top of page

L’aggiornamento di Databricks Genie Agents si espande dalle domande sui dati ai flussi di lavoro

40 minuti fa
Tempo di lettura: 12 min

L’11 novembre Databricks ha ampliato Genie Agents, aggiungendo contesto e azioni aziendali, pur mantenendo importanti funzionalità in anteprima o beta. L’aggiornamento di Databricks Genie Agents collega un problema aziendale noto a una questione operativa più complessa: quando una risposta analitica dovrebbe trasformarsi in un’azione?

L’annuncio riunisce nella stessa narrazione di prodotto analisi dei documenti, connessioni alle applicazioni e condivisione esterna. Queste aggiunte riguardano attività che attraversano database, file e applicazioni aziendali. Introducono inoltre requisiti diversi in termini di evidenze, autorizzazioni e revisione.

La tensione centrale è tra un contesto più ampio e un’esecuzione controllata. Un sistema che spiega una variazione dei ricavi ha responsabilità diverse da uno che pubblica le proprie conclusioni o aggiorna un record. Cortex Agents di Snowflake offre un riferimento competitivo per questa direzione. Per gli acquirenti aziendali, la domanda sta diventando come questi sistemi combinino informazioni e autorità, piuttosto che se supportino le domande in linguaggio naturale.

Cosa aggiunge realmente l’aggiornamento di Databricks Genie Agents

Il rilascio amplia un prodotto di analisi esistente, con disponibilità differenti tra le nuove funzionalità.

Secondo l’aggiornamento di Genie Agents dell’azienda, l’analisi di documenti non strutturati entra in anteprima pubblica. Per dati non strutturati si intendono informazioni archiviate in documenti e immagini anziché in tabelle di database organizzate. I connettori nativi Model Context Protocol, che consentono agli agenti di comunicare con strumenti esterni, sono indicati come generalmente disponibili.

OpenSharing e Genie Clean Rooms per Genie Agents restano in beta. OpenSharing consente ai fornitori di distribuire agenti tra account Databricks. Genie Clean Rooms aggiunge un’interfaccia controllata di domande e risposte che nasconde i dati sottostanti ai destinatari. Queste fasi di rilascio sono rilevanti separatamente, anche quando le funzionalità appaiono insieme in una dimostrazione.

Si tratta di un aggiornamento di componenti all’interno di una serie più ampia di annunci su Genie. Non va interpretato come il primo lancio di Genie. Né dimostra che ogni funzionalità associata alla più ampia famiglia Genie sia pronta per un’implementazione generale.

Il cambiamento pratico riguarda la gamma di evidenze che un agente può utilizzare prima di rispondere. Una tabella può mostrare che una metrica aziendale è cambiata. Un documento può spiegare un’eccezione, una condizione contrattuale o una procedura operativa. Una connessione a un’applicazione può fornire un ulteriore elemento di contesto o un luogo in cui inviare il risultato.

Questa combinazione modifica la natura di una richiesta analitica. Un utente può porre una domanda la cui risposta dipende sia da un calcolo sia da una spiegazione. Il flusso di lavoro risultante può anche estendersi oltre il luogo in cui è stato effettuato il calcolo.

Si consideri una revisione esemplificativa di un account. Un responsabile vendite vede un’opportunità peggiorare in una tabella di reportistica. La spiegazione potrebbe dipendere da un piano cliente e da una recente conversazione con il cliente. Un agente che può raggiungere queste fonti ha un punto di partenza migliore rispetto a uno limitato alla tabella.

Tuttavia, l’accesso a più evidenze non dimostra che tali evidenze siano pertinenti o aggiornate. Una risposta ben formulata può comunque collegare un calcolo accurato a una spiegazione obsoleta. Gli acquirenti devono quindi distinguere tra copertura delle fonti e qualità della risposta.

L’aggiornamento di Databricks Genie Agents è significativo perché porta queste domande nell’ambito operativo del prodotto. Rende più visibile il confine tra analisi ed esecuzione. Valutare tale confine richiede di guardare oltre l’interfaccia conversazionale e di esaminare cosa avviene dietro ogni risposta.

Il contesto documentale cambia chi è responsabile della risposta

L’analisi dei documenti sposta parte dell’onere di implementazione verso le persone responsabili delle evidenze aziendali.

La documentazione sull’analisi dei file di Databricks descrive l’associazione di volumi Unity Catalog, ovvero contenitori di file governati, a un agente. L’analisi dei file utilizza la modalità Agent, la modalità di ragionamento multi-step del prodotto. Le risposte possono includere citazioni a specifiche pagine di origine e l’accesso segue le autorizzazioni dell’utente richiedente.

La documentazione definisce anche limiti pratici. Gli autori collegano interi volumi anziché cartelle selezionate al loro interno. La ricerca dei contenuti supporta i volumi gestiti e ignora file più grandi di 100 MB o più lunghi di 500 pagine. Si applicano inoltre dipendenze regionali.

Questi dettagli rendono l’organizzazione dei documenti una questione operativa. Un volume che contiene policy approvate insieme a bozze obsolete presenta un ambiente probatorio diverso da una raccolta mantenuta con cura. L’interfaccia dell’agente non elimina la necessità di decidere quali documenti debbano stare insieme.

Ciò esercita pressione sia sui proprietari aziendali sia sui team dati. La finanza può essere responsabile della definizione di una metrica, mentre l’ufficio legale possiede il linguaggio contrattuale che ne modifica l’interpretazione. Una risposta che combina entrambe le fonti richiede una relazione chiara tra tali responsabilità.

Per una domanda esemplificativa sugli acquisti, i record di spesa potrebbero identificare fornitori con costi in aumento. I documenti contrattuali potrebbero spiegare termini di rinnovo o eccezioni negoziate. Combinare tali fonti è utile solo se l’agente distingue un accordo attivo da una versione sostituita.

Le citazioni delle pagine rendono la revisione più pratica perché danno al lettore un punto specifico da ispezionare. Non dimostrano però che la pagina selezionata supporti ogni parte della conclusione. Un riferimento può essere accurato mentre il ragionamento che ne deriva resta incompleto.

Questa distinzione diventa particolarmente importante quando gli utenti chiedono perché sia accaduto qualcosa. Un cambiamento numerico e un commento documentale possono coesistere senza dimostrare una relazione causale. Un agente dovrebbe preservare tale incertezza anziché trasformare la prossimità in spiegazione.

L’onere quindi cambia, anziché scomparire. Una funzionalità di documenti gestiti può ridurre il lavoro di integrazione personalizzata. Gli esperti di dominio devono comunque stabilire cosa costituisca un’evidenza autorevole e in che modo fonti in conflitto debbano influire sulla risposta.

Esiste inoltre una differenza tra rispondere usando passaggi pertinenti e stabilire un quadro completo su un’intera raccolta. Un riepilogo convincente non rivela, di per sé, quanto approfonditamente il sistema abbia effettuato la ricerca. I revisori devono chiedersi se evidenze omesse cambierebbero la conclusione.

Il caso di implementazione più solido riguarda un dominio aziendale delimitato, con fonti riconoscibili e responsabili identificabili. Raccolte più ampie aumentano la gamma di domande possibili, ma rendono anche più difficile valutare la selezione delle fonti. Un maggiore contesto diventa utile quando la sua autorevolezza è comprensibile.

L’accesso alle applicazioni rende l’azione una decisione separata

L’autorizzazione a recuperare informazioni dovrebbe essere valutata separatamente dall’autorizzazione a modificare un altro sistema.

Databricks distingue Lakeflow Connect, il proprio servizio di acquisizione dati, dalle connessioni agli strumenti in fase di esecuzione. L’acquisizione porta i dati delle applicazioni nell’ambiente analitico. Le connessioni in fase di esecuzione consentono a un agente di interagire con un’applicazione durante un’attività. Questi percorsi servono a scopi diversi, anche quando coinvolgono informazioni aziendali correlate.

La documentazione sugli strumenti MCP descrive l’autenticazione dei singoli utenti e chiamate agli strumenti che utilizzano le autorizzazioni dell’utente richiedente. Distingue tra operazioni di lettura automatiche e operazioni di scrittura che richiedono approvazione. Gli autori possono abilitare o disabilitare singoli strumenti.

Esiste una discrepanza nella disponibilità che vale la pena preservare. L’annuncio dell’11 novembre definisce i connettori MCP nativi generalmente disponibili. La guida all’integrazione, aggiornata l’ultima volta il 9 novembre, continua a etichettare gli strumenti MCP in Genie Agents come beta. Gli acquirenti dovrebbero confermare la configurazione supportata nel proprio workspace anziché presumere una disponibilità identica.

Per la pianificazione dell’implementazione, la questione più ampia è il rapporto tra conoscenza e autorità. Recuperare un piano cliente può aiutare a spiegare una raccomandazione. Pubblicare tale raccomandazione in un canale condiviso modifica chi la vede e come altri potrebbero utilizzarla.

Una revisione esemplificativa delle vendite mostra la distinzione. Un agente potrebbe confrontare le cifre della pipeline con documenti relativi agli account e preparare un riepilogo strategico. L’analisi può essere utile prima che qualcuno ne autorizzi la distribuzione. L’invio introduce un’ulteriore decisione su pubblico, contenuto e tempistica.

Le autorizzazioni esistenti di un utente sulle applicazioni stabiliscono un confine di accesso, ma non rispondono a ogni questione di flusso di lavoro. Una persona potrebbe legittimamente accedere a un documento pur necessitando comunque di una revisione manageriale prima di diffondere le conclusioni tratte da esso. L’autorizzazione tecnica e l’approvazione aziendale servono a scopi diversi.

È qui che l’aggiornamento di Databricks Genie Agents cambia la valutazione dell’acquirente. Una dimostrazione di utilizzo riuscito di uno strumento dimostra che una connessione ha funzionato. Non dimostra che l’azione scelta corrispondesse al processo dell’organizzazione.

La distinzione conta anche quando un flusso di lavoro si interrompe a metà. Un’analisi corretta può precedere un’operazione di scrittura non riuscita. Al contrario, un’azione può riuscire anche quando la raccomandazione sottostante necessita di correzioni. Trattare l’intera conversazione come un unico successo oscura tali differenze.

I team che valutano questi flussi di lavoro dovrebbero quindi esaminare gli esiti intermedi. Devono comprendere quali informazioni siano state recuperate, quale conclusione sia stata prodotta e quale azione sia stata proposta. Ogni passaggio presenta un tipo diverso di errore.

Ciò non richiede che ogni attività diventi un lungo esercizio di approvazione. Richiede di adeguare l’onere della revisione alle conseguenze. Una bozza per ispezione personale e un aggiornamento operativo condiviso meritano trattamenti diversi.

La direzione del prodotto ha senso per attività che già attraversano diverse applicazioni. Il suo valore dipende dalla riduzione dei passaggi di consegne senza rendere più difficile seguire le responsabilità. La domanda decisiva è se gli utenti possano comprendere e controllare la transizione dalle evidenze all’esecuzione.

Snowflake mostra perché un’interfaccia chat non è più sufficiente

La pressione competitiva riguarda il flusso di lavoro analitico completo, incluso il modo in cui le evidenze vengono combinate e riviste.

La documentazione di Cortex Agents di Snowflake descrive un sistema che combina fonti strutturate e non strutturate. Cortex Analyst genera query di database, mentre Cortex Search recupera informazioni dai documenti. L’agente coordina questi strumenti e ragiona sui loro risultati.

Snowflake documenta inoltre strumenti personalizzati, connessioni MCP esterne, monitoraggio e valutazioni. La sua documentazione avverte esplicitamente che l’accuratezza delle risposte e le citazioni non sono garantite. Queste capacità costituiscono un confronto pertinente, non la prova che uno dei due fornitori abbia prestazioni migliori su un particolare carico di lavoro.

La direzione comune è chiara: l’analisi in linguaggio naturale include sempre più il lavoro che circonda una query. Gli utenti desiderano spiegazioni, materiale di supporto e un passo successivo utile. Una sola interfaccia conversazionale non risolve come tale lavoro dovrebbe svolgersi.

Per gli acquirenti, questo trasforma il confronto da una checklist di funzionalità a una valutazione operativa. Entrambi i fornitori possono descrivere la combinazione di dati e documenti. Le differenze significative emergono quando una domanda reale contiene ambiguità, evidenze mancanti o definizioni in conflitto.

Una domanda esemplificativa sui ricavi può usare un termine che finanza e vendite interpretano in modo diverso. La sfida non consiste semplicemente nel produrre una query valida. Consiste nel selezionare la definizione aziendale prevista e spiegare quale interpretazione ha determinato il risultato.

L'accesso alle applicazioni aggiunge un'altra dimensione al confronto. Un elenco di strumenti può mostrare che un agente raggiunge un sistema aziendale. Gli acquirenti devono comunque stabilire se l'interazione risultante rispetta il loro processo di revisione e offre dettagli sufficienti per la risoluzione dei problemi.

Questo esercita pressione sui fornitori affinché rendano i loro flussi di lavoro ispezionabili. Spinge inoltre i team interni a definire l'aspetto di un risultato soddisfacente. Senza uno standard condiviso, una dimostrazione convincente può sostituire la qualità della presentazione al completamento dell'attività.

I confronti dovrebbero tenere conto dell'ambiente esistente dell'impresa. Spostare dati, ricostruire definizioni o introdurre un ulteriore confine amministrativo può incidere sul risultato pratico. La migliore risposta conversazionale è solo una parte della decisione di implementazione.

Il cambiamento mette inoltre alla prova gli assistenti analitici isolati. Uno strumento limitato alle domande sui database deve giustificare i passaggi successivi eseguiti dagli utenti. Tuttavia, un agente più ampio deve giustificare la complessità aggiuntiva che introduce. Nessuno dei due approcci prevale semplicemente perché supporta più funzioni.

Per i lavoratori della conoscenza, esiste un confine correlato tra il recupero di informazioni personali e l'analisi aziendale condivisa. La distinzione tra conoscenza personale e di team aiuta a chiarire quali fonti e responsabilità appartengono a ciascun ambiente.

L'implicazione competitiva è quindi più circoscritta rispetto all'affermazione secondo cui gli agenti sostituiscono l'analisi esistente. I fornitori competono per controllare una porzione maggiore del percorso dalla domanda aziendale al risultato revisionato. I clienti dovrebbero valutare tale percorso usando le proprie evidenze e i propri vincoli operativi.

La condivisione esterna estende il confine della governance

Condividere un agente crea responsabilità riguardo alle risposte che i destinatari ricevono, nonché ai dati che non possono ispezionare direttamente.

L'annuncio OpenSharing di Databricks presenta il protocollo come un'espansione oltre la condivisione di tabelle e file. Distingue il protocollo aperto dall'implementazione enterprise di Databricks. Tale distinzione è importante quando si valutano le dichiarazioni di interoperabilità rispetto a una configurazione specifica del prodotto.

Per Genie Agents, l'aggiornamento di novembre introduce funzionalità di condivisione in beta. Un fornitore può includere contesto e istruzioni con un agente. Genie Clean Rooms è pensato per situazioni in cui i destinatari dovrebbero ricevere risposte senza visibilità diretta sui dati sottostanti.

Questo modifica ciò che il fornitore deve mantenere. Un set di dati ha definizioni, aspettative di aggiornamento e condizioni di accesso. Un agente aggiunge un ulteriore livello: istruzioni che influenzano il modo in cui le domande vengono interpretate e le evidenze diventano una risposta.

Si consideri un rapporto esemplificativo con un fornitore. Un produttore vuole che un partner esamini le prestazioni delle consegne senza esporre ogni record interno. Un'interfaccia agente controllata può offrire un percorso più ristretto verso le informazioni, purché le risposte consentite corrispondano al rapporto previsto.

La distinzione importante è tra nascondere i record grezzi e limitare ciò che le risposte rivelano. Sono obiettivi correlati, ma non identici. Una valutazione della privacy deve considerare le informazioni disponibili attraverso le risposte, incluse domande ripetute o strettamente correlate.

Si tratta di una considerazione analitica, non dell'affermazione che la funzionalità annunciata presenti una vulnerabilità dimostrata. La descrizione pubblica del prodotto non stabilisce che ogni possibile rischio di inferenza sia stato eliminato. Gli acquirenti dovrebbero evitare di trasformare l'intento architetturale in una garanzia generale di privacy.

La condivisione esterna modifica anche le conseguenze di una metrica ambigua. I colleghi interni possono spesso risolvere una definizione confusa attraverso un rapporto di lavoro consolidato. Un cliente o partner potrebbe ragionevolmente considerare la risposta di un agente come la posizione ufficiale del fornitore.

Questo rende commercialmente importante la responsabilità sulle definizioni e sulle istruzioni. I fornitori devono decidere come le correzioni raggiungano i destinatari e come gli utenti riconoscano i cambiamenti di significato. Una risposta conversazionale non dovrebbe nascondere silenziosamente una regola aziendale rivista.

Esiste una questione analoga per le domande non supportate. Un agente condiviso può apparire più flessibile di un report fisso, incoraggiando i destinatari a esplorare. La sua utilità dipende in parte dal riconoscere quando i dati disponibili non possono supportare una risposta.

La responsabilità del fornitore si estende quindi oltre il rendere l'agente accessibile. Include il mantenimento di un rapporto affidabile tra materiale sorgente, domande consentite e conclusioni risultanti. Confezionare l'intelligenza non elimina la necessità di confini chiari.

L'aggiornamento Databricks Genie Agents indica una direzione verso la distribuzione di esperienze analitiche insieme ai dati. Si tratta di un'espansione significativa del ruolo del prodotto. Il suo successo dipenderà dalla capacità dei fornitori di supportare tali esperienze con la stessa cura applicata ai prodotti informativi sottostanti.

Cosa osservare mentre queste funzionalità raggiungono più flussi di lavoro

Le prossime evidenze utili riguarderanno la prontezza all'implementazione, la qualità delle risposte da fonti miste e il lavoro completato con responsabilità visibile.

Il primo segnale è una disponibilità più chiara. Nei prossimi mesi, gli acquirenti dovrebbero osservare le note di rilascio e la documentazione per cambiamenti nell'analisi dei documenti e nella condivisione. Dovrebbero inoltre verificare se le indicazioni sui connettori risolvono la discrepanza tra l'annuncio e la documentazione sulle integrazioni.

Indicazioni coerenti rafforzerebbero l'idea che le organizzazioni possano pianificare implementazioni attorno a un insieme stabile di funzionalità. Differenze persistenti renderebbero la valutazione più dipendente da conferme specifiche dell'ambiente di lavoro. Nessuno dei due esiti dovrebbe essere dedotto dal marchio ombrello Genie.

Il secondo segnale è costituito dalle evidenze sulle domande che richiedono sia documenti sia tabelle. Una valutazione utile dovrebbe rivelare se il sistema ha trovato le evidenze necessarie e le ha interpretate correttamente. Una risposta fluente da sola offre scarsa visibilità su entrambi i requisiti.

La documentazione sul monitoraggio degli agenti di Databricks fornisce una base per testare e riesaminare il comportamento degli agenti. Gli acquirenti dovrebbero usare tale capacità per esaminare attività rappresentative della propria attività. Il risultato importante è stabilire se le prestazioni restano accettabili dopo che fonti e istruzioni cambiano.

Per esempio, una valutazione può distinguere un calcolo corretto da una spiegazione supportata. Una risposta potrebbe ottenere la cifra finanziaria corretta interpretando però erroneamente un'eccezione contrattuale. Registrare separatamente questi esiti rende la decisione di implementazione più informativa.

Valutazioni indipendenti o pubblicate dai clienti con metodi chiari rafforzerebbero il caso per un utilizzo più ampio. Report che omettono le condizioni delle fonti o i casi di errore lascerebbero importanti interrogativi senza risposta. Le evidenze dovrebbero spiegare ciò che è stato testato, anziché limitarsi a descrivere l'entusiasmo degli utenti.

Il terzo segnale è il lavoro completato con una documentazione comprensibile delle decisioni. Le organizzazioni dovrebbero osservare se un contesto più ampio riduce lo sforzo necessario per raggiungere un risultato revisionato. Dovrebbero inoltre esaminare il lavoro introdotto dalla verifica, dalla correzione e dalla manutenzione dell'agente.

Una risposta apparentemente più rapida può comunque generare lavoro a valle se qualcuno deve ricostruirne il ragionamento. Una risposta più lenta ma ben supportata può essere più utile quando la revisione comporta conseguenze concrete. Il confronto deve includere l'intera attività.

Gli esempi riusciti dovrebbero distinguere tra azioni suggerite e azioni autorizzate e completate. Dovrebbero inoltre lasciare spazio a un rifiuto o a un'escalation appropriati. Un agente che riconosce l'insufficienza delle evidenze può servire un flusso di lavoro meglio di uno che produce sempre una raccomandazione sicura di sé.

Questi segnali determineranno quanta responsabilità operativa le imprese attribuiranno al prodotto ampliato. L'accesso alle funzionalità crea l'opportunità di testare tale responsabilità. Esiti ripetuti e ispezionabili forniscono una base più solida per estenderla.

Prima di ampliare un progetto pilota, scegliete una domanda aziendale che richieda già un calcolo, evidenze documentali e un passaggio successivo revisionato. Stabilite quale sia un risultato corretto prima di confrontare la risposta dell'agente. Chiedete al responsabile aziendale di ispezionare separatamente le evidenze e l'azione proposta. Registrate dove il giudizio umano rimane necessario e se il flusso di lavoro fa risparmiare impegno dopo la revisione. Usate questi risultati per decidere a quali fonti o strumenti aggiuntivi vale la pena concedere l'accesso. L'aggiornamento Databricks Genie Agents amplia ciò che i team possono tentare; la decisione pratica riguarda quali responsabilità le loro evidenze giustificano di assegnare successivamente. Cosa dovrebbe vedere la vostra organizzazione prima di fidarsi dell'azione risultante?

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

al momento remio supporta solo Windows 10+ (x64) e M-Chip Macs.

Il tuo partner AI al lavoro
Fai di più con remio

Pianifica. Crea. Consegna.
Tutto in un unico posto.

bottom of page