L'onesto sguardo di un professionista sugli agenti dati di intelligenza artificiale orizzontali - Snowflake Cortex, Databricks Genie, Microsoft Fabric - e in cui un’assistente BI-nativa come JAS dimostra concretamente il proprio valore. Spoiler: la chat box non è mai stata la parte difficile.
Se hai seguito una demo di data-agent nell'ultimo anno, ne conosci la forma. Qualcuno digita "mostrami le entrate per regione l'ultimo trimestre" in una chat box, una query SQL pulita si scrive, appare una tabella, forse un grafico, e i presenti annuiscono. È una buona demo. È pensata per essere una buona demo.
Poi si torna al proprio ambiente – quello con 3.000 rapporti, quarant’anni di nomi di tabelle accumulate che avevano senso per qualcuno nel 2009, un team finanziario che definisce “cliente attivo” in modo diverso dalle vendite, e un responsabile della conformità che metterà personalmente fine alla tua carriera se i dati dei pazienti lasciano l’edificio – e la magia demo diventa più tranquilla.
Abbiamo trascorso una buona parte del 2026 a guardare maturare gli agenti dati orizzontali: Snowflake Cortex, Databricks Genie, gli agenti dati di Microsoft Fabric e Copilot, e le soluzioni che le persone assemblano autonomamente con ClickHouse, LibreChat, un archivio vettoriale e un fine settimana. Sono davvero impressionanti e vogliamo dare loro un vero merito prima di dirti dove pensiamo che mostrino dei limiti - perché la versione onesta di questo confronto è più utile della versione della brochure, e sembra essere comunque più lusinghiera per l'approccio BI-nativo.
Ecco quindi la versione onesta.
Questi strumenti si trovano vicino ai tuoi dati grezzi. Questa è tutta la loro tesi, ed è buona. Quando non è mai stata posta una domanda prima - una prospettiva davvero nuova che nessun analista ha anticipato - un agente cablato direttamente nel magazzino può ragionare sulle le tabelle grezze e cercare di rispondere. Per l’esplorazione aperta, per il lavoro di data-science, per la fase “Non so ancora cosa sto cercando”, quella vicinanza alla struttura lakehouse è un vero vantaggio. Scalano con il tuo calcolo. A loro non importa che la tua domanda sia strana.
Se lavori in un’organizzazione basata su Snowflake o usi Fabric, anche la storia di integrazione è pulita: l’agente gira all’interno della piattaforma che già paghi, sotto i controlli di accesso che hai già configurato. La governance a livello di magazzino è reale: i criteri di accesso alle righe di Snowflake, i permessi di Unity Catalog di Databricks e Microsoft Purview in Fabric si applicano tutti anche all’agente. Chiunque ti dica che questi agenti “ignorano la tua sicurezza” ti sta vendendo qualcosa. Non lo fanno. Gli utenti vedono le righe che possono vedere.
Quindi: potente, ben governato al livello dei dati, ottimo per l'esplorazione. Questo è il punto di partenza giusto.
Ecco cosa la demo non ti mostra e di cosa sono sorprendentemente sinceri i venditori una volta che hai letto oltre il marketing.
Nessuno di questi agenti è magico su uno schema grezzo. Sono affidabili solo dopo che qualcuno ha svolto il duro, poco glamour lavoro di costruire un livello semantico sopra i dati.
Snowflake lo dice quasi parola per parola nella propria documentazione: un modello generico fatica se riceve soltanto uno schema di database, perché gli schemi non contengono definizioni aziendali o logica metrica. La loro risposta è il modello semantico: un file YAML (o ora una visione semantica) in cui un essere umano codifica che cosa significano le tabelle, quali join sono validi, come viene calcolata ogni metrica, a cosa si riferisce effettivamente “CUST_ID”. Senza di esso, sei tornato a un completamento automatico intelligente che indovina i percorsi di join. E Cortex stessa viene fornita come API; non esiste un'interfaccia in bundle che gli utenti aziendali possono semplicemente aprire.
Un Genie Space è uno spazio che un analista di dati configura: registrare le tabelle in Unity Catalog, limitarlo a trenta per spazio, aggiungere query SQL di esempio, scrivere istruzioni, definire “asset attendibili” — query pre-verificate, parametrizzate per le domande che si anticipano. Genie fa meglio sulle domande che hai previsto e preparato. La risposta torna come una tabella di risultati, e Databricks nota chiaramente che un utente non tecnico spesso non può leggere abbastanza bene il SQL generato per sapere se è giusto.
Microsoft Fabric ti dice di fare gli stessi compiti: costruisci un modello semantico Power BI curato con relazioni e misure definite a mano, poi collega un agente dati al modello. E se rendi accessibile quell’agente attraverso Copilot Studio o M365, le risposte possono viaggiare al di fuori del confine di conformità e della geografia di Fabric - un dettaglio che il tuo team di sicurezza vorrà sapere prima, non dopo.
La chat box è la parte più semplice. Il livello semantico è il prodotto reale.Ogni agente orizzontale è un guscio conversazionale sottile e brillante avvolto intorno a un progetto di modellazione che devi costruire e mantenere. L’intelligenza non è nel LLM. È nella descrizione curata della tua attività che fornisci al LLM.
Il che riformula l'intera domanda di acquisto. Non è “questo strumento ha l’IA?” Ora tutto ha l'IA. La vera domanda è: dove vive la tua logica aziendale, chi la mantiene, e in quanti posti devi mantenerla?
È qui che entra in gioco JAS di TURBOARD, e l'argomento per esso è quasi imbarazzantemente semplice una volta che l'inquadratura sopra è sul tavolo.
Se già esegui le tue analisi in una piattaforma BI, hai già costruito il livello semantico. Le viste governate, le descrizioni di nodi, tabelle e campi, le misure calcolate, le dashboard, i filtri, il modello di autorizzazione, che è il contesto aziendale curato che gli agenti orizzontali ti chiedono di andare a costruire da zero in YAML. JAS è un’assistente che legge il bene che hai già pagato e mantenuto, invece di chiederti di costruirne una seconda copia da qualche altra parte.
Da questo singolo fatto derivano alcune conseguenze che contano più di quanto sembrino:
Collega un agente dati separato a un data warehouse e ora hai due sistemi che rispondono alla stessa domanda - la dashboard certificata e la chat box - senza alcuna garanzia che le risposte coincidano. Quando l’assistente opera dentro il livello BI e ragiona attraverso lo stesso modello governato che utilizzano le dashboard, la risposta nella chat e la risposta sulla dashboard sono la stessa risposta. Le regole di governance non si duplicano, non divergono e non finiscono per contraddirsi silenziosamente.
Un agente orizzontale ti consegna una tabella. Scompare quando chiudi la scheda. JAS produce dashlet e dashboard nativi: cose interattive in cui puoi approfondire l’analisi, filtrare e fissare i risultati. La risposta non si ferma a “ecco il numero”; diventa parte della superficie di analisi che la tua organizzazione utilizza già domani.
Gli agenti di magazzino applicano la sicurezza a livello di riga: il credito dove dovuto. Il vantaggio dell’approccio BI-nativo non è “abbiamo sicurezza e non lo fanno”. È che non stai mantenendo la tua logica di accesso in due luoghi e pregando che rimangano in sincronia - e che per il lavoro regolamentato, JAS può funzionare su modelli di linguaggio piccoli on-premise in modo che i prompt e i dati non lascino mai la tua infrastruttura.
Un “portale di dati” separato suona grande in una demo e muore nell’uso quotidiano, perché usarlo significa lasciare la tua dashboard, ridescrivere ciò che stavi guardando e tornare. JAS si presenta nel punto di consumo – nella dashboard, accanto al dashlet, in un riquadro globale – quindi la domanda e i dati vivono nello stesso posto.
Quest’ultimo punto è dove i due pezzi più recenti di JAS rendono concreta l’astrazione.
Un widget JAS che si inserisce direttamente in una dashboard. Legge lo stato attuale di quella dashboard - o di un dashlet specifico - e lo riassume, lo spiega o risponde a domande di approfondimento su esattamente ciò che è sullo schermo. Il dettaglio che ci piace: si imposta una persona per widget. La stessa dashboard di vendita può essere spiegata in un modo per un revisore finanziario che vuole cifre precise accompagnate dalle dovute riserve, e un altro modo per un responsabile delle operazioni che vuole la tendenza e il “che cosa implica”. La spiegazione del cruscotto smette di essere un paragrafo di intelligenza artificiale generico e diventa consapevole dei ruoli.
Affronta un problema che la folla di agenti orizzontali ignora per lo più, perché tutta la loro visione del mondo è “generare la risposta da dati grezzi”. In un’organizzazione matura, la risposta di solito esiste già. Qualcuno ha già costruito il cruscotto certificato. Il problema reale non è la generazione, ma scoperta: trovare l'unica visione affidabile tra migliaia di report.
Il riquadro JAS ti consente di fare una domanda da qualsiasi punto della piattaforma. Utilizzando la generazione aumentata dal recupero di informazioni sulle descrizioni di nodi, tabelle e campi più modelli di utilizzo reali, trova la vetrina o il dashboard più rilevante e più utilizzato, applica il filtro giusto e mette la risposta di fronte a te in pochi secondi. Non è rigenerare una risposta da zero e sperare che corrisponda a quella ufficiale: ti sta indirizzando alla risorsa di fiducia e filtrandola alla tua domanda. Un agente text-to-SQL riscriverà allegramente una query che un analista ha già perfezionato e certificato mesi fa, possibilmente in modo diverso. Il riquadro JAS ti indica quello certificato. In un ambiente affollato, questa è la differenza tra un’assistente e un rischio.
Abbiamo detto che saremmo sinceri, quindi: ci sono casi reali in cui preferiremmo Cortex, Genie o un agente Fabric a un assistente BI-nativo.
| Se la tua situazione è... | La scelta più adatta è... |
|---|---|
| I dati non sono ancora modellati in uno strumento di BI: risiedono in un lakehouse, gli utenti sono data scientist che fanno esplorazioni aperte contro le tabelle grezze su larga scala | Un agente nativo del data warehouse che opera vicino alle risorse di calcolo |
| Il valore di cui hai bisogno è “poni qualsiasi domanda sui dati grezzi, comprese le domande che nessuno aveva previsto” | Vince la vicinanza al magazzino |
| Sei all-in sull'ecosistema di una piattaforma cloud e non hai mai intenzione di lasciare | L'integrazione nativa è veramente conveniente |
| Le tue analisi vivono già in una piattaforma di BI governata, utilizzata quotidianamente dai responsabili delle decisioni aziendali | Un’assistente BI-nativa come JAS riutilizza il livello che hai già costruito |
E anche la JAS non è una stregoneria. La sua qualità dipende dalla modellazione semantica su cui si basa: le viste, le descrizioni, le misure. Se sono sciatti, JAS sarà sciatta. La simmetria onesta è questa: entrambi gli approcci dipendono da uno strato semantico ben costruito. La differenza è che con una piattaforma BI che molto probabilmente ne hai già costruita e mantenuta una, e un assistente BI-nativo la riutilizza - mentre un agente orizzontale ti chiede di costruire (o ricostruire) quel livello come artefatto separato, quindi mantenerlo in parallelo per sempre.
Il modo più pulito che abbiamo trovato per dirlo: gli agenti dati orizzontali ti permettono di parlare con i tuoi dati. Questo è prezioso. Ma la business intelligence non è mai stata solo tabelle e domande. Comprende modelli governati, dashboard, filtri, convenzioni visive, autorizzazioni, personas e un decennio di memoria istituzionale su quale report sia davvero affidabile.
Un assistente bi-nativo ti permette di parlare con la tua BI — l'intero ambiente governato, non solo la banca dati in esso.
Se le tue analisi vivono già in una piattaforma BI, il lavoro di base semantico che rende affidabile qualsiasi assistente AI è un lavoro che hai già fatto. La domanda che vale la pena di chiedere a un fornitore non è se hanno aggiunto una chat box. L'hanno fatto tutti. È se la loro intelligenza artificiale comprende il business che hai già modellato, rispetta la governance che già impostavi e risponde all’interno del flusso di lavoro che le tue persone già usano – o se è un altro posto per ricostruire tutto questo e un’altra fonte di verità da conciliare.
La chat box non è mai stata la parte difficile. La parte difficile è sapere che ti sta dicendo la verità.
Se la tua analisi vive già in un ambiente BI governato, JAS non ti chiede di ricostruirlo: legge il livello semantico in cui hai già investito e risponde all'interno delle dashboard che le tue persone utilizzano già.
Prenota una dimostrazione con il nostro team e vedi JAS, JASlet e il pannello globale JAS che lavora con un modello governato, con il supporto SLM on-premise per ambienti regolamentati.
Puoi anche esplorare il nostro Confronto BI completo per vedere come TURBOARD si confronta in più scenari aziendali.
Dimostriamo JAS sui tuoi report, sulle tue definizioni e sul tuo contesto di sicurezza — non su un database di esempio generico.