Nel suo primo report che valuta le piattaforme data lakehouse come mercato a sé stante, Gartner ha nominato Snowflake Leader nel primo Magic Quadrant™ for Data Lakehouse Platforms. Siamo particolarmente orgogliosi del riconoscimento ottenuto per la modernizzazione del data warehouse, perché per i nostri clienti modernizzare non significa più affrontare un’altra migrazione.
Crediamo che questo momento segni una trasformazione: nella nostra piattaforma e nel mercato che la circonda.
Il mercato è andato oltre il “data warehouse o data lake”
Parla con qualsiasi chief data officer (CDO) e sentirai la stessa storia: i dati risiedono su piattaforme, cloud e regioni diversi, e ogni sistema porta con sé il proprio modello di fiducia. I team copiano i dati per portare a termine il lavoro e ogni copia erode governance e significato. Costi e rischi aumentano con ogni nuova pipeline.
Alla base c’è un timore più profondo. Per decenni, ogni nuova ondata tecnologica ha chiesto ai clienti di migrare verso un altro sistema proprietario, spesso con costi che non potevano prevedere né controllare. Poi l’AI ha alzato la posta. Gli agenti AI hanno bisogno di dati affidabili e di un contesto coerente, e ne hanno bisogno su ogni cloud su cui opera l’azienda.
L’apertura, da sola, non risolve questo timore. Oggi quasi tutti i vendor di questo mercato supportano Apache Iceberg™ e gli standard open, e per i clienti è un bene. Le domande più difficili sono se una piattaforma elimini alla radice i motivi per cui i team copiano i dati e se offra un unico modo per governare tutto ciò che viene prodotto nel mondo multiengine di oggi.
Gartner definisce le piattaforme data lakehouse come sistemi di gestione dei dati analitici che offrono un’architettura unificata e cloud-native per gestire e analizzare l’intera gamma di tipi di dati: strutturati, semistrutturati e non strutturati. Il lakehouse è un approccio trasformativo che unisce le prestazioni governate e ad alta concorrenza di un enterprise data warehouse (EDW) alla scalabilità, alla flessibilità e al supporto multi-engine di un data lake, sfruttando formati di tabella aperti e supportando più motori di elaborazione. Il lakehouse supporta un’ampia varietà di carichi di lavoro analitici e di AI.
La trasformazione di Snowflake
Siamo nati come data warehouse cloud nativo, separando l’archiviazione dalla capacità di calcolo per permettere ai team di scalare l’analisi dei dati in modo indipendente, senza gestire l’infrastruttura. Con i dati dei nostri clienti distribuiti su più piattaforme e cloud, il passo successivo era chiaro: raggiungere quei dati dove risiedono. Abbiamo modernizzato la nostra piattaforma nello stesso modo in cui aiutiamo i clienti a modernizzare: connettendo, invece di ripartire da zero.
Crediamo che l’enterprise AI non debba operare su dati di cui non ti puoi fidare. Questa convinzione ha plasmato l’AI Data Cloud Snowflake intorno a quattro idee: un unico perimetro di fiducia per tutti i tuoi dati; connessione dove è possibile e movimento dei dati solo quando è indispensabile; capacità di calcolo e costi sotto il tuo controllo; libertà di scelta di modello, cloud e interfaccia.
Un unico perimetro di fiducia e un contesto governato per tutti i tuoi dati
Le iniziative di modernizzazione promettono sempre alle organizzazioni una tabula rasa, ma spesso quel nuovo inizio non arriva. Modernizzare su Snowflake, invece, parte da una premessa diversa: la presenza di più piattaforme è la realtà delle imprese. Connettere le piattaforme con standard open interoperabili significa incontrare i clienti dove sono, dando loro il controllo sui propri dati. Con Snowflake i clienti definiscono la fiducia una volta sola, per poi estenderla a tutto il loro data estate.
Crediamo sia questo il motivo per cui Snowflake si è classificato al 1° posto (4,29/5) per questo caso d’uso nel report complementare Critical Capabilities di Gartner. I clienti portano data warehouse, data lake e lakehouse sotto un unico perimetro di fiducia, invece di finire in un altro silo.
Questo ambiente condiviso è Snowflake Horizon Catalog, basato su Apache Polaris per l’interoperabilità con Iceberg. Horizon Catalog unisce funzionalità di governance e contesto di business per offrire un unico perimetro di fiducia per tutti i tuoi dati. Snowflake consente di applicare policy di mascheramento e di accesso a livello di riga alle query sulle tabelle supportate, inclusi i dati federati nei cataloghi esterni, i dati raggiunti tramite integrazioni zero-copy e i dati condivisi tra account e partner, mentre i controlli basati sui ruoli governano l’accesso a modelli e agenti AI. I team definiscono metriche di business e relazioni in semantic view che persone e agenti AI possono riutilizzare, per poi estendere quella data foundation governata man mano che il data estate cresce.
Klarent, azienda di insurance tech, ha messo in pratica questo approccio definendo ogni cliente, polizza, viaggio e sinistro una sola volta su Snowflake. Agenti AI, report e applicazioni usano queste definizioni condivise, così i team di marketing e di assistenza possono seguire un cliente assicurativo dal lead al sinistro e ottenere risposte coerenti. Leggi il case study completo qui.
Unificare sicurezza e governance, però, non richiede di spostare tutto. E questo ci porta al secondo principio.
Connetti dove puoi, sposta i dati quando devi
La maggior parte dei team dati non ha un problema di dati, ma di copie: ogni nuovo caso d’uso inizia con un’altra estrazione e un’altra pipeline da mantenere. La realtà è che il percorso più rapido verso un’analisi dei dati unificata è lasciare i dati dove già risiedono.
Snowflake si classifica anche al 2° posto (4,23/5) per il caso d’uso Unified Analytics Data Platform nel report Critical Capabilities. I clienti ottengono un’unica piattaforma di analisi dei dati per tutti i loro dati, perché Snowflake si connette a quei dati dove risiedono.
Horizon Catalog funziona con le Iceberg Tables nei cataloghi esterni, mentre le integrazioni zero-copy profonde raggiungono i sistemi di record come Workday, Salesforce, SAP e altri.
Quando i dati devono davvero spostarsi, gli strumenti di streaming e batch progettati per aumentare la produttività dell’engineering li portano a destinazione con molto meno lavoro sulle pipeline. Il risultato è un unico posto in cui analizzare qualsiasi dato, con meno copie da archiviare e meno pipeline da governare.

Capacità di calcolo e costi sotto il tuo controllo
L’AI cambia l’economia di una piattaforma dati. Quando gli agenti AI eseguono query sui dati 24 ore su 24, il costo va progettato nella piattaforma dall’inizio. I clienti ci hanno detto chiaramente che la prevedibilità conta tanto quanto le prestazioni, e abbiamo preso sul serio questo feedback.
Il modo più semplice per controllare i costi è avere bisogno di meno infrastruttura. Snowflake porta la capacità di calcolo vicino ai dati per quasi ogni workload, dalle applicazioni transazionali su Snowflake Postgres all’analisi dei dati e ai workload con intensa attività di lettura sulle tabelle interattive. La capacità di calcolo si adatta a ogni workload e ottimizza le risorse automaticamente, un aspetto sempre più importante ora che i workload guidati dalle macchine diventano la norma.
A questo si aggiungono controlli unificati dei costi per ogni workload e per ogni attività di AI su Snowflake. Gli alert di budget a livello di organizzazione, account e oggetto definiscono lo standard per i controlli granulari, mentre le quote per utente, che possono anche bloccare nuove richieste sui servizi AI supportati quando gli utenti raggiungono i propri limiti, aiutano i team a contenere la spesa AI imprevista. Il rilevamento delle anomalie può segnalare tempestivamente picchi inattesi.
Per chi sviluppa e cerca una maggiore efficienza dell’intelligence, Snowflake CoCo offre un harness data-native che riduce i costi migliorando l’accuratezza.

In Indeed, la piattaforma globale per le assunzioni, l’adozione delle tabelle interattive e dei warehouse Snowflake ha permesso al team di consolidare l’analisi dei dati rivolta ai datori di lavoro da 10 cluster di calcolo a quattro. I tempi medi di risposta alle query sono migliorati del 60%, mentre i costi di infrastruttura sono calati di un ulteriore 45%, offrendo ai datori di lavoro dashboard più rapide con meno infrastruttura da mantenere. Leggi il case study qui.
Scelta di modello, cloud e interfaccia
Il panorama dell’AI il prossimo trimestre sarà diverso da quello di oggi. Una piattaforma che ti lega a un solo modello o a un solo cloud ti costringe a ricostruire tutto ogni volta che il terreno sotto i piedi cambia. La realtà di oggi è che i dati risiedono su più cloud e che arrivano costantemente nuovi modelli. Snowflake rende semplice abbinare ogni task al modello giusto, con i modelli leader disponibili all’interno del perimetro di sicurezza Snowflake. Gli agenti AI accedono agli strumenti necessari per svolgere un lavoro reale tramite i server model context protocol (MCP) integrati, oppure i team possono portare i propri.
La piattaforma funziona su più cloud e regioni, con condivisione governata. Chi sviluppa lavora in Snowflake CoCo e i knowledge worker ottengono risposte in Snowflake CoWork, tutto sulla stessa data foundation governata.
Cosa significa per i CDO
Nel complesso, questi principi cambiano ciò che la modernizzazione richiede a un’organizzazione dati. Modernizzi unificando invece di migrare, sotto un unico perimetro di fiducia per dati, modelli e agenti AI. Ti connetti ai dati dove risiedono e li sposti solo quando il lavoro lo richiede. La capacità di calcolo si adatta a ogni workload, con controlli che mantengono i costi prevedibili, e i team scelgono il modello, il cloud e l’interfaccia più adatti al task. L’intera piattaforma diventa il control plane agentico, così i team dati possono portare i dati all’AI in produzione più rapidamente.
La direzione è chiara
Crediamo che questo sia ciò che il mercato ora richiede: una piattaforma, un perimetro di fiducia, open e interoperabile a ogni livello. È la trasformazione che questo riconoscimento segna per noi.
Grazie ai nostri clienti, il cui feedback ha guidato ogni passo della nostra trasformazione, ai nostri partner e alla comunità open source, e ai team Snowflake che hanno reso reale quella trasformazione.
Leggi il report completo Gartner Magic Quadrant for Data Lakehouse Platforms:
- Gartner, Magic Quadrant for Data Lakehouse Platforms, Aaron Rosenbaum, Michael Gonzales et al., 4 novembre 2026.
- Gartner, Critical Capabilities for Data Lakehouse Platforms, Michael Gonzales, Ramke Ramakrishnan et al., 5 novembre 2026.
Gartner e Magic Quadrant sono marchi di Gartner, Inc. e/o delle sue affiliate.
Gartner non approva alcuna azienda, fornitore, prodotto o servizio rappresentato nelle proprie pubblicazioni e non consiglia agli utenti di tecnologia di scegliere solo i fornitori con le valutazioni più alte o altre designazioni. Le pubblicazioni di Gartner riportano le opinioni dell’organizzazione di business and technology insights di Gartner e non devono essere interpretate come dichiarazioni di fatto. Gartner declina ogni garanzia, esplicita o implicita, in merito a questa pubblicazione, incluse eventuali garanzie di commerciabilità o di idoneità a uno scopo particolare.
- In base a benchmark interni, CoWork con Cortex Sense migliora l’accuratezza dal 24,1% all'86,3% e riduce il costo da 1,76 a 0,59 dollari per query (una riduzione del 66%) rispetto a un agente AI frontier senza grounding. Per saperne di più, leggi il blog engineering: Intelligence Efficiency in Action: Lower Cost per Trusted Outcome with Snowflake CoCo and CoWork ↩





