, l'aggiornamento di BigQuery di novembre e le novità di novembre di Databricks Genie One.

Fonti: documentazione di Snowflake per AI_CLASSIFY e le Cortex AI Functions; documentazione di BigQuery per AI.CLASSIFY e la panoramica dell'AI generativa; documentazione di Databricks per ai_classify e le AI Functions; note di rilascio di Snowflake, BigQuery e Databricks (dal 9 al 16 novembre 2026). Opzioni delle funzioni e prezzi cambiano spesso, quindi controlla la documentazione di ogni piattaforma prima di un'elaborazione grande.

Alessandro Ecclesie AgazziScritto da Alessandro Ecclesie Agazzi, analytics engineer a Londra. Aggiornato il 16 novembre 2026. Chi sono

Ti è stato utile?

Qui escono regolarmente nuove guide e articoli sulle novità di dati e AI. Seguimi su LinkedIn o condividi questo articolo con un collega.