Il futuro dell’analisi dei dati secondo Databricks: l’AI riscrive il lavoro dell’analista

Databricks ha riformulato il futuro dell’analista dei dati, nonostante anni di previsioni secondo cui l’intelligenza artificiale avrebbe eliminato questo ruolo. La sua tesi è più rilevante dell’ennesima previsione sull’automazione. Il futuro di Databricks dipende dal fatto che gli analisti cedano la produzione routinaria di query, assumendosi al contempo maggiori responsabilità in termini di significato, qualità e decisioni aziendali.

Il conflitto immediato non è tra gli analisti e una macchina onnisciente. È tra due definizioni del lavoro analitico. Una è incentrata sulla creazione di query, dashboard e report ricorrenti. L’altra sulla definizione di concetti di business, sull’analisi di evidenze ambigue e sulla valutazione dell’affidabilità di una risposta generata dall’AI.

Questa distinzione è importante perché l’analisi in linguaggio naturale sta passando dalle dimostrazioni di prodotto al normale software aziendale. Databricks, Microsoft, Salesforce, Google e i fornitori consolidati di business intelligence vogliono tutti che i dipendenti possano interrogare conversazionalmente i dati aziendali. I loro prodotti generano sempre più spesso query, grafici, riepiloghi e domande di approfondimento suggerite.

L’analista si trova quindi di fronte a un’inversione scomoda. Le competenze che un tempo dimostravano valore tecnico diventano più facili da automatizzare. Tuttavia, un accesso più ampio all’analisi crea maggiori opportunità per definizioni errate, confronti fuorvianti e risposte sicure di sé costruite su dati inadeguati.

Databricks scommette sul fatto che gli analisti diventeranno le persone che controllano questi rischi. Dedicheranno meno tempo a tradurre le richieste in sintassi e più tempo a tradurre la realtà aziendale in definizioni governate. Resta l’incertezza centrale: se i datori di lavoro riconosceranno questa responsabilità ampliata.

Il futuro di Databricks inizia con l’analisi conversazionale

Databricks sta spostando l’interfaccia di analisi dalla navigazione delle dashboard a una conversazione continua con dati aziendali governati.

L’argomentazione di Databricks sull’analisi presenta l’AI come un cambiamento nel modo in cui il lavoro analitico entra in un’organizzazione. I dipendenti non devono più iniziare ogni domanda con un ticket, una richiesta di foglio di calcolo o una ricerca tra le dashboard. Possono formulare una domanda in linguaggio comune e porre quesiti di approfondimento mentre la loro indagine si sviluppa.

Databricks ha integrato questa direzione in AI/BI, la sua offerta di business intelligence. AI/BI include dashboard e Genie, un sistema conversazionale per porre domande sui dati aziendali. Databricks afferma che gli strumenti operano direttamente su dati governati e condividono la semantica di business tra dashboard, agenti AI e applicazioni downstream.

Un livello semantico è l’insieme di definizioni approvate che collegano i termini di business ai dati sottostanti. Indica a un sistema cosa significhino “cliente attivo”, “lead qualificato” o “ricavi netti”. Senza questo livello, un modello linguistico può generare SQL valido rispondendo però alla domanda aziendale sbagliata.

Il cambiamento modifica il collo di bottiglia dell’analisi. La tradizionale business intelligence self-service ha dato a più dipendenti accesso a filtri e visualizzazioni. Tuttavia, gli utenti dovevano comunque trovare la dashboard corretta, comprenderne i campi e sapere quali confronti fossero validi.

L’analisi conversazionale rimuove parte di questo carico d’interfaccia. Un responsabile vendite può chiedere perché i tassi di rinnovo siano cambiati, richiedere una suddivisione regionale e approfondire un risultato inatteso. Il sistema può tradurre tali richieste in query senza esporre ogni passaggio tecnico.

Questa comodità non elimina il modello di dati sottostante alla risposta. Ne nasconde semplicemente una parte maggiore. Una risposta generata dipende comunque dalla selezione delle fonti, dai join, dalle finestre temporali, dalle esclusioni, dalle autorizzazioni e dalle definizioni delle metriche.

Il precedente flusso di lavoro dell’analista rendeva visibili molte di queste decisioni. Qualcuno scriveva una query, ne esaminava la logica e preparava la presentazione. I sistemi conversazionali possono comprimere questi passaggi in pochi secondi, facendo apparire il risultato più certo di quanto il processo giustifichi.

Databricks descrive il proprio sistema AI/BI come una combinazione di creazione di dashboard in linguaggio naturale, analisi conversazionale, governance e semantica condivisa. Questa integrazione spiega perché l’azienda consideri l’AI qualcosa di più di un assistente aggiunto a uno strumento di dashboard esistente.

Il modello previsto offre agli utenti aziendali maggiore autonomia, mentre gli analisti stabiliscono l’ambiente in cui tale autonomia rimane utile. Gli analisti definiscono set di dati affidabili, documentano le metriche, testano le domande comuni e indagano sui malfunzionamenti. Decidono inoltre quando una richiesta richieda un’interpretazione umana anziché un altro grafico generato.

Questa è la prima grande riscrittura della descrizione del lavoro. La scrittura di query diventa uno strumento tra molti, anziché l’output che definisce l’analista. Il risultato duraturo diventa un sistema analitico affidabile che altre persone possono utilizzare.

L’analisi dei dati con l’AI mette sotto pressione la produzione routinaria

Il lavoro più esposto all’automazione è la produzione ripetitiva, non l’intero processo che trasforma le evidenze in una decisione difendibile.

Molti team di analisti dedicano molto tempo alle richieste ricorrenti. Modificano intervalli di date, cambiano raggruppamenti, ricreano grafici familiari, riconciliano esportazioni di fogli di calcolo e rispondono a variazioni di domande già affrontate altrove.

L’AI generativa attacca direttamente questa coda. Può abbozzare SQL, suggerire visualizzazioni, spiegare un risultato e trasformare una domanda aziendale in una sequenza di operazioni analitiche. Se collegata a dati governati, può anche eseguire parti di tale sequenza.

Questo mette sotto pressione gli analisti il cui valore organizzativo viene misurato soprattutto in base al volume di output. Se un responsabile può produrre un confronto regionale di base senza attendere tre giorni, diventa più difficile giustificare la coda di richieste gestite manualmente.

I ruoli junior affrontano una tensione particolare, poiché la produzione ripetitiva ha tradizionalmente svolto una funzione formativa. I nuovi analisti imparavano le strutture dei dati correggendo query, tracciando numeri incoerenti e osservando come i colleghi più esperti mettessero in discussione richieste vaghe. L’automazione può eliminare lo sforzo routinario, rimuovendo però anche quel percorso di apprendimento.

I datori di lavoro devono decidere come gli analisti svilupperanno il proprio giudizio quando il software completerà gran parte del lavoro di costruzione visibile. Esaminare le query generate è utile, ma la revisione non coincide con la costruzione di un’analisi a partire dai principi fondamentali. I team necessitano di una formazione intenzionale su modellazione dei dati, ragionamento sperimentale e operazioni aziendali.

Le prospettive occupazionali non sostengono una semplice narrazione di estinzione. Le prospettive occupazionali del World Economic Forum continuano a identificare analisti e scienziati dei dati tra i ruoli emergenti. Il suo rapporto più ampio del 2025 ha coinvolto oltre 1.000 datori di lavoro che rappresentano più di 14 milioni di lavoratori.

Il rapporto ha stimato che i cambiamenti strutturali del lavoro creeranno 170 milioni di ruoli e ne sostituiranno 92 milioni entro il 2030. Queste cifre coprono diverse forze economiche e tecnologiche, non la sola AI. Mostrano comunque perché il cambiamento a livello di attività non debba essere confuso con la scomparsa di una professione.

Le proiezioni statunitensi indicano la stessa direzione per il lavoro tecnico adiacente. Il Bureau of Labor Statistics prevede che l’occupazione dei data scientist cresca del 34 per cento dal 2024 al 2034. Gli analisti dei dati rientrano in diverse categorie professionali, quindi questa cifra non è una previsione diretta per ogni titolo di analista.

La domanda può crescere mentre i singoli lavori diventano più impegnativi. Le aziende potrebbero assumere analisti perché più persone usano i dati, non perché abbiano bisogno di più grafici prodotti manualmente. Ogni analista potrebbe supportare un gruppo più ampio di decisori attraverso definizioni riutilizzabili e flussi di lavoro assistiti dall’AI.

Questa configurazione cambia la misurazione delle prestazioni. Contare i ticket completati diventa meno informativo quando i dipendenti possono rispondere autonomamente alle domande elementari. I leader devono valutare se gli analisti migliorino la qualità delle decisioni, abbrevino le indagini, riducano le dispute sulle metriche e identifichino problemi che i richiedenti non sono riusciti a formulare.

La pressione raggiunge anche i responsabili della business intelligence. Non possono più considerare l’adozione dell’AI come l’acquisto di una licenza seguito da un webinar di formazione. Qualcuno deve scegliere casi d’uso affidabili, stabilire soglie di revisione, monitorare le risposte errate e mantenere le conoscenze fornite agli agenti analitici.

Sta emergendo un’utile divisione del lavoro. L’AI gestisce la traduzione e la ripetizione. Gli analisti gestiscono l’ambiguità, le conseguenze e la responsabilità. Tuttavia, questa divisione funziona solo quando le organizzazioni attribuiscono agli analisti autorità sulle definizioni e sulla qualità dei dati.

Senza tale autorità, le aziende rischiano di mantenere gli analisti responsabili dei risultati lasciando ad altri team il controllo dei sistemi che li producono. La nuova descrizione del lavoro richiede diritti decisionali, non soltanto un elenco più lungo di competenze AI.

L’analista diventa un progettista del significato aziendale

L’AI non elimina il lavoro di traduzione; sposta la traduzione dalle singole richieste al contesto condiviso che governa migliaia di risposte.

Un analista esperto raramente riceve una domanda formulata alla perfezione. Uno stakeholder chiede perché il “coinvolgimento” sia diminuito, se una campagna abbia “funzionato” o quali clienti siano “a rischio”. Ogni espressione nasconde scelte relative a popolazioni, periodi di tempo, attribuzione ed evidenze accettabili.

I flussi di lavoro tradizionali consentivano agli analisti di risolvere queste scelte durante le conversazioni con i richiedenti. Potevano mettere in discussione le assunzioni prima di scrivere una query. Un’interfaccia AI può saltare questa negoziazione e produrre immediatamente una risposta.

Il futuro di Databricks assegna quindi agli analisti una nuova forma di autorialità. Devono codificare il significato aziendale prima che arrivino le domande. Ciò significa definire metriche, curare domande di esempio, documentare relazioni e specificare come il sistema debba interpretare i termini comuni.

Questo lavoro assomiglia alla progettazione di prodotto. Gli analisti devono comprendere gli utenti, anticipare le modalità di errore, dare priorità ai concetti più confusi e osservare come le persone si comportino dopo aver ricevuto una risposta. Un risultato matematicamente corretto può comunque fallire se gli utenti ne fraintendono l’ambito.

Si consideri una domanda sulla fidelizzazione dei clienti. Un reparto può definire la fidelizzazione attraverso gli abbonamenti attivi, mentre un altro utilizza i ricavi ricorrenti. Un agente conversazionale può rispondere correttamente a entrambe le formulazioni e tuttavia intensificare il disaccordo se seleziona silenziosamente una definizione.

Un analista deve rendere esplicita la scelta. La risposta dovrebbe identificare la metrica di riferimento, il periodo, la popolazione idonea e le esclusioni. Se esistono più definizioni approvate, il sistema dovrebbe richiedere un chiarimento anziché inventare un consenso.

Questo requisito accresce l’importanza della data lineage, che registra la provenienza delle informazioni e il modo in cui sono cambiate. Gli analisti necessitano di una lineage sufficiente per esaminare un risultato sorprendente e spiegarlo a un’altra persona. Un riepilogo rifinito senza input tracciabili non è un prodotto analitico affidabile.

Il lavoro diventa anche più investigativo. Quando l’AI gestisce in modo efficiente le domande note, l’attenzione umana si sposta verso anomalie, ipotesi causali e comportamenti poco compresi. Questi problemi contengono evidenze incomplete e raramente si adattano a una dashboard standard.

Gli analisti continueranno a scrivere codice. Le indagini complesse richiedono trasformazioni personalizzate, test statistici e notebook riproducibili. La differenza è che la sintassi diventa un mezzo per risolvere l’incertezza, anziché la prova che il lavoro analitico sia stato svolto.

Anche la comunicazione diventa più importante. Un analista deve spiegare perché due metriche credibili non coincidono, quando la correlazione non dimostra la causalità e quali evidenze potrebbero modificare una raccomandazione. L’AI può redigere quella spiegazione, ma l’analista resta responsabile della sua logica.

È qui che i sistemi di conoscenza personali e di team diventano rilevanti. Gli analisti spesso hanno bisogno di definizioni tratte da note di riunioni, decisioni di prodotto, documenti di ricerca e indagini precedenti. Una base di conoscenza AI consultabile può aiutare a ricollegare quei materiali alla questione in esame.

Tuttavia, il recupero della conoscenza dovrebbe supportare il giudizio, non sostituirlo. Una nota di riunione può spiegare perché una metrica è cambiata, ma non diventa autorevole semplicemente perché un modello l’ha trovata. Gli analisti devono comunque distinguere le policy approvate dalle discussioni e le definizioni attuali da quelle obsolete.

Il nuovo ruolo richiede anche competenze di valutazione. Gli analisti devono creare domande rappresentative, definire risposte accettabili, testare i casi limite e confrontare i risultati generati con riferimenti affidabili. Questi set di valutazione diventano risorse operative ricorrenti.

Questo ricorda l’assicurazione qualità, ma l’obiettivo è più ampio della correttezza del software. L’analista verifica se il sistema comprende il linguaggio aziendale, rispetta le autorizzazioni, seleziona evidenze adeguate e comunica chiaramente l’incertezza.

L’analista di maggior valore potrebbe non essere più la persona che produce più dashboard. Potrebbe essere quella le cui definizioni e i cui test consentono a centinaia di colleghi di esplorare i dati senza creare centinaia di interpretazioni.

Risposte più rapide creano un problema di fiducia più difficile

L’analisi conversazionale aumenta accesso e velocità, ma questi vantaggi moltiplicano anche la portata di ogni definizione debole e di ogni risposta non verificata.

I modelli linguistici generano risposte plausibili, non verità garantite. Quando gli agenti analitici combinano l’output del modello con dati strutturati, riducono parte dell’incertezza aperta. Non eliminano l’ambiguità, dati di origine difettosi o ragionamenti errati.

Una query generata può essere eseguita correttamente pur unendo record al livello sbagliato. Può confrontare un mese incompleto con uno completo. Può selezionare ricavi registrati in un sistema che esclude un’azienda acquisita di recente.

Questi errori sono pericolosi perché l’output spesso appare professionale. Un grafico ha assi etichettati, il riepilogo usa un linguaggio sicuro e la risposta arriva rapidamente. Gli utenti possono interpretare la qualità della presentazione come prova della qualità delle evidenze.

NIST definisce “confabulazione” i contenuti falsi generati con sicurezza. Il suo profilo sull’AI generativa raccomanda valutazioni continue, soglie di garanzia definite e gestione del rischio lungo tutto il ciclo di vita di un sistema AI.

Gli agenti analitici introducono un’altra categoria di errore oltre alla confabulazione del modello. Il sistema può riassumere accuratamente il risultato della query mentre la query rappresenta il concetto sbagliato. Un benchmark convenzionale per modelli linguistici non rileverà questo errore di business.

Le organizzazioni hanno bisogno di controlli a più livelli. Le autorizzazioni determinano a quali dati un dipendente può accedere. Le metriche governate limitano le definizioni incoerenti. I test di valutazione espongono i fallimenti ricorrenti. La revisione umana resta necessaria quando le decisioni hanno conseguenze finanziarie, legali, di sicurezza o per i clienti.

Gli analisti sono ben posizionati per collegare questi livelli. Comprendono la richiesta aziendale, il modello dati e i modi in cui una risposta tecnicamente valida può trarre in inganno. Tuttavia, assegnare loro questa responsabilità senza risorse per il lavoro di manutenzione creerebbe un altro fallimento.

I sistemi semantici richiedono cura continua. Le definizioni di prodotto cambiano, le applicazioni di origine migrano, i territori vengono riorganizzati e i dirigenti adottano nuove misure di performance. Un agente basato sulla logica aziendale del trimestre scorso può rispondere accuratamente secondo regole che nessuno segue più.

La fiducia dipende anche dalla trasparenza. Gli utenti dovrebbero sapere quali fonti hanno informato una risposta, quando tali fonti sono state aggiornate e se il risultato ha usato una metrica approvata. Dovrebbero inoltre capire quando il sistema ha compiuto una scelta interpretativa.

Non tutte le domande richiedono lo stesso livello di revisione. Un riepilogo settimanale del traffico comporta meno rischi di una previsione che orienta decisioni di assunzione o di credito. Gli analisti possono aiutare a classificare queste situazioni e a stabilire regole di escalation.

La concorrenza tra le piattaforme di analytics si concentrerà in parte su questo livello di fiducia. Tutti i fornitori possono mostrare domande in linguaggio naturale e grafici accattivanti. La prova più difficile è se gli amministratori possano ispezionare il comportamento, correggere gli errori e preservare un significato coerente tra i reparti.

La validazione indipendente resta limitata. Le dimostrazioni dei fornitori di solito presentano dataset ben preparati, domande previste e ambienti configurati con cura. Le organizzazioni reali contengono campi duplicati, trasformazioni non documentate, responsabilità incomplete e disaccordi politici sulle metriche.

Databricks afferma che governance e semantica condivisa possono ancorare le risposte conversazionali. È una direzione architetturale credibile, ma i clienti devono comunque implementarla. Acquistare una piattaforma integrata non definisce cosa significhino “cliente”, “profitto” o “attivo”.

Esiste anche un problema di incentivi. Le aziende possono trattare l’AI come un motivo per ridurre la capacità analitica prima di migliorare le fondamenta dei dati. Un numero inferiore di analisti gestirebbe quindi più domande automatizzate, un accesso più ampio e una superficie di errore maggiore.

La velocità può nascondere temporaneamente questo deterioramento. Le code di richieste si accorciano e la produzione di dashboard aumenta. Il costo emerge in seguito, attraverso decisioni contrastanti, difetti dei dati non rilevati o dipendenti che abbandonano il sistema dopo errori ripetuti.

La lettura scettica del futuro di Databricks è quindi semplice. L’AI non eleverà automaticamente ogni analista. Può invece centralizzare la responsabilità, ridurre le opportunità di apprendimento a livello iniziale e diffondere più rapidamente ragionamenti deboli.

L’esito positivo richiede una riprogettazione organizzativa. Gli analisti hanno bisogno dell’autorità per fermare implementazioni non sicure, del tempo per mantenere il contesto semantico e della visibilità su come le risposte generate influenzano le decisioni. Senza queste condizioni, “analista strategico” diventa un titolo che copre una funzione di controllo sotto-organico.

L’AI riscrive il rapporto dell’analista con i team aziendali

Il cambiamento più profondo non riguarda il modo in cui gli analisti usano il software, ma come la responsabilità analitica viene distribuita tra specialisti e tutti gli altri.

L’analisi self-service ha sempre promesso di ridurre la dipendenza dai team specialistici. Le generazioni precedenti hanno offerto dashboard, strumenti drag-and-drop e livelli di reporting condivisi. Hanno ampliato l’accesso, ma molti dipendenti tornavano comunque dagli analisti quando le domande diventavano insolite.

Le interfacce generative abbassano la barriera successiva. I dipendenti possono porre domande di approfondimento senza conoscere i nomi dei campi o i controlli di visualizzazione. Questo fa sì che l’analisi sembri meno simile all’uso di un software e più alla consultazione di un collega.

Questa esperienza cambia le aspettative. Un utente aziendale che riceve una risposta immediata sarà restio a tornare a una coda di ticket. Gli analisti non possono preservare il proprio ruolo diventando l’unico punto di accesso per le domande elementari.

Diventano invece custodi di un ambiente analitico distribuito. I loro clienti includono sia i decisori umani sia gli agenti al servizio di tali persone. L’analista migliora le istruzioni, le definizioni, gli esempi e i cicli di feedback che circondano entrambi i gruppi.

Anche i team aziendali ereditano maggiori responsabilità. Un manager non può attribuire al reparto analytics ogni interpretazione errata dopo aver scelto le domande e agito autonomamente sulle risposte generate. Le organizzazioni hanno bisogno di policy esplicite che descrivano quando termina il self-service e inizia la revisione degli esperti.

Un modello operativo pratico può dividere il lavoro in tre livelli. Le domande descrittive a basso rischio possono passare attraverso il self-service governato. Le indagini ambigue possono coinvolgere un analista. Le raccomandazioni con conseguenze rilevanti possono richiedere una revisione documentata da parte di esperti analitici e di dominio.

I confini dipendono dal contesto. Un team marketing che confronta il traffico delle campagne ha obblighi diversi da un’organizzazione sanitaria che valuta gli esiti dei pazienti. La stessa interfaccia non dovrebbe implicare lo stesso livello di garanzia.

Gli analisti dedicheranno più tempo a facilitare questi confini. Potrebbero organizzare sessioni di ricevimento, esaminare gli errori degli agenti, mantenere definizioni approvate e insegnare ai colleghi a riconoscere affermazioni causali non supportate. La formazione diventa parte dell’affidabilità del sistema.

Questo non significa che ogni analista debba diventare un consulente per dirigenti. Il ruolo continuerà a includere specialisti in visualizzazione, sperimentazione, operazioni, finanza e modellazione dei dati. L’AI modifica la base comune su cui poggiano queste specializzazioni.

Di conseguenza, anche i criteri di assunzione dovrebbero cambiare. La padronanza di SQL resta utile, ma esercizi di colloquio basati interamente sulla sintassi riveleranno meno sulle prestazioni future. I datori di lavoro dovrebbero testare anche la progettazione delle metriche, la gestione dell’ambiguità, la validazione e la comunicazione.

Ai candidati potrebbe essere fornita un’analisi plausibile generata dall’AI contenente diversi difetti nascosti. Il loro compito sarebbe identificare presupposti non supportati, ricostruire il percorso dei dati e spiegare quali evidenze aggiuntive sono necessarie. Questo esercizio somiglia sempre più al lavoro richiesto dalle organizzazioni.

Lo sviluppo di carriera deve anche preservare la profondità tecnica. Se gli analisti accettano la logica generata senza comprenderla, la revisione diventa cerimoniale. I team hanno bisogno di persone capaci di ispezionare le query, ragionare sulla granularità dei dati e riconoscere quando un modello ha scelto un metodo inappropriato.

Gli analisti più forti uniranno questa profondità tecnica alla comprensione istituzionale. Sapranno perché esiste un campo, quale processo operativo lo produce e dove gli incentivi ne distorcono l’interpretazione. I modelli possono recuperare la documentazione, ma la storia non documentata continua a plasmare i dati aziendali.

Questo solleva un problema di retention. La conoscenza istituzionale diventa più preziosa man mano che gli agenti servono più utenti, eppure le aziende spesso la perdono quando gli analisti esperti se ne vanno. Le definizioni conservate soltanto nella memoria individuale non possono governare sistemi automatizzati.

I team dovrebbero acquisire le decisioni analitiche man mano che il lavoro procede. Un pratico flusso di lavoro di ricerca può preservare evidenze, interpretazioni e questioni irrisolte accanto agli output finali. Questo archivio offre agli analisti futuri il contesto per riesaminare affermazioni ricorrenti.

Anche i dirigenti devono adeguare ciò che richiedono. L’AI può produrre più analisi di quante i leader possano assimilare. La risorsa scarsa passa dalla produzione di report all’attenzione, alla definizione delle priorità e alla disponibilità a cambiare una decisione quando le evidenze non concordano.

È qui che risiede il valore strategico dell’analista. I buoni analisti non si limitano a fornire risposte. Determinano quali domande meritano risorse, dove l’incertezza conta e quando un risultato apparente non dovrebbe guidare l’azione.

Tre segnali metteranno alla prova il futuro di Databricks

La prossima fase sarà giudicata dall’adozione, dalla qualità misurabile delle risposte e dal fatto che i datori di lavoro riprogettino le carriere analitiche attorno al giudizio anziché alla produzione.

Il primo segnale è l’uso continuativo oltre le dimostrazioni. Le organizzazioni dovrebbero osservare se i dipendenti continuano a porre domande conversazionali dopo la formazione iniziale. L’uso ripetuto conta più del numero di account attivati o di query generate.

L’utilizzo dovrebbe inoltre estendersi oltre le semplici consultazioni. Se i dipendenti chiedono solo totali disponibili nelle dashboard esistenti, l’analisi conversazionale ha cambiato l’interfaccia ma non il processo analitico. Le indagini in più fasi offrirebbero evidenze più solide di un nuovo modello di lavoro.

Il dettaglio decisivo è se queste indagini portano ad azioni concrete. I team dovrebbero monitorare se gli utenti salvano le analisi, condividono le evidenze, modificano i piani operativi o richiedono una revisione da parte di esperti. Un elevato volume di domande, da solo, può riflettere curiosità più che valore per l’azienda.

Il secondo segnale è una misurazione trasparente della qualità. Fornitori e clienti hanno bisogno di risultati di valutazione basati su domande aziendali rappresentative, non soltanto su esempi rifiniti. Tali valutazioni dovrebbero distinguere tra correttezza delle query, selezione delle metriche, adeguatezza delle fonti e accuratezza delle spiegazioni.

Anche i tassi di correzione contano. Una piattaforma utile deve consentire agli analisti di individuare un’interpretazione errata, modificarne il contesto di riferimento e impedirne il ripetersi. Correggere ripetutamente singole risposte non è scalabile.

Le organizzazioni dovrebbero monitorare anche l’astensione, che si verifica quando un agente rifiuta di rispondere perché il contesto è insufficiente. Un sistema che chiede chiarimenti può essere più affidabile di uno che produce sempre un grafico. Un maggior numero di risposte non è automaticamente migliore.

Se Databricks e i suoi concorrenti pubblicheranno metodi di valutazione più chiari, la tesi dell’analista strategico si rafforzerà. I clienti potrebbero confrontare i sistemi sulla base di un’affidabilità governata, anziché della qualità apparente della conversazione. Se la qualità resterà opaca, l’adozione potrebbe bloccarsi negli utilizzi a basso rischio.

Il terzo segnale riguarda la struttura occupazionale attorno agli analisti. Gli annunci di lavoro dovrebbero rivelare se le aziende cercano competenze di governance delle metriche, valutazione dell’AI, sperimentazione e supporto alle decisioni. Le promozioni interne dovrebbero premiare gli analisti che costruiscono sistemi analitici riutilizzabili.

Anche i percorsi di ingresso meritano pari attenzione. I datori di lavoro hanno bisogno di apprendistati che insegnino il ragionamento, anche quando l’AI redige la prima query. Se le posizioni junior scompaiono senza un modello formativo sostitutivo, il settore finirà per affrontare una carenza di revisori esperti.

Le evidenze più ampie sul lavoro supportano la trasformazione più chiaramente dell’eliminazione. I ruoli ad alta intensità di dati restano aree di crescita, mentre le competenze in AI e big data continuano ad aumentare d’importanza. Tuttavia, queste previsioni non garantiscono che ogni attuale posizione da analista sopravviva senza cambiamenti.

Il futuro di Databricks sarà convalidato se gli utenti aziendali acquisiranno maggiore autonomia mentre la coerenza analitica migliora. Si indebolirà se le organizzazioni genereranno più risposte ma produrranno anche più controversie, errori silenziosi e strumenti abbandonati.

Gli analisti dovrebbero prepararsi spostandosi verso le parti più difficili del flusso di lavoro. Possono documentare le definizioni aziendali, testare le analisi generate, studiare i processi operativi e fare pratica nello spiegare l’incertezza. La padronanza tecnica resta importante, soprattutto quando supporta una revisione significativa.

I leader dovrebbero resistere alla tentazione di misurare il successo soltanto attraverso il numero di dashboard o la riduzione dei ticket. Dovrebbero chiedersi se le decisioni arrivano più rapidamente, se le metriche chiave restano coerenti e se i team possono ricondurre le affermazioni importanti alle evidenze.

Il lavoro dell’analista non è morto. Il suo livello produttivo viene compresso, mentre il suo livello di responsabilità si espande. Questo scambio crea un ruolo migliore solo quando autorità, formazione e riconoscimento crescono insieme ad esso.

La domanda pratica è ormai inevitabile: la vostra organizzazione vuole che l’AI produca più analisi, oppure vuole che le persone prendano decisioni migliori? Iniziate identificando una domanda analitica ricorrente, la sua definizione approvata, le sue evidenze e la sua soglia di revisione. Poi verificate se un sistema AI riesce a rispondervi con coerenza attraverso variazioni realistiche. Affidate a un analista la valutazione del risultato, non il semplice utilizzo dello strumento. Questo esercizio farà emergere più rapidamente il contesto mancante rispetto a un’implementazione su larga scala. Mostrerà inoltre se l’organizzazione considera gli analisti come costruttori di report o come custodi della qualità decisionale. La risposta determinerà se l’AI ridurrà il ruolo o ne rivelerà finalmente il pieno valore.