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. La tesi che voglio provare a difendere è una sola, ed è meno consolatoria di quanto sembri: un agente così non potenzia tutti allo stesso modo. Moltiplica chi le definizioni le ha già in testa, e disorienta chi non le ha. Il valore si sposta, non si distribuisce.
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 “anomaly detection” o alla “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. E su questo Adobe ha fatto la mossa giusta: aprire le piattaforme agli agenti nel punto in cui i dati già vivono è esattamente dove ha senso metterli.
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.
È il motivo per cui non riesco a scrivere questo pezzo in modo entusiasta e basta. L’agente accelera se chi lo guida sa già cosa sta misurando. Senza quel “se”, non è neutro: è dannoso, perché produce numeri sbagliati con la faccia di numeri giusti.
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, perennemente in coda. Un agente come questo, in teoria, scioglie quell’imbuto. In teoria: perché se togli l’imbuto senza travasare la competenza, quello che ottieni non sono più risposte buone, sono più risposte.
Dove accelera davvero
Credo che l’accelerazione vera stia in una fase precisa: l’esplorazione. La fase in cui non sai ancora cosa stai cercando, provi dieci angolazioni, ne 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. “Gestito bene” sta facendo molto lavoro, in quella frase, e ci arrivo adesso.
Dove il rischio è fidarsi troppo
Ecco la 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 chi legge non abbia 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 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?
Non è un timore astratto, ci sono cascato io. Nelle mie prove personali, prima ancora che arrivasse questo agente, mi ero costruito un prototipo casalingo: un piccolo collegamento tra un modello e degli export di dati, per vedere se riuscivo a farmi rispondere a parole. Funzionava benissimo, finché non gli ho chiesto un confronto di fatturato tra due periodi e mi ha dato un calo secco. Numero pulito, frase perfetta, e sbagliato: aveva usato una definizione di ricavo che escludeva un canale. Me ne sono accorto solo perché quel numero, per esperienza, non poteva essere quello. Se non avessi già saputo la risposta giusta, non avrei mai visto l’errore. Il costo nascosto di questi strumenti è esattamente questo: serve competenza per accorgersi che stanno sbagliando, e chi non ce l’ha non se ne accorge.
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, cioè un segnale. Qui il segnale rischia di sparire.
Non lo dico per frenare, e non voglio fare il vecchio che rimpiange i quaranta clic. 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 e ammetto che potrei cambiarla tra sei mesi, quando l’avrò visto girare su un’istanza vera con dati veri e non solo sulla documentazione e sulle prime prove. Oggi lo userei 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 importante, no.
E prima ancora, farei la cosa noiosa: mettere in ordine le definizioni. Metriche calcolate, segment, attribuzione, cosa conta come “mobile”. Un agente sopra a un modello dati confuso non risolve la confusione, la rende più veloce e più autorevole. Vale per l’analytics come vale per il catalogo: sui dati sporchi non c’è agente che tenga.
Poi 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. È un moltiplicatore di competenza, non un sostituto di competenza.
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.