
AGENTIC ANALYTICS: LA DEFINIZIONE L’agentic analytics è una forma di analisi basata sull’AI in cui agenti software perseguono un obiettivo analitico attraverso più fonti di dati e operazioni, adattando il percorso man mano che emergono nuovi elementi, invece di seguire una sequenza fissa di query.
Quando chiedi a un analista esperto un’analisi sul margine lordo, entra in gioco molto più di SQL. Sa quale definizione di margine lordo usare, quali fonti dati sono affidabili e aggiornate, dove cambia la granularità e quali join rischiano di distorcere il risultato. Gran parte di questa conoscenza risiede solo nella mente dell’analista.
Un agente AI a cui viene affidata quell’analisi non dispone automaticamente della stessa conoscenza, quindi il contesto deve essere fornito in modo esplicito. E in un workflow di agentic analytics, l’agente AI attinge a quel contesto più volte mentre l’indagine procede: per scomporre la domanda, scegliere tra fonti e strumenti, interpretare i risultati intermedi e decidere cosa esaminare dopo. Questo solleva domande pratiche: di cosa ha bisogno l’agente AI dal data layer? di chi sono i permessi che si applicano quando chiama uno strumento? come faranno i team a stabilire se l’analisi che ne risulta è solida?
Che cos’è l’agentic analytics?
L’agentic analytics usa agenti AI per pianificare ed eseguire workflow di analisi dei dati in più fasi, scegliendo tra i dati e gli strumenti disponibili mentre i risultati intermedi plasmano l’indagine. Un tipico ciclo analitico comprende diverse fasi:
Risolvere il contesto → pianificare → chiamare uno strumento → ispezionare il risultato → rivedere il piano → validare → fermarsi
Il natural-language-to-SQL può gestire un passaggio di query, mentre ricerca, retrieval semantico, procedure e API offrono all’agente AI altri modi per raccogliere evidenze o agire su quanto trova. L’orchestrazione controlla quali strumenti sono disponibili, quale contesto viene passato a ogni chiamata e come i risultati intermedi influenzano i passaggi successivi.
È questo controllo sui passaggi successivi che distingue l’agentic analytics dalle altre forme di analisi assistita dall’AI. L’augmented analytics usa l’AI per supportare parti di un workflow guidato dalle persone, come la preparazione dei dati, l’individuazione di pattern o la generazione di spiegazioni. In un workflow agentico, l’agente AI si assume una parte maggiore del coordinamento.
Il modello agentico sposta più decisioni analitiche al runtime. L’agente AI può dover risolvere la terminologia, scegliere tra le fonti, determinare un percorso di query appropriato e decidere se un risultato intermedio giustifica un ulteriore passaggio: ciò significa che l’affidabilità dell’output dipende dal contesto e dai vincoli che circondano queste decisioni.
Scopri come Cortex Agents orchestra l’analisi SQL, la ricerca e il reasoning AI su dati aziendali strutturati e non strutturati:

Come funziona il ciclo analitico
Il workflow di agentic analytics è iterativo. L’agente AI deve risolvere la domanda rispetto al contesto di business, scegliere quali strumenti e dati usare, valutare ciò che ottiene e decidere se continuare, diramarsi, fermarsi o agire.
Risolvere la domanda rispetto al contesto di business
Riprendiamo la domanda sul margine lordo. Prima di emettere SQL, l’agente AI deve stabilire a cosa si riferisce la domanda. Il margine lordo può avere un calcolo approvato con misure di ricavo e di costo definite, regole di aggregazione e relazioni dimensionali valide. EMEA può corrispondere a una gerarchia organizzativa anziché a un campo regione letterale. L’ultimo trimestre può richiedere la logica del calendario fiscale.
Una volta risolti questi elementi, l’agente AI li collega ai dati fisici. Questo include la selezione delle tabelle o delle semantic view appropriate, la determinazione della granularità necessaria e il rispetto delle relazioni valide tra fatti e dimensioni.
Pianificare e chiamare gli strumenti giusti
La scelta degli strumenti plasma l’indagine stessa. Una query semantica può stabilire dove è cambiato il margine, mentre una ricerca su contratti o note di vendita può fornire il contesto del perché. Se più strumenti possono rispondere alla stessa sotto-domanda, il planner ha bisogno di metadati sufficienti per scegliere tra essi in base ad ambito, autorevolezza della fonte e output previsto. Le definizioni degli strumenti e le istruzioni di orchestrazione devono essere abbastanza specifiche da guidare la scelta senza codificare in modo rigido ogni percorso analitico.
Verificare i risultati intermedi
Prima che un risultato intermedio alimenti il passaggio successivo, il workflow ha bisogno di un modo per verificare se è utilizzabile. La verifica dipende dal tipo di risultato: una query generata può essere valutata per granularità e relazioni valide, mentre una metrica restituita può essere riconciliata con un riferimento noto o un intervallo previsto.
L’agente AI può anche confrontare il risultato con la domanda a cui doveva rispondere. Se, per esempio, una query pensata per spiegare un calo del margine restituisce solo i ricavi aggregati, il risultato è SQL valido ma un’evidenza insufficiente per il passaggio analitico successivo. Il planner dovrebbe rivedere la query invece di considerare un’esecuzione riuscita come un’analisi riuscita.
Queste verifiche sono particolarmente importanti perché gli errori intermedi si propagano. Un join non supportato, una fonte non aggiornata o una risoluzione errata delle entità nelle prime fasi dell’esecuzione possono condizionare ogni query successiva, producendo un’indagine coerente costruita su una premessa sbagliata.
Decidere se continuare, fermarsi o agire
L’agente AI deve poi decidere se le evidenze sono sufficienti. Può servire un’altra query, uno strumento diverso, un chiarimento da parte dell’utente o un’azione downstream approvata.
Queste decisioni influiscono anche sul comportamento del workload. Una singola richiesta può generare diversi statement SQL, ricerche e chiamate a strumenti, con ritentativi o diramazioni parallele mentre l’indagine si sviluppa, quindi anche budget per le query, gestione di utenti concorrenti, timeout e condizioni di arresto fanno parte del modello operativo.
Storia del cliente: Fireblocks
Fireblocks usa Cortex Agents con le semantic view per rendere l’analisi dei dati accessibile in linguaggio naturale. Il suo agente AI interno permette ai team di indagare direttamente le metriche di prodotto e di cliente, mentre Fire Genie, rivolto ai clienti, offre analisi personalizzate, estendendo l’accesso ai dati governati sia ai dipendenti sia ai clienti.
Che cosa deve risolvere il data layer prima che l’agente AI esegua le query
L’accuratezza analitica dipende da più della sola capacità del modello. Negli ambienti enterprise, molti errori nascono dal costringere il modello a dedurre una logica di business che si poteva fornire in modo esplicito.
Come minimo, il contesto analitico dovrebbe includere:
- Definizioni di metriche e di business: calcoli approvati, filtri, logica temporale e comportamento di aggregazione
- Relazioni tra entità: come si relazionano clienti, account, prodotti, ordini e altri oggetti di business
- Granularità dichiarata: che cosa rappresenta una riga in ciascun oggetto rilevante
- Percorsi di join supportati: le relazioni che il sistema dovrebbe usare per combinare i dati
- Sinonimi e mappature delle entità: terminologia alternativa e significati specifici del dominio
- Idoneità della fonte: freschezza, ownership, stato di deprecazione, completezza e altri segnali rilevanti per la scelta della fonte
- Policy e provenienza: chi è autorizzato a usare i dati e da dove provengono
Fornire all’agente AI una logica di business esplicita
Uno schema dice a un agente AI dove risiedono i dati, ma di solito non come il business si aspetta che quei dati siano interpretati. Per esempio, lo “stato del cliente” potrebbe dipendere da più campi, oppure il “margine lordo” potrebbe essere valido solo su certe dimensioni o livelli di aggregazione.
Un modello semantico rende esplicita quella logica. Metriche, dimensioni, regole di calcolo, relazioni e sinonimi danno all’agente AI una rappresentazione governata dei concetti di business presenti nella domanda, riducendo quanto deve dedurre mentre costruisce una query. Quelle definizioni devono poi essere riutilizzabili oltre una singola interfaccia analitica. Se la logica di business viene ricreata separatamente in una dashboard, in un agente AI e in un’applicazione, l’organizzazione si ritrova comunque con più versioni da governare. Un modello semantico condiviso fornisce a queste esperienze un insieme comune di definizioni e relazioni.
Una valutazione interna Snowflake del 2024 ha rivelato quanto il sistema analitico circostante influisca sull’accuratezza. Su un benchmark di 150 domande progettato intorno a task di BI reali, GPT-4o con singolo prompt ha raggiunto il 51% di accuratezza, mentre Cortex Analyst, che usa un modello semantico per fornire definizioni di business e contesto, ha superato il 90%.
Le definizioni semantiche, tuttavia, coprono solo una parte del percorso analitico. Un agente AI può risolvere correttamente la misura e produrre comunque il risultato sbagliato se sceglie un join non valido o combina dati con granularità incompatibili.
CONSIGLIO RAPIDO Inizia dai concetti aziendali che oggi richiedono più chiarimenti da parte degli analisti. Le metriche con definizioni controverse, i termini con più significati o le regole di aggregazione particolari sono ottimi candidati per una modellazione semantica esplicita.
Granularità e percorsi di join fanno parte del contratto analitico
Supponiamo che il sistema risolva correttamente i ricavi e poi metta in join un fatto a livello di ordine con una tabella di righe d’ordine senza tenere conto del cambio di granularità. I ricavi risultano duplicati prima dell’aggregazione, anche se l’SQL si esegue correttamente e la formula della metrica resta invariata.
I chasm join creano un problema analogo quando più tabelle dei fatti sono messe in join attraverso dimensioni condivise e le combinazioni moltiplicano i record in modo inatteso. Relazioni many-to-many, bridge table e misure semi-additive introducono ulteriori casi in cui un join apparentemente ragionevole produce il risultato analitico sbagliato.
Per i sistemi agentici, granularità, cardinalità e percorsi di join validi devono avere una rappresentazione esplicita. Lasciare implicite quelle relazioni riporta le decisioni strutturali nell’inferenza a runtime, dove il modello può fare o non fare le scelte corrette.
Risolvere le entità ambigue prima di eseguire le query
Il linguaggio aziendale mappa spesso in modo imperfetto sugli oggetti dati. Una richiesta di “clienti enterprise”, per esempio, potrebbe riferirsi a un segmento di account nel CRM, a un tier di prodotto o a una classificazione finanziaria.
L’agente AI ha bisogno di metadati sulle entità e di contesto di dominio sufficienti per scegliere l’oggetto di business corretto prima di costruire la query. Quando più interpretazioni sono plausibili, il workflow dovrebbe preservare l’ambiguità e chiedere un chiarimento all’utente invece di sceglierne semplicemente una.
La scelta della fonte richiede più della semplice reperibilità
Un catalogo può esporre diversi oggetti che tecnicamente contengono le informazioni richieste, ma questo non significa che siano adeguati allo stesso modo per l’analisi.
Gli analisti esperti tengono abitualmente conto di elementi di contesto come se una fonte sia aggiornata, se una trasformazione a monte sia cambiata di recente, se una tabella sia deprecata o se la copertura vari per area geografica. Se quelle caratteristiche non sono leggibili dalle macchine, un agente AI vede un insieme di oggetti disponibili senza la conoscenza istituzionale che aiuta l’analista a scegliere tra essi.
Freschezza, lineage, ownership, indicatori di qualità, stato di certificazione, pattern di utilizzo e metadati di deprecazione contribuiscono tutti all’idoneità della fonte.
L'ERRORE COMUNE Un errore frequente è considerare la reperibilità di un dato equivalente alla sua idoneità. Un agente potrebbe trovare una tabella che contiene i campi giusti, ma che è obsoleta, deprecata o non adatta all'analisi richiesta. I metadati delle fonti dovrebbero aiutarlo a distinguere ciò che è disponibile da ciò che è autorevole.
Di chi sono i permessi quando l’agente AI esegue la query?
Un agente AI introduce una questione di autorizzazione: di chi sono i permessi che si applicano quando l’agente AI chiama uno strumento o esegue una query? Nelle sessioni interattive, l’identità delegata dell’utente finale mantiene l’esecuzione delle query allineata ai permessi della persona che pone la domanda. Il controllo degli accessi basato sui ruoli già in uso, le policy di accesso righe e il masking delle colonne continuano quindi a governare i dati sottostanti.
I workflow pianificati o non presidiati richiedono un modello di identità diverso. Senza un utente interattivo da cui delegare, l’agente AI ha bisogno di un’identità di esecuzione dedicata, limitata ai dati e agli strumenti necessari per il suo processo. Un account di servizio condiviso con privilegi ampi aumenta il rischio di ogni chiamata a uno strumento e sposta ulteriore logica di autorizzazione nel layer applicativo.
Il contesto di autorizzazione rilevante va oltre la richiesta iniziale all’agente AI. Ogni chiamata a uno strumento e ogni risorsa sottostante nel workflow devono essere valutate in base all’identità e ai permessi previsti.
Per ogni chiamata a uno strumento, il modello di autorizzazione deve rispondere a queste domande:
- quale identità esegue l’operazione?
- quale ruolo o quali entitlement si applicano?
- a quali oggetti sottostanti accede lo strumento?
- le policy a livello di riga e di colonna continuano ad applicarsi?
- lo strumento esegue con i diritti del chiamante o con i diritti elevati del proprietario?
- che cosa accade se una risorsa necessaria non è disponibile?
Il comportamento fail-closed è particolarmente importante per i workflow analitici. Se l’agente AI non può accedere a uno strumento o a un data set necessario, dovrebbe segnalare il fallimento in modo visibile invece di produrre una risposta basata solo sulle informazioni a cui è riuscito ad arrivare.
Le restrizioni a livello di prompt non possono sostituire i controlli di accesso basati sull’identità, le policy di accesso righe, il masking delle colonne o altri permessi applicati dalla piattaforma dati. Un’istruzione che dice a un agente AI di non accedere ai dati sulle retribuzioni è soggetta all’interpretazione del modello e può essere aggirata tramite prompt injection. Un’autorizzazione solida limita ciò che una manipolazione riuscita del modello è in grado di recuperare.
Come afferma Mayank Upadhyay, Chief Security and Trust Officer di Snowflake, “l’errore più grande che le organizzazioni possono commettere è pensare che la sicurezza dell’AI riguardi solo la protezione del modello. La vera sfida è governare tutto ciò che il modello tocca”. Per gli agenti AI analitici, questo estende la sicurezza all’identità, ai permessi, all’accesso agli strumenti e alle azioni che un agente AI è autorizzato a compiere.
E se l’agente AI può agire, servono ulteriori salvaguardie. I cambiamenti con conseguenze rilevanti dovrebbero richiedere un’approvazione e l’audit trail dovrebbe indicare che cosa è stato eseguito, con quale autorità e su quali risorse.
La riproducibilità significa preservare il percorso analitico
I workflow agentici complicano la consueta idea di riproducibilità. La stessa domanda non genera necessariamente lo stesso SQL né segue la stessa sequenza di passaggi a ogni esecuzione. Un piano, per esempio, potrebbe segmentare prima per area geografica, mentre un altro parte dal prodotto. Anche statement SQL diversi possono produrre risultati analiticamente equivalenti.
Il test migliore è che l’esecuzione sia ricostruibile e che esecuzioni equivalenti risolvano nello stesso significato governato e in un risultato sostanzialmente coerente.
Questo richiede una traccia di esecuzione con informazioni sufficienti per determinare:
- quali oggetti semantici e quali definizioni sono stati risolti
- quali fonti e percorsi di join sono stati selezionati
- quali strumenti sono stati chiamati e in quale ordine
- quali statement SQL o altre operazioni sono stati eseguiti
- quale identità e quali permessi si sono applicati a ogni passaggio
- quali risultati intermedi hanno influenzato le decisioni successive
- perché il planner ha continuato, si è diramato o si è fermato
- quali controlli di validazione sono stati eseguiti prima della restituzione del risultato
Josh Klahr e Rajhans Samdani di Snowflake descrivono l’obiettivo come la conservazione della “traccia dietro una risposta, comprese le fonti utilizzate, le trasformazioni applicate, il lineage delle fonti dati e il motivo per cui fonti concorrenti sono state accettate o rifiutate”. Quella traccia offre ai data team un punto di partenza quando una risposta è dubbia.
Valutare il fallimento analitico, non solo la risposta finale
La valutazione degli agenti AI deve distinguere tra diverse classi di fallimento. Un risultato può essere sbagliato perché l’agente AI ha risolto la metrica errata, ha scelto l’interpretazione sbagliata dell’entità, ha usato un percorso di join non supportato, ha aggregato alla granularità sbagliata, ha selezionato dati non aggiornati o incompleti, ha perso l’accesso a uno degli strumenti necessari, si è fermato prima di testare una spiegazione alternativa, ha generato SQL sintatticamente o semanticamente scorretto oppure ha interpretato male il risultato corretto di una query.
Raggruppare tutti questi esiti sotto il termine “allucinazione” rende difficile la diagnosi. Ogni fallimento ha origine in una parte diversa del sistema analitico e richiede un rimedio diverso.
La valutazione dovrebbe operare su più livelli:
- Risoluzione semantica: la domanda è stata mappata sulle misure, sulle dimensioni, sulle entità e sulla logica temporale previste?
- Correttezza della query: l’SQL generato ha preservato la granularità, seguito le relazioni supportate e prodotto il risultato previsto?
- Scelta della fonte: gli oggetti scelti erano autorevoli e sufficientemente aggiornati per la domanda?
- Autorizzazione: ogni chiamata a uno strumento è stata eseguita con l’identità e le policy previste?
- Qualità del piano: il workflow ha seguito passaggi successivi pertinenti, evitato fan-out inutili e si è fermato con evidenze sufficienti?
- Qualità del risultato: la risposta era conciliabile con un risultato noto e corretto o rientrava in una tolleranza accettata?
La ricerca sulla valutazione degli agenti AI conferma l’utilità di guardare oltre la risposta finale. Nello studio di benchmark Agent GPA di Snowflake AI Research, i valutatori che hanno esaminato obiettivo, piano e azioni di un agente AI hanno rilevato il 95% degli errori annotati da persone, rispetto al 55% di un giudice LLM di riferimento. Hanno inoltre localizzato l’86% degli errori nel punto preciso della traccia di esecuzione in cui si è verificato il fallimento.
Sviluppare il set di valutazione partendo dal lavoro analitico già noto
Report esistenti, SQL revisionato dagli analisti e calcoli certificati sono utili punti di partenza per il set di valutazione. Le query verificate o golden abbinano domande di business rappresentative a SQL noto e corretto o a risultati previsti. Danno ai team casi di riferimento per testare le modifiche al modello, al layer semantico, allo schema o alla logica di orchestrazione.
Il set di test dovrebbe includere anche i fallimenti che più facilmente superano una revisione superficiale: fan-out dei join, valori di entità ambigui, formulazioni alternative, dati con accesso limitato, cambiamenti nelle fonti e domande che richiedono più semantic view.
L’esecuzione di queste valutazioni fa emergere le regressioni. Una query che passava prima di una revisione del modello semantico e che poi fallisce, per esempio, è un segnale molto più azionabile di un calo generalizzato della soddisfazione degli utenti. Il test di regressione riesegue i casi noti e corretti dopo gli aggiornamenti, mostrando se il comportamento è cambiato e dando ai team un punto di partenza per risalire alla causa.
Agentic analytics su Snowflake
L’architettura di agentic analytics Snowflake mappa questi requisiti sui layer semantico, di esecuzione, di governance e di valutazione.
Le Semantic Views rappresentano metriche, dimensioni, relazioni e altra logica di business come oggetti Snowflake governati, riutilizzabili tra workflow SQL, BI e AI. Snowflake Horizon Context, all’interno di Snowflake Horizon Catalog, aggiunge un contesto di business e tecnico più ampio, inclusi i metadati su definizioni, relazioni, provenienza e governance.
Cortex Analyst gestisce il natural-language-to-SQL sulle Semantic Views, mentre Cortex Agents pianifica e orchestra gli strumenti su dati strutturati e non strutturati. L’esecuzione resta soggetta al modello di privilegi Snowflake. Le procedure personalizzate mantengono la loro semantica caller’s rights o owner’s rights.
Le query verificate e le valutazioni di Cortex Analyst forniscono casi di riferimento per testare l’accuratezza e rilevare regressioni quando modelli, schemi o definizioni semantiche cambiano. Per gli utenti business, Snowflake CoWork offre un’interfaccia conversazionale per analizzare i dati aziendali governati, approfondire i risultati e creare output analitici riutilizzabili.
Queste funzionalità permettono ai team di mantenere i principali punti di controllo vicino ai dati governati: risoluzione semantica, autorizzazione, esecuzione delle query, provenienza e valutazione. L’agente AI ha flessibilità nel modo in cui indaga una domanda, mentre definizioni e policy restano parte del sistema in cui opera.
Più cresce l’autonomia, più la fiducia poggia sull’architettura
Man mano che gli agenti AI analitici affrontano indagini più ampie e più azioni downstream, il numero di decisioni che l’agente AI prende in autonomia continuerà a crescere. Più chiamate a strumenti, più scelte di fonti e più diramazioni creano più occasioni perché un errore di contesto, di permessi o di esecuzione si propaghi nel workflow.
Per i data leader, la risposta migliore è spingere quanta più certezza possibile nel sistema circostante: logica di business esplicita, relazioni governate, controlli di accesso applicabili e valutazione legata al lavoro analitico reale. Con questi vincoli in atto, i team possono dare agli agenti AI più spazio per indagare e agire senza rinunciare alla visibilità su come il lavoro è stato svolto.
IN SINTESI L’analisi di un agente è affidabile solo quanto il sistema in cui opera. Definizioni aziendali esplicite, relazioni tra i dati governate, controlli di accesso applicabili e una valutazione continua forniscono agli agenti il contesto e i vincoli necessari per analizzare con precisione domande complesse.
FAQ sull’agentic analytics
L’agentic analytics sostituisce le dashboard?
Le dashboard restano utili per il monitoraggio standardizzato, le metriche ricorrenti e i workflow in cui il percorso analitico è intenzionalmente predefinito. L’agentic analytics affronta domande la cui scomposizione o i cui passaggi successivi sono determinati durante l’esecuzione. Entrambi gli approcci funzionano in modo più coerente quando si basano sulle stesse metriche governate e sulle stesse relazioni analitiche.
Chi è responsabile quando l’analisi di un agente AI è sbagliata?
La responsabilità resta dell’organizzazione che gestisce il sistema e delle persone responsabili delle decisioni prese sulla base del suo output. Per gli usi con conseguenze rilevanti, i team dovrebbero definire ownership e requisiti di revisione, conservando una cronologia di esecuzione sufficiente a ricostruire la risoluzione semantica, le fonti dati, le query e il contesto di autorizzazione dietro il risultato.




