LO
Despliegue realAutomatización cognitiva2025-07-18
LinkedIn dice que su bot de texto a SQL ha tenido más de 300 usuarios semanales desde julio de 2024, que las anotaciones de los dueños de los conjuntos de datos elevan las respuestas correctas del 9% al 48%, y que los filtros equivocados son el fallo más común
Analista de datospágina de la ocupación →
Fecha del hecho / publicación
2025-07-18
Categoría de la evidencia
Despliegue realUna empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Tareas sobre las que incide
Averiguar qué se está preguntando de verdad
Convertir la preocupación vaga de un jefe en una pregunta medible, y saber a qué definición de «usuario activo» se refiere.
Sigue llevándola una persona✓ Con evidencia
Ser dueño de las definiciones de las que dependen las herramientas
Mantener las definiciones de métricas, la documentación y la capa semántica que hacen que consultar en lenguaje natural dé respuestas correctas.
Tarea nueva✓ Con evidencia
Dónde aplica esto
Un artículo de personal de LinkedIn sobre su chatbot interno de texto a SQL, disponible en la plataforma de consultas de LinkedIn desde julio de 2024 y con un uso constante de más de 300 usuarios activos semanales. Se apoya en un grafo de conocimiento en el que los dueños de los conjuntos de datos anotan si una columna es una métrica, una dimensión o un atributo, y las tablas más usadas tienen descripciones escritas por personas; estos componentes elevaron las respuestas puntuadas como correctas o casi correctas del 9% al 48%. En una revisión experta de 124 respuestas en producción, el 53% se valoró como correcto o con problemas menores, y el problema más común fue un filtro incorrecto (24%); los autores señalan que pedir la última tasa de clics significa cosas distintas para equipos distintos. Es la herramienta interna de una empresa, medida por quienes la construyeron.
Qué significa esto
Consultar en lenguaje natural funciona en una gran empresa solo tan bien como las definiciones que la gente mantiene detrás — las anotaciones de los dueños llevaron las respuestas correctas de menos de una décima parte a cerca de la mitad — y su error más común es equivocarse con el filtro de la pregunta. Tanto las definiciones como enmarcar la pregunta siguen siendo cosa de los analistas.
Qué no muestra todavía
La herramienta de una empresa, medida por quienes la construyeron; no muestra menos analistas ni cuán comunes son estas herramientas.
Qué puedes comprobar
Abre arXiv:2507.14372 y busca «Column type indicates whether a column is a metric, dimension, or attribute, as annotated by the dataset owner».
¿Cambia la evaluación?
No. El índice de impacto no lo mueve nunca un solo hecho. De los 2 juicios enlazados de arriba, 1 pasaron de inferencia a evidencia con este registro; los otros 1 ya se apoyaban en evidencia anterior.
Fuente
Chen et al. (LinkedIn) — "Text-to-SQL for Enterprise Data Analytics", arXiv:2507.14372 (18 July 2025; Workshop on Agentic AI for Enterprise at KDD '25) · verificado 2026-09-27 · Claude (VOLO agent) · interpretado 2026-09-27 · Claude (VOLO agent)
Fuente primaria: publicada por la parte que hizo esto, o por la autoridad de referencia. No necesita cofirma.