Per oltre vent’anni la Business Intelligence ha funzionato secondo uno schema preciso: i dati vengono raccolti, modellati e trasformati in report e dashboard, che qualcuno deve poi aprire, leggere e interpretare. È un modello che ha portato enormi benefici, ma che ha un limite strutturale: la BI aspetta. Aspetta che l’utente faccia la domanda giusta, al momento giusto, sulla dashboard giusta.
Oggi questo schema sta cambiando. Con l’arrivo dell’AI agentica, la BI passa da strumento passivo di consultazione a sistema proattivo, capace di osservare i dati in modo continuo, individuare ciò che conta e attivare un’azione, coinvolgendo le persone quando serve una decisione.
Non si tratta di un’evoluzione di nicchia. Gartner stima nel 2026 che il 40% delle applicazioni Enterprise integrerà agenti AI specializzati in compiti specifici, contro meno del 5% del 2025. E anche in Italia il mercato si muove con decisione: l’Osservatorio Big Data & Business Analytics del Politecnico di Milano ha stimato per il 2025 un mercato da 4,1 miliardi di euro (+20%), con la componente di Business Intelligence in crescita del 31% e quella AI del 21%.
Cambia quindi il modo in cui le organizzazioni usano i dati: non più solo per sapere cosa è successo, ma per agire su ciò che sta succedendo.
Indice dei Contenuti
1. Definizione: cosa si intende per AI agentica
Automazione classica vs AI agentica
L’automazione tradizionale, compresa la RPA (l’automazione dei processi tramite robot software), esegue sequenze di istruzioni predefinite: se accade X, fai Y. È affidabile, ma rigida. Quando il contesto cambia, o si presenta un caso non previsto, la regola si ferma o produce un risultato sbagliato.
L’AI agentica fa un passo ulteriore. Un sistema agentico riceve un obiettivo, non una sequenza di passaggi, e ragiona su come raggiungerlo: interpreta il contesto, sceglie quali strumenti e quali dati usare, valuta i risultati intermedi e adatta il proprio comportamento.
| Automazione classica | AI agentica | |
|---|---|---|
| Input | Regole e passaggi predefiniti | Obiettivi e vincoli |
| Gestione dell'imprevisto | Si ferma o sbaglia | Ragiona e si adatta |
| Uso dei dati | Puntuale, su trigger fissi | Continuo e contestuale |
| Interazione con le persone | Notifiche standard | Piena Spiegazioni, proposte, escalation mirateperabilità con reclutamento, formazione, mobilità e performance. |
Il concetto di “agente” in pratica: osserva, decide, agisce
Al di là delle definizioni, un agente AI si riconosce da tre capacità:
- Osserva: monitora dati, metriche ed eventi in modo continuo, senza attendere una richiesta.
- Decide: interpreta ciò che osserva alla luce del contesto aziendale (obiettivi, soglie, regole di business) e valuta la risposta più opportuna.
- Agisce: esegue un’azione concreta, come aprire un ticket, avviare un workflow, aggiornare un record o inviare un’analisi alla persona giusta, oppure si ferma e chiede conferma a un essere umano.
Esempi concreti in ambito business
- Un agente che monitora il portafoglio ordini e, rilevando un calo anomalo su un’area geografica, ne analizza le cause e avvisa il responsabile commerciale con una sintesi già pronta.
- Un agente di customer service che risolve in autonomia le richieste ripetitive e passa a un operatore umano quelle complesse, insieme a tutto il contesto del caso.
- Un agente di supply chain che incrocia scorte, lead time dei fornitori e previsioni di domanda, e propone un riordino prima che si verifichi una rottura di stock.
2. Perché la BI classica non basta più
Il problema dei report statici
Report e dashboard restano strumenti preziosi, ma hanno un difetto di fondo: fotografano la realtà nel momento in cui vengono consultati. Se un KPI peggiora il martedì e il report viene aperto al comitato del lunedì successivo, l’organizzazione ha perso una settimana. E spesso il segnale non viene notato affatto, perché sepolto tra decine di grafici che nessuno ha il tempo di esaminare uno per uno.
Limiti del ciclo analisi-decisione tradizionale
Il ciclo classico è lungo e frammentato: il dato viene prodotto, poi elaborato, poi visualizzato, poi letto, poi interpretato, poi discusso e solo alla fine trasformato in azione. Ogni passaggio introduce latenza e dipende dalla disponibilità di persone diverse. Quando un manager ha una domanda di approfondimento, deve tornare dal team dati e attendere una nuova analisi.
Il risultato è un divario costante tra il momento in cui il dato è disponibile e il momento in cui produce una decisione.
Cosa chiedono oggi i manager ai loro dati
Le aspettative sono cambiate. I decision maker oggi chiedono ai dati di:
- segnalare in modo proattivo ciò che richiede attenzione, invece di costringerli a cercarlo;
- spiegare il perché, non solo il cosa: quali driver hanno causato una variazione;
- rispondere in linguaggio naturale o visuale, senza passare dal team BI per ogni domanda;
- arrivare dove si lavora, nei canali di collaborazione e nelle applicazioni quotidiane;
- suggerire o avviare la prossima azione, riducendo il tempo tra insight e decisione.
È esattamente lo spazio in cui si inserisce l’AI agentica.
3. AI agentica e BI: il nuovo paradigma
Tableau Cloud e Tableau Server: l’AI agentica dove i dati sono già governati
Tableau ha costruito questo percorso per tappe. Prima con Tableau Pulse, che porta metriche e insight personalizzati direttamente nel flusso di lavoro e ne spiega i driver in linguaggio naturale. Poi con Tableau Agent, l’assistente AI che aiuta a preparare i dati, generare calcoli e creare visualizzazioni a partire da richieste in linguaggio naturale.
Con la release 2026.3 le capacità agentiche si arricchiscono su Tableau Cloud e Tableau Server, le piattaforme su cui la maggior parte delle organizzazioni ha già costruito il proprio patrimonio di dashboard, origini dati pubblicate e regole di accesso. Tre le novità principali:
- Tableau Knowledge: costruisce un knowledge graph, cioè una mappa delle relazioni tra gli asset Tableau esistenti e altre fonti di dati, strutturate e non strutturate. In questo modo gli agenti AI attingono a un contesto governato e coerente, invece di interpretare i dati senza riferimenti.
- Tableau Agent nelle dashboard: porta l’analisi conversazionale direttamente dentro le dashboard. L’utente può chiedere una sintesi della dashboard, approfondire un singolo grafico o porre domande di dettaglio in una finestra di chat, ricevendo risposte anche sotto forma di visualizzazioni. Con le Workbook Business Preferences, chi crea la dashboard può fornire all’agente regole di business e definizioni dei KPI, così che le risposte rispettino il linguaggio e le logiche dell’azienda.
- Tableau Data Apps: la novità più dirompente, che approfondiamo di seguito.
Tableau Data Apps: il vibe coding arriva nell’analytics
Il vibe coding è un nuovo modo di sviluppare software: si descrive in linguaggio naturale ciò che si vuole ottenere e un agente AI scrive il codice. Le Tableau Data Apps portano questo approccio nell’analytics: permettono di realizzare applicazioni dati personalizzate, come un simulatore di scenari, uno strumento di pianificazione o un portale per i clienti, con codice generato da un agente AI o da un modello linguistico di terze parti. Si va così oltre i limiti di una dashboard tradizionale, senza dover avviare un progetto di sviluppo software.
Il punto decisivo è la governance. Le Data Apps interrogano dati Tableau live e governati e, una volta pubblicate, ereditano i permessi di Tableau: ogni utente vede solo ciò che è autorizzato a vedere, esattamente come accade con le dashboard. È questo a distinguere il vibe code analytics da un’applicazione scritta al volo e collegata direttamente a un database: la velocità dello sviluppo assistito dall’AI, senza rinunciare a sicurezza, metriche condivise e controllo degli accessi.
Snowflake: agenti AI direttamente sui dati
Se Tableau porta l’AI agentica dove le persone consultano i dati, Snowflake la porta dove i dati risiedono. Negli ultimi mesi la piattaforma ha costruito un insieme coerente di funzionalità per l’analytics agentica:
- Snowflake Intelligence: un agente aziendale che consente alle persone di porre domande complesse in linguaggio naturale e di svolgere ricerche approfondite su dati strutturati, documenti e applicazioni di terze parti.
- Cortex Agents: i servizi con cui i team dati costruiscono agenti su misura, capaci di pianificare le attività, scegliere gli strumenti da usare e combinare dati strutturati e non strutturati. Snowflake raccomanda oggi Cortex Agents anche per gli scenari finora coperti da Cortex Analyst, il servizio di interrogazione dei dati in linguaggio naturale.
- Semantic Views: il livello semantico definito direttamente in Snowflake, che fornisce agli agenti definizioni univoche di metriche e dimensioni.
- Server MCP gestito: un’interfaccia standard (il Model Context Protocol) che consente ad agenti esterni, come Agentforce o altri assistenti AI, di lavorare sui dati Snowflake in modo controllato.
Il vantaggio per il business è duplice: gli agenti lavorano sui dati senza spostarli fuori dalla piattaforma e nel rispetto dei ruoli e dei permessi già definiti. Per le aziende che usano Tableau su Snowflake, le due tecnologie si completano: Snowflake garantisce dati integrati e un livello semantico condiviso, Tableau li trasforma in esperienze agentiche per chi deve prendere decisioni.
Il ruolo del supervisore umano: l’AI affianca, non sostituisce
AI agentica non significa decisioni lasciate alla macchina. Significa ridistribuire il lavoro: agli agenti il monitoraggio continuo, le analisi ripetitive, la preparazione delle informazioni; alle persone il giudizio, la responsabilità e le decisioni che contano.
Per questo i progetti più solidi definiscono fin dall’inizio:
- livelli di autonomia diversi in base al rischio (l’agente agisce da solo, propone e attende conferma, oppure si limita a segnalare);
- soglie di escalation chiare verso il decision maker;
- tracciabilità delle azioni compiute dagli agenti, per poterle verificare e correggere.
Anche il ruolo dei team dati evolve: meno tempo a produrre report su richiesta, più tempo a curare modelli semantici, qualità del dato e governance, cioè le fondamenta su cui gli agenti lavorano.
4. Casi d’uso pratici
Monitoraggio anomalie in tempo reale con intervento automatico
Un’azienda manifatturiera monitora decine di KPI di produzione e qualità. Un agente osserva i dati in continuo e, quando rileva una deriva anomala (ad esempio un aumento degli scarti su una linea), ne identifica i probabili driver e avvia in automatico le azioni previste: apre una segnalazione per la manutenzione, notifica il responsabile di stabilimento con l’analisi già pronta e, se necessario, propone di riprogrammare la produzione. Il tempo tra anomalia e intervento può ridursi significativamente.
Generazione di insight personalizzati per ruolo
Lo stesso dato ha significati diversi per persone diverse. Il direttore commerciale vuole sapere quali clienti chiave stanno riducendo gli ordini; il CFO è interessato all’impatto sui margini; l’area manager vuole il dettaglio sul proprio territorio. Un agente può generare sintesi personalizzate per ruolo, recapitate dove ciascuno lavora, con la possibilità di fare domande di approfondimento in linguaggio naturale senza aprire una dashboard.
Escalation intelligente verso il decision maker
Non ogni segnale merita l’attenzione di un dirigente. Un agente ben configurato gestisce in autonomia le situazioni di routine, coinvolge il livello operativo quando serve una verifica e porta al decision maker solo ciò che supera determinate soglie di impatto o di rischio, insieme al contesto necessario per decidere: cosa è successo, perché, quali opzioni sono disponibili. Il risultato è meno rumore e decisioni più rapide dove contano davvero.
5. Come iniziare
Maturità organizzativa necessaria
L’AI agentica non funziona per salti. Le organizzazioni che ottengono risultati sono quelle che hanno già una cultura del dato diffusa, processi decisionali chiari e una visione condivisa di quali decisioni possano essere supportate o automatizzate. Gartner stessa avverte che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027, a causa di costi crescenti, valore di business poco chiaro o controlli del rischio inadeguati. Il messaggio è chiaro: si parte dai casi d’uso con valore misurabile, non dall’entusiasmo per la tecnologia.
Dati e governance come prerequisiti
Un agente è affidabile quanto i dati su cui ragiona. Prima di introdurre agenti nei processi decisionali servono:
- dati integrati e di qualità, raccolti su una piattaforma moderna come la Snowflake AI Data Cloud;
- un livello semantico che definisca metriche e logiche di business in modo univoco;
- regole di data governance su accessi, sicurezza e privacy;
- meccanismi di controllo sulle azioni degli agenti e sui loro risultati.
Il percorso consigliato da BIEPM
Per accompagnare le aziende verso la BI agentica, BIEPM propone un percorso per fasi:
- Assessment: valutazione della maturità dei dati, dell’architettura e dei processi decisionali, per capire da dove partire.
- Selezione dei casi d’uso: identificazione di uno o due scenari ad alto valore e basso rischio, con KPI di successo definiti fin dall’inizio.
- Fondamenta: consolidamento dei dati, del modello semantico e della governance necessari agli agenti.
- Pilota con supervisione umana: rilascio di un primo agente in un perimetro controllato, con livelli di autonomia e soglie di escalation espliciti.
- Misurazione e scalabilità: verifica dei risultati, affinamento e progressiva estensione ad altri processi e funzioni aziendali.
Conclusione
L’AI agentica sta spostando la Business Intelligence da una logica di consultazione a una logica di azione: dati che non aspettano di essere letti, ma che segnalano, spiegano e attivano. È un cambiamento profondo, che riguarda tanto la tecnologia quanto il modo in cui le organizzazioni prendono decisioni.
Proprio per questo, l’AI agentica non è un prodotto da installare: è una capacità da costruire. Richiede dati affidabili, una governance solida, casi d’uso scelti con criterio e un nuovo equilibrio tra il lavoro degli agenti e quello delle persone.
Vuoi capire a che punto è la tua organizzazione?
Contatta BIEPM per una valutazione della maturità dei tuoi dati e dei tuoi processi decisionali: insieme individueremo i casi d’uso da cui partire e il percorso più adatto per portare l’AI agentica nella tua Business Intelligence.
