Per l’impresa moderna, lo spazio di lavoro digitale rischia di trasformarsi in un “teatro di coordinamento”, in cui i crew trascorrono più tempo a discutere del lavoro che a eseguirlo.
Sebbene strumenti tradizionali come Slack o Groups eccellano nella comunicazione rapida, strutturalmente non sono riusciti a fungere da base affidabile per gli agenti IA, tanto che un thread di Hacker News è diventato virale nel febbraio 2026 invitando OpenAI a creare la propria versione di Slack per aiutare a potenziare gli agenti IA, raccogliendo 327 commenti.
Questo perché gli agenti spesso non dispongono del contesto in tempo reale e dell’accesso sicuro ai dati necessari per essere veramente utili, il che spesso provoca “allucinazioni” o ripetitive spiegazioni delle convenzioni della base di codice.
PromptQLuno spin-off dell’unicorno GraphQL Hasura, sta affrontando questo problema trasformandosi da uno strumento di dati AI in uno spazio di lavoro completo, nativo dell’intelligenza artificiale, progettato per trasformare le interazioni casuali e regolari del crew in una memoria persistente e sicura per i flussi di lavoro degli agenti, garantendo che queste conversazioni non vengano semplicemente lasciate nel dimenticatoio o che utenti e agenti debbano provare a ritrovarle in seguito, ma piuttosto, distillate e archiviate come dati proprietari utilizzabili in un formato organizzato – un wiki interno – su cui l’azienda può fare affidamento per andare avanti, per sempre, approvato e modificato manualmente secondo necessità.
Immagina due colleghi che inviano messaggi su un bug che deve essere corretto: invece di assegnarlo manualmente a un tecnico o un agente, la tua piattaforma di messaggistica lo tagga automaticamente, lo assegna e documenta tutto nella wiki con un clic. Ora esegui questa operazione per ogni problema o argomento di discussione che si svolge nella tua azienda e avrai un’concept di ciò che PromptQL sta tentando. L’concept è semplice ma potente: trasformare la conversazione che necessariamente precede il lavoro in un vero e proprio compito che viene avviato automaticamente dal proprio sistema di messaggistica.
“Non parliamo più di lavoro”, ha detto il CEO Tanmai Gopal in una recente intervista in videochiamata con VentureBeat. “In realtà hai delle conversazioni su questo Fare IL lavoro.”
Originariamente posizionata come analista di dati sull’intelligenza artificiale, l’azienda, uno spin-off dell’unicorno GraphQL Hasura, si sta trasformando in uno spazio di lavoro nativo dell’intelligenza artificiale su vasta scala.
Non è solo “Slack con un chatbot”; si tratta di una riprogettazione fondamentale del modo in cui i crew interagiscono con i propri dati, i propri strumenti e tra loro.
“PromptQL è questo cavallo di battaglia sullo sfondo, questo stagista 24 ore su 24, 7 giorni su 7, che porta avanti continuamente il lavoro vero e proprio, guardando il codice, confermando ipotesi, andando in più posti, svolgendo effettivamente il lavoro,” ha detto Gopal.
Tecnologia: messaggi che si trasformano automaticamente in un motore di contesto condiviso e continuamente aggiornato
L’anima tecnica di PromptQL è la sua Wiki condiviso. I LLM tradizionali soffrono di un problema di “memoria”; dimenticano le interazioni precedenti o hanno allucinazioni basate su dati di allenamento obsoleti.
PromptQL risolve questo problema catturando il “contesto condiviso” mentre i crew lavorano. Quando un ingegnere risolve un bug o un esperto di advertising definisce un “lead riciclato”, non sta semplicemente digitando in un vuoto. Stanno insegnando una Wikipedia viva e interna. Questa wiki non richiede “dash di documentazione” o aggiornamenti manuali dei file YAML; accumula il contesto in modo organico.
“Durante ogni singola conversazione, insegni PromptQL e questo confluirà in questo wiki che verrà sviluppato nel tempo. Questa è la conoscenza di tutta la nostra azienda che si unisce gradualmente.”
-
Interconnettività: Proprio come le cellule in una capsula di Petri, piccole “isole” di conoscenza, advert esempio un’integrazione di Salesforce, alla wonderful si collegano advert altre isole, come i dati sull’utilizzo del prodotto in Snowflake.
-
Human-in-the-Loop: Per evitare che l’IA impari “spazzatura” (come un promemoria sull’appuntamento dal medico dal 2024), gli esseri umani devono esplicitamente “Aggiungi a Wiki” per canonizzare un fatto.
-
Il livello dati virtuale: A differenza delle piattaforme tradizionali che richiedono la reproduction dei dati, PromptQL utilizza a livello SQL virtuale. Interroga i tuoi dati sui database (Snowflake, Clickhouse, Postgres) e sugli strumenti SaaS (Stripe, Zendesk, HubSpot), garantendo che nulla venga mai estratto o memorizzato nella cache.
PromptQL è progettato per essere un livello di orchestrazione altamente integrabile che supporta sia i principali fornitori di modelli di intelligenza artificiale che un vasto ecosistema di strumenti aziendali esistenti.
-
Supporto del modello AI: La piattaforma consente agli utenti di delegare attività a specifici agenti di codifica come Codice Claudio E Cursoreoppure utilizzare agenti personalizzati creati per esigenze interne specifiche.
-
Compatibilità del flusso di lavoro: Il sistema è costruito per ereditare il contesto dagli strumenti del crew esistenti, consentendo agli agenti AI di comprendere le convenzioni della base di codice o i modelli di distribuzione dall’infrastruttura esistente senza una nuova spiegazione manuale
Dal chiacchierare al fare
L’interfaccia PromptQL sembra familiare (thread, canali e menzioni) ma la funzionalità è trasformativa. In una dimostrazione, un ingegnere identifica una cassa non riuscita in a #eng-bugs canale.
Invece di taggare un SRE umano, delegano a Claude Code tramite PromptQL. L’agente non si limita a guardare il codice; eredita il contesto condiviso del crew.
Sa, advert esempio, che “i pagamenti dell’UE sono passati advert Adyen il 15 gennaio” perché questo fatto period stato aggiunto alla wiki settimane prima.
In pochi minuti, l’intelligenza artificiale identifica una mancata corrispondenza valutaria, invia una correzione, apre un PR e aggiorna la wiki per riferimento futuro. Questo approccio AI “multigiocatore” è ciò che distingue la piattaforma.
Consente a un supervisor non tecnico di chiedere: “Quali account hanno una fatturazione Stripe in crescita ma un utilizzo stabile di Mixpanel?” e ricevi istantaneamente una tabella unita di dati estratti da due fonti disparate. L’utente può quindi pianificare uno Slack DM ricorrente di tali risultati con un singolo comando di follow-up.
Inoltre, gli utenti non hanno nemmeno bisogno di pensare all’integrità o alla pulizia dei propri dati: PromptQL se ne occupa per loro: “Connetti tutti i dati in qualunque stato di merda si trovino e lascia che il contesto condiviso si sviluppi al volo mentre lo usi,” ha detto Gopal.
Altamente sicuro
Per le aziende Fortune 500 come McDonald’s e Cisco, “connetti semplicemente i tuoi dati” è una frase terrificante. PromptQL risolve questo problema con un controllo degli accessi capillare
.Il sistema applica politiche basate sugli attributi a livello di infrastruttura. Se un responsabile operativo regionale chiede le tariffe dei fornitori in tutte le regioni, l’intelligenza artificiale oscurerà le colonne o le righe che non sono autorizzati a vedere, anche se LLM “conosce” la risposta. Inoltre, qualsiasi azione advert alto rischio, come l’aggiornamento di 38 stati di pagamento in Netsuite, richiede un’approvazione umana di tipo “Approva/Rifiuta” prima dell’esecuzione.
Licenze e prezzi
In una deviazione dallo established order SaaS “per posto”, PromptQL lo è interamente basato sul consumo.
-
Prezzo: L’azienda utilizza “Unità Linguistiche Operative” (OLU).
-
Filosofia: Gopal sostiene che l’addebito per posto penalizza le aziende che assumono l’intero crew. Facendo pagare il valore creato (l’OLU), PromptQL incoraggia gli utenti a connettere “tutti e tutto”.
-
Archiviazione aziendale: Mentre i crew più piccoli utilizzano account dedicati, i clienti aziendali ottengono un VPC dedicato. Tutti i dati che l’intelligenza artificiale “salva” (come un elenco di cose da fare personalizzato) vengono archiviati nel bucket S3 del cliente utilizzando il formato Iceberg, garantendo la totale sovranità dei dati.
“Filosoficamente, vogliamo che tu connetta tutti e tutto [to PromptQL]”, quindi non penalizziamo questo aspetto”, ha affermato Gopal. “Prezziamo solo in base al consumo”.
Perché è importante adesso per le imprese
Quindi, PromptQL è un killer di Groups o Slack? Secondo Gopal, la risposta è sì: “Questo è quello che è successo per noi. Abbiamo chiuso completamente il nostro Slack interno per le comunicazioni interne”, ha detto.
Il lancio arriva in un punto cruciale per il settore. Le aziende si stanno rendendo conto che “chattare con un PDF” non è sufficiente. Hanno bisogno di un’intelligenza artificiale in grado di agire, ma non possono permettersi i rischi per la sicurezza degli agenti “senza supervisione”.
Costruendo uno spazio di lavoro che dà priorità al contesto condiviso e alla verifica human-in-the-loop, PromptQL offre una by way of di mezzo: un’intelligenza artificiale che impara come un compagno di squadra ed esegue come uno stagista, il tutto rimanendo entro i limiti della sicurezza aziendale.
Per le aziende impegnate a far funzionare l’intelligenza artificiale su larga scala, PromptQL affronta il “come” critico dell’implementazione fornendo l’orchestrazione e il livello operativo necessari per implementare sistemi advert agenti.
Sostituendo il “teatro di coordinamento” degli strumenti di chat tradizionali con uno spazio di lavoro in cui gli agenti IA hanno le stesse autorizzazioni e lo stesso contesto dei compagni di squadra umani, consente un coordinamento multi-agente e un instradamento delle attività senza soluzione di continuità. Ciò consente ai decisori di andare oltre la semplice selezione del modello verso una realtà in cui gli agenti, come Claude Code, utilizzano il contesto del crew condiviso per eseguire flussi di lavoro complessi, come correggere bug di produzione o aggiornare file CRM, direttamente all’interno dei thread attivi.
Dal punto di vista dell’infrastruttura dati, la piattaforma semplifica la gestione di pipeline in tempo reale e architetture predisposte per RAG utilizzando un livello SQL virtuale che interroga i dati “sul posto”. Ciò elimina la necessità di preparativi costosi e dispendiosi in termini di tempo e di operazioni di reproduction su centinaia di migliaia di tabelle in database come Snowflake o Postgres.
Inoltre, il “Wiki condiviso” del sistema funge da alternativa superiore ai database vettoriali commonplace o alla memoria basata su immediate, acquisendo la conoscenza tribale in modo organico e creando un archivio di metadati vivente che informa ogni interazione dell’IA con ragionamenti specifici dell’azienda.
Infine, PromptQL affronta la governance della sicurezza richiesta per i moderni stack di intelligenza artificiale applicando un controllo degli accessi granulare e basato sugli attributi e autorizzazioni basate sui ruoli.
Attraverso la verifica human-in-the-loop, garantisce che le azioni advert alto rischio e le modifiche dei dati siano sottoposte advert approvazione esplicita, proteggendo dall’uso improprio del modello e dalla fuga di dati non autorizzata.
Anche se non assiste nelle attività dell’infrastruttura fisica come l’ottimizzazione dei cluster GPU o l’approvvigionamento di {hardware}, fornisce i necessari controlli software program e la verificabilità per garantire che i flussi di lavoro degli agenti rimangano conformi agli commonplace aziendali come SOC 2, HIPAA e GDPR.
