Cos'è l'AI analytics? Perché funziona solo su dati governati

L'AI analytics è la pratica di applicare l'intelligenza artificiale e il machine learning all'analisi dei dati, consentendo ai sistemi di far emergere pattern, generare insight e rispondere a domande in linguaggio naturale senza la creazione manuale di query. Sposta l'analisi dalle dashboard retrospettive verso workflow automatizzati, conversazionali e predittivi su cui un gruppo più ampio di utenti aziendali può agire direttamente.

Oggi qualsiasi vendor di BI è in grado di fare una demo di una query in linguaggio naturale. Fai una domanda, ottieni un grafico, fai un'ottima figura davanti a tutti. La domanda più difficile, quella che distingue una piattaforma che definisce una categoria da una semplice buona demo, è cosa succede quando lo stesso sistema si scontra con una vera realtà enterprise: definizioni di metriche contrastanti, cinque tabelle che potrebbero plausibilmente rispondere alla domanda e un utente che tecnicamente non dovrebbe vedere la metà dei dati sottostanti.

Richard Tomlinson guida il product marketing per i prodotti di business intelligence e analytics di Databricks. In questa conversazione abbiamo analizzato cosa cambia quando la BI diventa AI-native, perché la governance si rivela ancora più importante con l'AI anziché meno, e cosa un data leader dovrebbe chiedere ai vendor invece di quale foundation model utilizzino.

In cosa l'AI analytics si differenzia dalla BI tradizionale?

La BI è sempre stata in grado di dirti cosa è successo. Cosa c'è di veramente diverso nell'AI analytics e perché è qualcosa di più di una semplice BI con un chatbot aggiunto a posteriori?

Richard Tomlinson: Una buona BI ha sempre aiutato le persone a capire qualcosa in più rispetto al semplice accaduto. Il vero limite è che la BI tradizionale richiede generalmente un intervento umano per navigare nel percorso analitico. Qualcuno deve decidere quale dashboard aprire, quali filtri applicare, in quali dimensioni fare drill-down, quale query successiva eseguire e spesso quando coinvolgere un analista.

L'AI analytics cambia chi svolge questo lavoro. Invece di presentare una vista predefinita dei dati, un sistema basato sull'AI è in grado di comprendere l'intento alla base di una domanda aziendale, determinare quali dati e contesti di business sono rilevanti, generare ed eseguire le query necessarie e, sempre più spesso, condurre un'indagine in più fasi per conto dell'utente.

Quest'ultima parte è quella in cui l'analytics agentica diventa importante. Se chiedo: "Perché il margine è sceso nel Nord-Est lo scorso trimestre?", un sistema agentico non deve tradurre questa domanda in una singola query SQL e restituire un grafico. Può formulare ipotesi, esaminare il mix di prodotti, la scontistica, i segmenti di clientela o i costi, apprendere da ogni risultato e sintetizzare le prove in una spiegazione.

Quindi l'evoluzione è all'incirca questa:

• Dashboard: mostrami ciò che abbiamo già deciso di misurare.
• Analytics conversazionali: lasciami fare una nuova domanda.
• Analytics agentiche: indaga sulla domanda al posto mio.

Si tratta di una svolta molto più fondamentale rispetto all'inserimento di una chat box su una dashboard.

Quindi, se le dashboard mostrano cosa è successo, cosa fa emergere questa indagine? Cosa può dire l'analytics basata sull'AI a un decision-maker che una dashboard non potrebbe mai rivelare?

Richard Tomlinson: Il cambiamento più grande è il passaggio dall'osservazione all'indagine. Una dashboard potrebbe dire a un retailer che il margine lordo è sceso di tre punti. È un'informazione utile, ma lascia comunque il decision-maker a chiedersi il perché.

Un sistema basato sull'AI può verificare se il calo è concentrato in determinati punti vendita, prodotti o segmenti di clientela, verificare se la scontistica è cambiata, determinare se il mix di prodotti si è spostato, confrontare le tempistiche con le promozioni o i cambi di fornitore e sintetizzare questi risultati in una spiegazione. L'output di valore non è un altro grafico. Potrebbe essere qualcosa di più simile a: il margine è sceso principalmente perché una percentuale maggiore di vendite si è spostata verso due categorie di prodotti fortemente scontate nel Nord-Est, mentre il volume unitario e l'acquisizione sono rimasti stabili. Questo è molto più vicino alle informazioni che una decisione richiede effettivamente.

Descriverei la progressione in questo modo: cosa è successo, cosa è cambiato, perché è cambiato, cosa dovrei esaminare o decidere in seguito. E non arriverei a dire che ogni sistema di AI analytics possa prendere o eseguire autonomamente la decisione stessa. Il progresso significativo a breve termine consiste nel ridurre drasticamente il lavoro analitico richiesto per passare da un segnale a una decisione ben supportata.

Cosa significa per l'AI interpretare i dati in modo semantico?

Ha parlato di AI analytics che interpretano i dati in modo semantico. Cosa significa in pratica?

Richard Tomlinson: L'AI analytics continua assolutamente a interrogare i dati. La differenza è che deve capire cosa significano i dati prima di decidere come interrogarli.

Un database può dire a un sistema di AI che esiste una colonna chiamata net_rev, un'altra chiamata bookings e una relazione tra due tabelle. Non può dirgli cosa intende l'azienda per "ricavi", se i dirigenti utilizzano i ricavi prenotati o quelli riconosciuti, quale calendario fiscale si applica, quale gerarchia di clienti è autorevole o se gli ordini annullati debbano essere inclusi. Queste sono domande semantiche. Rappresentano il significato di business che si colloca tra il linguaggio dell'utente e i dati fisici.

In pratica, un solido sistema di AI analytics ha bisogno di definizioni governate di metriche e KPI, dimensioni e relazioni tra entità aziendali, la terminologia e i sinonimi utilizzati dall'azienda, regole di business e logiche di calcolo, fonti autorevoli, autorizzazioni e governance, e spesso la conoscenza istituzionale acquisita dal modo in cui le persone hanno storicamente utilizzato i dati. Questo contesto è ciò che consente al sistema di tradurre "Come stanno andando i rinnovi enterprise?" nella corretta interpretazione di enterprise, rinnovo e andamento prima ancora di costruire una query.

Ecco perché la semantica diventa più importante con l'AI, non meno.

Come si rende affidabile l'analytics generata dall'AI?

Se un data leader le chiedesse senza mezzi termini: "come faccio a rendere affidabile l'analytics generata dall'AI?", quale sarebbe la sua risposta onesta?

Richard Tomlinson: Non iniziare dal modello. Inizia dalle fondamenta su cui il modello è autorizzato a ragionare. Credo che un'analytics AI affidabile si riduca a quattro elementi.

Primo, dati affidabili: l'AI ha bisogno di un accesso governato agli stessi dati aziendali di cui ti fideresti per un report esecutivo, non di copie esportate in un ambiente AI separato. Secondo, un contesto aziendale affidabile: definizioni condivise per le metriche, le entità e la terminologia che contano per il business. Fornire a un LLM lo schema di un database non equivale a insegnargli come funziona l'azienda. Terzo, un'esecuzione affidabile: la governance e le autorizzazioni devono essere trasmesse dall'utente ai dati. Un sistema di AI non dovrebbe aggirare i controlli di accesso esistenti solo perché qualcuno ha posto una domanda in linguaggio naturale. Quarto, verificabilità: gli utenti e i team di dati hanno bisogno di prove da poter ispezionare, dei dati di origine, dei calcoli o delle query alla base della risposta, di citazioni ove opportuno e di un modo per valutare le risposte in modo sistematico rispetto a domande di cui si conosce l'esattezza.

Quest'ultimo punto è ancora più importante quando l'analytics diventa agentica. Una singola query errata produce una sola risposta sbagliata. Un agente può prendere molteplici decisioni analitiche durante un'indagine, quindi sono necessari meccanismi per il grounding e la convalida dell'intero processo, non solo dell'output finale.

L'idea chiave è che la fiducia è una proprietà del sistema, non del modello. Un LLM più potente da solo non rende affidabile l'analytics aziendale.

Perché tutto crolla quando non si basa su dati governati? Cosa va storto, concretamente?

Richard Tomlinson: Vorrei fare una distinzione: la governance è necessaria, ma non è sufficiente da sola. Si possono avere dati perfettamente governati e ottenere comunque una risposta errata fornita con assoluta sicurezza se l'AI non capisce cosa significano quei dati.

Senza una base governata, diverse cose possono andare storte contemporaneamente. Il sistema potrebbe selezionare una tabella obsoleta invece di quella certificata. Due utenti potrebbero ottenere risposte calcolate da versioni diverse dello stesso KPI. Informazioni sensibili potrebbero essere esposte a chi non dovrebbe vederle. E quando una risposta sembra errata, il team di dati potrebbe non avere un modo affidabile per tracciare quale dato o calcolo l'abbia prodotta.

L'AI amplifica questi problemi perché espande drasticamente la platea di chi può interrogare i dati e il numero di domande che possono essere poste. In precedenza, un'ambiguità avrebbe potuto spingere un analista a chiedere chiarimenti. Un sistema di AI può invece formulare un'ipotesi plausibile e procedere con sicurezza.

Ecco perché le fondamenta hanno bisogno di governance più semantica: controllo su quali dati possono essere utilizzati e su chi può accedervi, e una comprensione condivisa di ciò che quei dati significano. L'obiettivo non è semplicemente fermare le allucinazioni. È garantire che l'analytics generata dall'AI operi con le stesse definizioni, autorizzazioni e standard di prova che l'organizzazione già si aspetta dall'analytics generata dall'uomo.

Cosa succede quando i team definiscono la stessa metrica in modo diverso?

Molte organizzazioni hanno definizioni di business diverse che risiedono in strumenti di BI diversi. Qual è il rischio una volta che l'AI entra in gioco e come dovrebbe pensare un data leader a standardizzare queste definizioni?

Richard Tomlinson: L'AI trasforma un problema di BI di vecchia data in uno molto più grande. Le organizzazioni hanno sempre lottato con definizioni contrastanti di elementi come ricavi, clienti attivi, churn o conversione. Con le dashboard, queste incongruenze sono almeno relativamente limitate. Il reparto Finance ha la sua dashboard, il reparto Sales ne ha un'altra e le persone alla fine imparano quale utilizzare.

L'AI elimina questi confini. Un utente chiede semplicemente: "A quanto ammontavano le entrate lo scorso trimestre?" Ora l'AI deve decidere quale definizione, dataset e calcolo rappresentino il significato inteso dall'organizzazione. Se queste definizioni sono frammentate tra singoli strumenti di BI, modelli semantici e dashboard, all'AI viene di fatto chiesto di risolvere autonomamente un disaccordo organizzativo. Questo è pericoloso, perché la risposta potrebbe comunque sembrare del tutto ragionevole.

La soluzione non è necessariamente un unico modello semantico gigantesco che cerca di descrivere l'intera azienda. Si tratta invece di spostare i significati aziendali critici in definizioni semantiche condivise e governate, che risiedono vicino ai dati sottostanti e sono riutilizzabili in tutte le esperienze analitiche e di AI. Questo diventa ancora più importante man mano che le aziende distribuiscono un numero maggiore di agenti AI. Non vuoi che ogni dashboard, copilot e agente impari in modo indipendente cosa significano le "entrate nette". Vuoi che tutti attingano dallo stesso contesto aziendale condiviso.

Questo è uno dei più grandi cambiamenti architetturali che l'AI introduce nell'analytics: la semantica non può più risiedere esclusivamente all'interno del livello di presentazione.

Perché gli utenti hanno bisogno di vedere come l'AI è arrivata alla sua risposta?

Al di là dell'accuratezza, perché è importante che un utente aziendale possa vedere come l'AI è arrivata a una risposta, e non solo la risposta stessa?

Richard Tomlinson: Perché l'analytics non consiste solo nell'ottenere una risposta, ma nell'avere prove sufficienti per prendere una decisione basata su quella risposta. Se un'AI dice a un responsabile delle vendite che il churn aziendale è aumentato del 14%, le domande successive naturali sono: rispetto a quale periodo, quali clienti sono inclusi, come viene definito il churn, quali dati supportano questa conclusione e posso analizzarli nel dettaglio? Un sistema affidabile dovrebbe consentire di rispondere a queste domande.

Vorrei essere preciso su cosa significhi "mostrare come l'AI è arrivata a quel risultato". Non significa esporre il ragionamento privato o la catena di pensieri del modello. Ciò di cui gli utenti hanno bisogno sono la provenienza e le prove: le fonti di dati utilizzate, i calcoli o le query eseguite, le citazioni pertinenti, le tabelle e le visualizzazioni di supporto e le ipotesi che influenzano materialmente il risultato.

Questo conta ancora di più con l'analytics agentica. Se un agente esegue un'indagine in dieci passaggi, l'utente non dovrebbe fidarsi ciecamente del paragrafo finale. Dovrebbe essere in grado di esaminare le prove alla base delle conclusioni importanti. La trasparenza cambia anche il comportamento degli utenti. Trasforma l'AI da un oracolo a un partner analitico. Le persone possono contestare una risposta, indagare ulteriormente e decidere autonomamente se le prove sono sufficientemente solide per agire.

In che modo un sistema di analytics basato su AI decide di quale fonte di dati fidarsi?

Quando ci sono più risposte o fonti plausibili, in che modo la tua AI sa di cosa fidarsi?

Richard Tomlinson: Quasi tutti i vendor sono in grado di mostrare un'impressionante demo in linguaggio naturale. La parte difficile è ciò che accade quando l'ambiente aziendale reale è disordinato. E se Finance e Sales calcolano le entrate in modo diverso? E se ci fossero cinque tabelle che potrebbero rispondere alla domanda? E se una fonte fosse certificata e un'altra fosse stata creata ieri? E se la persona che fa la domanda avesse l'autorizzazione per vedere solo una parte dei dati sottostanti?

Il vendor dovrebbe essere in grado di spiegare come il suo sistema comprende le definizioni aziendali, determina l'autorità della fonte, applica le autorizzazioni degli utenti, gestisce l'ambiguità e mostra le prove per la risposta risultante. Se la risposta è essenzialmente "ci pensa l'LLM", sarei molto cauto. Per i sistemi agentici questo diventa un problema ancora più grande, perché il sistema non prende una singola decisione di recupero, ma potrebbe prendere decine di decisioni su quali dati esaminare e quale ipotesi perseguire.

Questa domanda si avvicina molto di più a stabilire se una piattaforma di analytics basata su AI sopravviverà all'impatto con una vera azienda disordinata, rispetto al chiedere su quale modello di base sia eseguita.

Modelli di AI migliori eliminano la necessità del contesto aziendale?

Qual è una convinzione diffusa tra la maggior parte dei data leader riguardo all'analytics basata su AI che ritieni errata o sopravvalutata?

Richard Tomlinson: L'errore di valutazione più grande è pensare che modelli di AI migliori elimineranno la necessità di modellare e curare il contesto aziendale. Sta accadendo il contrario. Gli LLM sono straordinariamente bravi a comprendere il linguaggio e a ragionare sulle informazioni, ma non possono dedurre con certezza le definizioni aziendali private di un'organizzazione. Non sanno intrinsecamente quale dei tuoi cinque calcoli delle entrate il CFO consideri autorevole, cosa significhi "cliente attivo" nella tua azienda o di quale dataset fidarsi per una riunione del consiglio di amministrazione. Man mano che l'AI diventa più capace e autonoma, quel contesto diventa più importante, perché l'AI prende più decisioni per conto dell'utente.

Un secondo errore di valutazione è che l'AI renda obsolete le dashboard. Non credo sia così. Le dashboard rimangono estremamente efficaci quando sai cosa vuoi monitorare: entrate, pipeline, utilizzo, churn, inventario, livelli di servizio. L'AI diventa più potente quando la domanda non è già codificata nella dashboard, in particolare quando qualcuno chiede il perché, vuole esplorare un cambiamento imprevisto o ha bisogno di un'indagine che spazia su più dimensioni.

Il futuro della BI non è la chat al posto delle dashboard. È un continuum in cui las dashboard gestiscono domande note, l'analytics conversazionale gestisce domande ad hoc e gli agenti gestiscono sempre più spesso indagini complesse. Questa è una definizione più credibile della prossima generazione di BI rispetto alla semplice sostituzione di ogni dashboard con un chatbot.

L'analytics basata su AI non elimina il duro lavoro della BI, lo ricolloca

Il filo conduttore di tutto questo è che l'analytics basata su AI non elimina il duro lavoro della BI, lo ricolloca. Il lavoro di definizione delle metriche, di governance degli accessi e di accordo su cosa significhino le "entrate" non scompare quando si aggiunge un'interfaccia in linguaggio naturale. Diventa più importante, perché il sistema ora prende decisioni discrezionali che un tempo spettavano a un analista umano, a una scala che nessun team di analisti potrebbe mai eguagliare.

Per i data leader che valutano piattaforme AI-first, la domanda non è se la demo sia accattivante. È se il sistema sottostante, i dati governati, la semantica condivisa, l'esecuzione basata sulle autorizzazioni, le prove verificabili, siano stati creati per sopravvivere all'impatto con una vera azienda disordinata. Questa è la base che trasforma l'analytics basata su AI da un impressionante motore di query in qualcosa di cui ci si può fidare per guidare una decisione.

Scopri come le dashboard basate su AI e l'analytics conversazionale funzionano direttamente sui dati governati. Esplora Databricks AI/BI

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale