L’Ecosystem Agent Framework: orchestrare il futuro dell’agentic AI nella finanza

Per decenni, il settore dei servizi finanziari ha ottimizzato l’accesso ai dati. Ma l’accesso non è mai stato l’obiettivo, era un vincolo rispetto al vero traguardo: abilitare un’azione intelligente.

L’evoluzione del settore ha seguito una progressione chiara: dall’acquisizione dei dati, alla loro centralizzazione, fino a renderli utilizzabili tramite analisi dei dati e intelligenza artificiale. Ogni fase ha ridotto l’attrito, non fine a sé stesso, ma per consentire decisioni più rapide e di qualità superiore.

L’opportunità non è sostituire il giudizio umano, ma allocarlo meglio. Eliminando il lavoro non differenziante (raccolta dei dati, riconciliazione, preparazione) aumentiamo tempo e attenzione per ciò che genera risultati: decisioni più rapide e più convincenti.

Lo stesso principio dovrebbe valere anche per i sistemi. Le piattaforme di intelligenza artificiale non dovrebbero introdurre nuova complessità: dovrebbero essere invisibili e senza attrito, sia per sviluppare sia per operare al loro interno. L’alpha non è garantito, ma quando sia l’impegno umano sia la progettazione dei sistemi sono ottimizzati per la semplicità, le condizioni per generarlo migliorano in modo sostanziale.

Ora stiamo entrando nella fase successiva, in cui l’obiettivo non è più solo comprendere i dati, ma agire su di essi. È il passaggio dall’insight all’esecuzione, dalla comprensione all’azione. È l’era dell’agentic AI.

La gravità storica dei dati finanziari

Storicamente, i risultati finanziari critici dipendevano dall’integrazione manuale tra dati istituzionali di prima parte e market intelligence di terze parti. Nell’era pre-2015, caratterizzata da attrito, la distribuzione dei dati era arcaica. I trasferimenti SFTP attivavano pipeline di ingestion enormi e complesse, costose da sviluppare e fragili da mantenere.

La “data tax” era una voce permanente a bilancio, che ritardava e comprometteva la capacità di agire sulle informazioni. I team erano costretti a dedicare tempo a collegare, trasformare e riconciliare i dati, solo per arrivare a un punto di partenza per prendere decisioni.

Il paradigma è cambiato quando il centro di gravità si è spostato nel cloud. Snowflake ha ridefinito il modo in cui le istituzioni gestiscono e accedono ai dati, sostituendo quelle pipeline legacy con data sharing diretto e dati live.

Eliminando l’ETL, non è cambiato solo il modo in cui si spostavano i dati: è cambiato il modo in cui si lavorava. Oggi i dati di prima e terza parte possono coesistere nello stesso ambiente, consentendo a engineering, analisi dei dati e machine learning di operare direttamente su una data foundation condivisa.

Questa convergenza ha fatto più che ridurre l’attrito: ha standardizzato il modo in cui si sviluppano i workflow finanziari. In asset management, nel settore bancario e in quello assicurativo, i workflow critici seguono uno schema comune: combinare contesto interno proprietario con segnali di mercato esterni per guidare le decisioni.

Questo consolidamento non è stato solo una comodità tecnica; è stato il precursore necessario dell’era dell’agentic AI. Ha creato un ambiente ad alta velocità in cui il contesto è già presente nel punto di esecuzione, invece di dover essere assemblato su richiesta.

Oggi siamo passati da un’architettura che richiede alle persone di colmare manualmente il divario tra dati di prima e terza parte, a un’architettura in cui l’integrazione è nativa e, quindi, gli agentic workflow possono essere eseguiti direttamente su questa base.

Snowflake fornisce la data foundation per questo cambiamento, unificando dati, controlli di governance e capacità di calcolo in un unico ambiente. Poiché questi elementi ora risiedono insieme, l’esecuzione non è più vincolata dallo spostamento dei dati o dalla riconciliazione. Quello che prima era un processo frammentato e manuale diventa una capacità continua, guidata dal sistema.

Da “AI-ready” a “Agent-Active”

Negli ultimi 24 mesi, il settore si è concentrato sul rendere i dati “AI-ready”, abilitando di fatto query in linguaggio naturale su set di dati strutturati.

Per quanto utile, anche un dato AI-ready resta solo un ingrediente grezzo, non il risultato finale. Una “chat” può fornire un insight rapido, ma non chiude un’operazione, non ribilancia un portafoglio e non gestisce una richiesta di risarcimento assicurativo complessa. Il massimo valore si realizza solo quando i dati non sono più soltanto una fonte di conversazione, ma vengono inseriti in un workflow più ampio, articolato in più passaggi, per ottenere un risultato specifico e autonomo.

Stiamo superando la fase “Search and Summarize” dell’intelligenza artificiale ed entrando nella fase “Orchestrate and Execute”, passando da dati semplicemente leggibili a dati Agent-Active.

L’architettura dell’orchestrazione: l’Ecosystem Agent Framework

L’unificazione dell’accesso ai dati è ciò che ha reso Snowflake l’ambiente naturale per questi workflow e ciò che oggi lo rende l’ambiente naturale in cui gli agenti AI possono eseguirli.

I workflow finanziari si basano, in sostanza, sulla combinazione di dati di prima e terza parte. All’interno di un unico perimetro di governance, Snowflake riunisce questi dati con le primitive necessarie per agire su di essi.

Con Cortex Analyst e Cortex Search, offriamo funzionalità di retrieval di livello mondiale su dati strutturati e non strutturati, consentendo agli agenti AI di accedere in tempo reale al contesto completo di un problema. A questo si affiancano data product AI-ready del nostro ecosistema, distribuiti come Shared Semantic Views e Cortex Knowledge Extensions, che rendono immediatamente utilizzabili sia l’intelligence proprietaria sia quella esterna.

Su questa data foundation, Cortex Agents e Cortex Code offrono la possibilità di sviluppare ed eseguire workflow direttamente dove risiede quel contesto.

Questo è il cambiamento decisivo: gli agenti AI non devono più ricomporre il contesto tra sistemi diversi, ma operano direttamente su di esso.

Il risultato è un ambiente in cui dati, contesto ed esecuzione sono unificati. Le aziende possono sviluppare agenti AI che operano su dati di prima e terza parte senza spostamento dei dati, senza leakage di IP e con funzionalità di governance, mantenendo al contempo lineage ed evaluation complete.

In questo modello, gli agenti AI non devono “andare a cercare” dati o strumenti. Vengono sviluppati dove i dati già risiedono, con le primitive necessarie per recuperare, ragionare e agire.

È questo che rende Snowflake una scelta naturale per gli agentic workflow nei servizi finanziari.

L’architettura dell’ecosistema di agenti AI

Una nota su MCP

Pur supportando standard come MCP con il nostro server MCP ospitato su Snowflake, lo consideriamo uno dei diversi approcci per abilitare l’accesso degli agenti AI ai dati.

MCP è particolarmente adatto ad ambienti in cui i dati devono rimanere distribuiti, anche se in molti casi questa distribuzione riflette vincoli storici più che una necessità attuale.

I progressi nell’automazione, nello sviluppo assistito dall’intelligenza artificiale e nei formati open per le tabelle hanno reso molto più semplice unificare l’accesso ai dati, senza i costi operativi generali del passato e senza introdurre vendor lock-in, grazie a standard realmente open e interoperabili.

Di conseguenza, le organizzazioni hanno maggiore flessibilità per ridurre la frammentazione alla fonte, invece di aggirarla.

La nostra prospettiva è semplice: quando l’unificazione è praticabile, il percorso ottimale è portare dati, funzionalità di intelligenza artificiale, governance e primitive per gli agenti AI in un unico ambiente coeso. Questo crea una data foundation diretta, performante e governabile per sviluppare e gestire gli agenti AI. Quando non è possibile, MCP funge da ponte prezioso tra i sistemi.

Dato il ruolo centrale di dati, intelligenza artificiale e governance in questo modello, Snowflake offre una data foundation naturale per questo approccio unificato.

In questo senso, è meglio considerare MCP come un’eccezione, non come l’opzione di default.

Esecuzione nel mondo reale: l’analista moderno

Immagina un asset manager globale con un analista che segue il settore biopharma. Tradizionalmente, questo analista trascorre la giornata a reperire manualmente segnali per guidare l’azione. Quando esce una notizia, il processo di ricerca è estenuante: controlla la tesi d’investimento interna (dati di prima parte non strutturati), verifica posizioni e prestazioni correnti (dati di prima parte strutturati) ed esegue un “look-through” per comprendere l’esposizione totale su ETF e titoli (dati combinati di prima e terza parte).

Nell’Ecosystem Agent Framework, l’intero processo è orchestrato da un Cortex Agent. Invece di essere reattivo, il processo è continuo. Quello che prima era una serie di task manuali, vincolati dal tempo, diventa un workflow continuo, guidato dal sistema. L’agente AI monitora costantemente i dati dell’ecosistema alla ricerca di segnali, incrocia dati interni ed esterni e avvisa l’analista non solo con un riepilogo, ma con note di ricerca suggerite in versione hawkish, dovish e neutrale, complete di tutto il contesto.

È questo il cambiamento decisivo che abilita Operational Alpha: ridurre al minimo il lavoro manuale non differenziante e massimizzare la capacità dell’analista di svolgere attività di livello superiore e distintive.

Attivare la forza lavoro

Il divario tra una “demo di intelligenza artificiale interessante” e un “agentic workflow in produzione” quasi mai dipende dal modello. Dipende dall’architettura dati sottostante.

L’era delle chat con i tuoi dati è finita. È iniziata l’era dell’orchestrazioneorchestrazione, e l’architettura progettata per supportarla è Snowflake con l’Ecosystem Agent Framework. 

Scegliendo una data foundation che privilegia sovranità e scalabilità rispetto alla connettività di breve periodo, garantiamo che la prossima generazione di sistemi agentic non si limiti a funzionare: esegue con velocità, controllo e intenzionalità.

Vuoi saperne di più? Partecipa a Snowflake Summit e segui la sessione The Financial Services AI, Apps and Data Guide with Snowflake.