Nel corso degli anni, progettando e gestendo soluzioni Adobe, ho perso il conto delle volte in cui una domanda semplice si è trasformata in mezza giornata di lavoro. Non la domanda in sé, ma il percorso per rispondere: aprire Adobe Analytics, decidere quali dimension e metric incrociare, costruire il segment giusto, controllare che l’intervallo di date fosse coerente, esportare, ricontrollare. La domanda era “perché il fatturato mobile è calato la settimana scorsa?”. La risposta arrivava dopo quaranta clic.
Il Data Insights Agent, l’agente che Adobe ha annunciato all’Adobe Summit di marzo e che da giugno è in rollout su Adobe Analytics e Customer Journey Analytics, prova a togliere di mezzo proprio quei quaranta clic. L’idea è che tu scriva la domanda in italiano — o in inglese, o come ti viene — e sia l’agente a tradurla in query, a scegliere le metriche, a restituirti il grafico con una spiegazione a parole. Voglio raccontare cosa cambia davvero nel lavoro di chi analizza, e dove secondo me il rischio non è la tecnologia ma la fiducia che le concediamo.
Cosa fa, in concreto
Il Data Insights Agent è uno degli agenti che Adobe ha inserito nel proprio orchestratore agentico (l’Adobe Experience Platform Agent Orchestrator). In pratica è un’interfaccia conversazionale sopra ai dati di Analytics e CJA. Gli scrivi una domanda in natural language e lui:
- interpreta l’intento (quale metrica, quale dimensione, quale periodo);
- costruisce ed esegue la query sui dati a cui hai accesso;
- ti restituisce una visualizzazione e un riassunto testuale del risultato;
- ti permette di rilanciare — “e se lo guardo solo per il traffico organico?” — senza ripartire da zero.
La differenza rispetto alla ricerca “anomaly detection” o “contribution analysis” che già conosciamo è il punto di ingresso. Prima partivi da una struttura — un workspace, un pannello, una tabella — e la piegavi alla domanda. Ora parti dalla domanda e la struttura te la costruisce lui. È un cambio di direzione, non solo di velocità.
Cosa cambia per chi analizza
Qui c’è la parte che mi interessa di più, perché tocca il mestiere. Per anni la competenza dell’analista è stata in buona parte operativa: sapere dove sta la metrica giusta in Adobe Analytics, conoscere la differenza tra un visit e un visitor, ricordarsi che quel calculated metric era stato definito in un certo modo. Una fetta enorme di valore era la fluency con lo strumento.
Quando la query manuale diventa una domanda in italiano, quella fluency operativa smette di essere il collo di bottiglia. E succede una cosa che ho già visto in altri contesti: si abbassa la barriera d’ingresso, ma si alza l’asticella su cosa distingue un bravo analista. Se chiunque nel team marketing può chiedere “quali prodotti hanno più abbandoni nel checkout mobile”, il valore non è più nel saper costruire quella tabella. Il valore diventa saper porre la domanda giusta e — soprattutto — saper leggere se la risposta ha senso.
Faccio un esempio dal campo, anonimizzato. Un merchant fashion, giro attorno ai 15M di GMV, mi raccontava mesi fa la frustrazione del suo team: le persone brave a fare domande di business non sapevano usare lo strumento, e le persone che sapevano usare lo strumento non conoscevano abbastanza il business per fare le domande giuste. Il risultato era un imbuto: tutto passava da due o tre analisti, che erano perennemente in coda. Un agente come questo, in teoria, scioglie quell’imbuto. In teoria.
Dove accelera davvero
Sono convinto che l’accelerazione vera stia in una fase precisa: l’esplorazione. La fase in cui non sai ancora cosa stai cercando, provi dieci angolazioni, scarti nove. È la fase più costosa in tempo e la meno costosa in rischio, perché stai solo formando ipotesi, non prendendo decisioni. Poter chiedere dieci domande in dieci minuti invece che in due ore è un guadagno reale, e non lo sto abbellendo: è il tipo di attività dove l’attrito dello strumento pesava di più.
Accelera anche la democratizzazione della prima risposta. Il product manager che vuole sapere il conversion rate di una collezione non deve più aprire un ticket all’analista. Se lo chiede, lo ottiene. Questo, gestito bene, libera gli analisti dalle domande banali e li lascia sui problemi veri.
Dove il rischio è fidarsi troppo
E qui arrivo alla mia opinione netta, quella per cui scrivo questo pezzo invece di limitarmi a descrivere l’annuncio. Il rischio del Data Insights Agent non è che sbagli. È che sbagli in modo plausibile, e che nessuno abbia più gli strumenti per accorgersene.
Quando costruivi la query a mano, eri costretto a fare i conti con le definizioni. Dovevi scegliere quel segment, quella metrica, e nel farlo capivi cosa stavi misurando. L’attrito era anche una forma di controllo. Se un agente ti risponde “il fatturato mobile è calato del 12%”, tu vedi un numero e una frase in italiano ben scritta, ma non vedi le assunzioni sotto: ha incluso i resi? Che attribuzione ha usato? Il “mobile” comprende il tablet? Ha filtrato i bot? Il rischio è che la fluidità della risposta ci convinca a saltare le domande che prima eravamo obbligati a farci.
C’è una seconda insidia, più sottile. Un agente conversazionale tende a voler rispondere. Se gli fai una domanda mal posta, difficilmente ti dice “questa domanda non ha senso con i dati che hai”. Più probabilmente ti restituisce comunque un numero, e quel numero avrà l’aria di una risposta. Nella query manuale, una domanda mal posta di solito produceva una tabella vuota o palesemente rotta — un segnale. Qui il segnale rischia di sparire.
Non lo dico per frenare. Lo dico perché la storia degli strumenti di self-service analytics l’abbiamo già vista: ogni volta che abbassi la barriera, moltiplichi anche i numeri sbagliati che girano nelle riunioni con l’autorevolezza di un dato. La differenza, stavolta, è che la risposta arriva già confezionata in una frase persuasiva. E una frase persuasiva è più difficile da mettere in discussione di una tabella grezza.
Come lo userei, se fossi in te
La mia posizione, al 18 luglio 2025, è pragmatica. Userei il Data Insights Agent come acceleratore dell’esplorazione e della prima risposta, e terrei l’analista umano come validatore delle decisioni. Regola pratica: più la risposta pesa su una decisione — un budget, una campagna, un cambio di roadmap — più deve passare da chi conosce le definizioni sotto. Per capire un trend, l’agente basta e avanza. Per giustificare una spesa a sei zeri, no.
E investirei sulla cosa che l’agente non sostituisce: la capacità di porre buone domande e di dubitare delle buone risposte. È lì che, secondo me, si sposta il mestiere. Non sparisce l’analista. Cambia cosa lo rende bravo.
Mini-FAQ
Cos’è il Data Insights Agent di Adobe?
È un agente conversazionale, annunciato all’Adobe Summit di marzo 2025 e in rollout da giugno 2025 su Adobe Analytics e Customer Journey Analytics, che permette di interrogare i dati in linguaggio naturale invece di costruire query manuali.
Sostituisce l’analista dei dati?
No. Abbassa la barriera operativa e accelera l’esplorazione e la prima risposta, ma sposta il valore dell’analista dal saper usare lo strumento al saper porre la domanda giusta e validare la risposta.
Qual è il rischio principale?
Fidarsi troppo. L’agente restituisce risposte plausibili e ben formulate senza mostrare le assunzioni sottostanti (attribuzione, filtri, definizioni delle metriche), e tende a rispondere anche a domande mal poste. Per le decisioni ad alto impatto serve ancora un controllo umano competente.
Fabio Canovi è consulente Adobe presso il gruppo Lutech, certificato Adobe Commerce, Adobe Experience Manager, Adobe Analytics e Adobe Target. Approfondisce l’evoluzione dell’AI agentica e il suo impatto su chi vende e analizza online.