Agentic analytics: la data foundation per gli agenti AI

Per decenni, l’analisi dei dati aziendale ha dipeso dalle persone per guidare ogni fase. Poi le dashboard hanno iniziato a mostrare cosa era accaduto, e l’intelligenza artificiale generativa ha reso più semplice sintetizzare e spiegare. Ora l’analisi dei dati agentica rappresenta il prossimo cambiamento: un agente AI analizza una domanda di business decidendo quali dati esaminare, imparando da ogni risultato e scegliendo il passo successivo, finché non è in grado di fornire una risposta o compiere un’azione approvata.

Consideriamo un team che indaga un aumento dell’abbandono dei clienti. Un agente AI potrebbe confrontare i segmenti di clientela, esaminare le variazioni nell’utilizzo del prodotto e analizzare i problemi di assistenza negli account interessati. Se una spiegazione non risulta valida, l’agente AI può seguirne un’altra. Può quindi portare i risultati e una risposta consigliata in un workflow di retention. Il team delega l’indagine invece di dirigere ogni query.

Questo cambia ciò che la piattaforma dati deve fornire. L’agente AI deve sapere di quali fonti e definizioni di business fidarsi. Ogni risultato può portare a una query diversa, quindi l’esecuzione analitica deve supportare un’indagine il cui percorso non è noto in anticipo. I confini di accesso e azione devono rimanere validi durante tutto il processo.

Snowflake riunisce questi requisiti dove risiedono i dati aziendali, fornendo il contesto di business per guidare l’indagine, l’ottimizzazione delle query e le opzioni di capacità di calcolo per supportare il suo workload in continua evoluzione, e interfacce governate per trasferire i risultati nei workflow aziendali. Questa data foundation supporta gli agenti AI costruiti su Snowflake o collegati da altre piattaforme.

La maggior parte delle aziende non standardizzerà su un’unica piattaforma di agenti AI

I team vendite, finanza, ingegneria e assistenza potrebbero adottare ciascuno assistenti e framework di automazione diversi.

Richiedere che ogni agente AI risieda all’interno di un unico stack applicativo limiterebbe la scelta e spesso comporterebbe movimenti di dati non necessari. Un approccio più duraturo consiste nel mantenere il contesto di business, l’esecuzione analitica e la governance vicino ai dati, rendendoli al contempo disponibili tramite interfacce interoperabili.

Standard e interfacce governate, tra cui il Model Context Protocol (MCP), le semantic view e gli oggetti SQL, possono consentire agli agenti AI autorizzati di scoprire contesto affidabile e analizzare i dati aziendali senza duplicarli in ogni piattaforma AI.

I pilastri della piattaforma Snowflake, avvolti nella governance

L’approccio Snowflake all’analisi dei dati agentica si basa su tre pilastri della piattaforma: Ground, Analyze e Act. Gli agenti AI devono poter fondare il proprio lavoro in un contesto di business affidabile, analizzare i dati alla velocità delle macchine e agire in base a una decisione approvata. Attorno a tutti e tre si trova la governance, che chiamiamo Assure. Qui, i controlli Snowflake gestiscono l’accesso ai dati, impostano limiti su quanto gli agenti AI possono spendere e registrano le query e gli accessi ai dati guidati dagli agenti AI. Man mano che gli agenti AI passano dal rispondere alle domande all’intraprendere azioni, un errore può raggiungere un processo di business e i clienti che serve. I controlli di accesso ai dati devono quindi operare insieme ai permessi e alle regole di approvazione configurate nel workflow aziendale. Snowflake applica i propri controlli sui dati, che sono associati ai dati stessi, indipendentemente dal fatto che l’accesso provenga da un agente AI costruito su Snowflake o collegato da un’altra piattaforma. Ogni pilastro contribuisce a realizzarlo, come descritto di seguito.

1. Ground: fornire un contesto di business leggibile dalle macchine

Gli agenti AI possono accedere a una tabella senza sapere cosa significano i suoi numeri, come l’azienda definisce il fatturato o se i dati sono aggiornati e attendibili.

Una piattaforma di agentic analytics deve disporre di definizioni autorevoli delle entità di business, delle relazioni e delle metriche, insieme a informazioni sulla freschezza e la qualità dei dati. Snowflake unisce data discovery affidabile, definizioni di business condivise e conoscenza aziendale pertinente attraverso Snowflake Horizon Context, le semantic view e Snowflake Cortex Search. Le query verificate offrono agli agenti AI esempi testati su come rispondere alle metriche, mentre i tag di certificazione li indirizzano verso le tabelle di cui il team si fida. Le Data Metric Functions monitorano dimensioni di qualità come completezza e unicità, mentre le Dynamic Tables aggiornano i dati derivati verso un target di freschezza configurato. Queste funzionalità aiutano i team a valutare se i dati sono adatti all’analisi di un agente AI.

In Ground, Assure funziona mantenendo le policy di accesso associate ai dati stessi, in modo che qualsiasi agente AI o strumento di business intelligence che utilizza una semantic view veda solo ciò che è autorizzato a vedere.

2. Analyze: raccogliere prove su scala di macchina

L’indagine di un agente AI cambia man mano che apprende. Può iniziare con un confronto ampio, restringersi a un segmento di clientela, fare il join con un’altra fonte e rivedere un risultato precedente. Supportare questo lavoro significa più che gestire query aggiuntive. Richiede un’esecuzione efficiente al variare dei pattern di query, con capacità per indagini concorrenti.

Il compilatore e l’optimizer di Snowflake pianificano come viene eseguita ogni query. Su Gen 2 e Adaptive Warehouses, Snowflake Optima utilizza i workload osservati per migliorare automaticamente la pianificazione delle query e l’accesso ai dati, riducendo la necessità di tuning manuale. Le query ripetute idonee possono riutilizzare i risultati persistiti invece di ripetere il calcolo.

Anche le diverse fasi analitiche hanno esigenze di prestazioni diverse. Snowflake Interactive Analytics supporta un’esecuzione a bassa latenza, ad alta concorrenza per query altamente selettive, mentre i warehouse standard gestiscono analisi complesse e ad alta intensità di calcolo. Con l’aumento della concorrenza, i warehouse multi‑cluster aggiungono capacità entro i limiti configurati. Insieme, queste funzionalità contribuiscono a supportare i workload iterativi degli agenti AI senza richiedere ai team di anticipare ogni query.

In Analyze, Assure consente alle policy configurate di riconoscere le sessioni attive degli agenti AI e di limitare i dati disponibili a un agente AI, anche quando il ruolo dell’utente consente un accesso più ampio. I resource monitor e i budget monitorano la spesa di calcolo degli agenti AI e possono attivare azioni in base a soglie impostate dall’utente, mentre gli statement timeout bloccano le query fuori controllo.

3. Act: portare la decisione nel processo di business

Il lavoro di un agente AI ha un valore limitato se un risultato approvato non riesce a raggiungere l’applicazione o il team responsabile della sua attuazione.

Una piattaforma di agentic analytics deve essere in grado di persistere questo risultato o trasferirlo tramite interfacce governate, lasciando al contempo l’applicazione di business esistente il controllo del processo. I workflow possono archiviare i risultati approvati e le relative evidenze a supporto in Snowflake, rendendoli disponibili ai sistemi che gestiscono il processo di business. In pratica, l’agente AI consiglia un possibile passo successivo e mostra le proprie evidenze. Una persona lo esamina e decide se procedere e se l’agente AI deve trasferirlo o se agire direttamente. I risultati approvati possono raggiungere l’applicazione proprietaria tramite un connettore MCP o una tabella Snowflake, e quell’applicazione mantiene il controllo. Le azioni rilevanti vengono sottoposte a una persona per l’approvazione, mentre quelle di routine possono essere eseguite secondo regole approvate in anticipo dalle persone.

In Act, Assure fornisce i record delle query e degli accessi ai dati guidati dagli agenti AI, che i team possono combinare con i record dei workflow per analizzare l’azione risultante.

Perché Snowflake per l’agentic analytics

Il valore dell’analisi dei dati agentica risiede nel portare una domanda di business dall’indagine a una risposta utile, con meno coordinamento manuale tra le fasi.

Il vantaggio di Snowflake è connettere le funzionalità richieste da questo lavoro. Le definizioni di business condivise guidano l’indagine. L’ottimizzazione automatica delle query, il riutilizzo dei risultati e la capacità di calcolo appropriata al workload supportano l’esecuzione analitica. I workflow possono conservare i risultati e le evidenze di supporto per le applicazioni responsabili di agire su di essi. Assure applica i controlli di accesso, supporta i controlli sulla spesa e registra l’attività sui dati guidata dagli agenti AI in tutto questo lavoro. Gli agenti AI costruiti su Snowflake o collegati da altre piattaforme possono utilizzare questa data foundation comune, invece di assemblare data foundation analitiche separate per ogni piattaforma.

Le persone definiscono gli obiettivi, le definizioni e le azioni che gli agenti AI possono intraprendere autonomamente. Gli agenti AI applicano questa conoscenza in modo ripetuto e inoltrano le decisioni più rilevanti tramite workflow di revisione. L’obiettivo è una maggiore autonomia degli agenti AI entro i limiti definiti dalle persone.

Unisciti a noi a Expedition per scoprire le ultime novità nel campo dell’agentic analytics.

Dichiarazioni previsionali

questo articolo contiene delle affermazioni riferite al futuro, tra cui offerte future di prodotto, che però non rappresentano un impegno a fornire alcuna offerta di prodotto. Le offerte e i risultati effettivi potrebbero essere diversi ed essere soggetti a incertezze e rischi noti e non noti. Consulta il nostro più recente modulo 10‑Q per ulteriori informazioni.