Il Deloitte 2026 Tech Trends Report evidenzia un divario marcato tra il numero di progetti pilota di agenti AI (38 %) e le implementazioni effettive in produzione (solo 11 %). Questo scarto si riscontra in tutti i settori e in aziende di ogni dimensione. Spesso i team costruiscono una demo convincente, la collegano a dati reali e, una volta messa in opera, l’agente restituisce numeri di fatturato errati o ignora vincoli di policy che un analista junior avrebbe subito.

Il problema del contesto mancante

La radice del problema è la mancanza di contesto. Un agente AI deve conoscere la definizione autorevole di ogni metrica, quali dati sono aggiornati, quali permessi ha ciascun utente e cosa è accaduto nell’ultima conversazione. Senza queste informazioni, anche il modello più avanzato opera “a intuito”. Inoltre, quando l’agente trova la risposta corretta, la condivisione di tali insight con il resto dell’organizzazione risulta complessa.

Le tre dimensioni chiave di Snowflake

Durante l’evento AExpedition 2026, Snowflake ha annunciato nuove funzionalità organizzate lungo tre assi fondamentali:

    • Grounding: collega gli agenti AI ai dati governati, alle metriche e alla business logic, garantendo risposte basate su definizioni autorevoli.
    • Azione: consente agli agenti di eseguire lavoro reale rispettando i permessi utente, integrandosi con gli strumenti già utilizzati dai team e offrendo piena verificabilità.
    • Effetto moltiplicatore: permette di condividere skill, profili e memoria testati in tutta l’organizzazione, così ogni nuovo agente parte da una base migliore.

Contesto e governance: il ruolo di Cortex Sense

Snowflake Cortex Sense, attualmente in public preview, genera automaticamente il contesto a partire dagli schemi esistenti, dalle definizioni metriche e dalla business logic. In questo modo non è più necessario spendere settimane per configurare connessioni. Cortex Sense opera su dati interni, dati condivisi e dati acquistati tramite il Marketplace Snowflake, fornendo agli agenti una visione completa del panorama aziendale.

Ricerca analitica su dati non strutturati

Quando gli agenti devono ragionare su grandi volumi di informazioni non strutturate, Analytical Search (public preview) permette di contare, confrontare e individuare tendenze in migliaia di documenti: contratti, ticket di supporto, report interni. Non si tratta di una semplice ricerca per parole chiave; l’AI elabora intere collezioni per rispondere a domande come “Quanti contratti contengono una clausola di escalation dei prezzi?” o “Quali ticket di supporto menzionano la stessa causa principale?”. Grazie a Cortex Search ora, le policy di row‑access e masking sono applicate anche ai documenti, garantendo lo stesso livello di sicurezza dei dati strutturati.

Miglioramenti nella qualità del retrieval

Il nuovo modello di embedding Snowflake Arctic Embed 3S, in fase di GA, supera Arctic Embed L‑v2.0 con incrementi di performance del 3 % in inglese, 6 % nel retrieval multilingue e 23 % per tabelle e colonne strutturate, mantenendo una dimensione compatta.

Modelli foundation personalizzati

Con la diffusione dei modelli frontier, il vantaggio competitivo passa alla capacità di personalizzare il modello sul proprio dominio. Le organizzazioni stanno adottando modelli foundation open‑weight, raffinati tramite fine‑tuning supervisionato e reinforcement learning. Snowflake Cortex Training (public preview) semplifica il post‑training e il deployment di modelli come Gemma su dati proprietari, usando GPU gestite. I benchmark indicano costi fino al 61 % inferiori rispetto alle soluzioni serverless concorrenti.

Gestione completa del ciclo di vita dell’AI

Cortex Training integra Cortex AI Gateway (public preview) per tracciare e loggare le attività degli agenti, creando un ciclo di feedback continuo. Questo permette di monitorare le performance, identificare bias e migliorare costantemente i modelli.

Dati condivisi ed esterni: agenti pronti all’uso

Snowflake introduce una serie di funzionalità per rendere “agentici” anche i dati esterni:

    • AI Data Package (public preview) offre più di 60 dataset curati, completi di semantic view e di un agente AI Snowflake CoWork pronto all’uso.
    • Agentic Marketplace Discovery (public preview), basato su Snowflake CoCo, consente di reperire dati, app e AI tramite conversazione naturale.
    • Agents for Shared Data (public preview) genera automaticamente un Cortex Agent e una semantic view per qualsiasi dato condiviso, permettendo l’interrogazione conversazionale.

Fiducia e trasparenza

Una ricerca di Capgemini ha rilevato che la fiducia negli agenti AI autonomi è scesa dal 43 % al 27 % in un anno, a causa di preoccupazioni su privacy, opacità della “black box” e maturità dei dati. L’approccio integrato di Snowflake punta a contrastare questa tendenza, offrendo trasparenza, rispetto dei permessi e verificabilità dei risultati.

Snowflake CoCo: l’agente di coding

Snowflake CoCo, l’agente AI dedicato al coding per i team dati, ora esegue lavoro reale in autonomia su sessioni, pianificazioni e strumenti diversi. CoCo Automations, disponibile in GA nell’interfaccia Snowsight e nella CLI (public preview in CoCo Desktop), trasforma compiti ricorrenti in task Snowflake pianificati. Un data engineer può descrivere in linguaggio naturale operazioni come “controlla lo stato della pipeline prima dello standup” o “ricostruisci il report del lunedì”, impostare la cadenza e lasciare che l’agente esegua il lavoro entro i limiti dei permessi e delle quote di spesa.

Collaborazione e condivisione di skill

Le automazioni e le skill create con CoCo possono essere condivise tramite un catalogo di skill a livello di account. In questo modo, un workflow sviluppato da un ingegnere diventa immediatamente disponibile per tutto il team, accelerando la diffusione delle best practice.

Snowsight potenziato

Snowsight ora include una modalità CoCo: uno spazio di lavoro a schermo intero con container cloud dedicato, shell, file system, Git e live preview. Gli utenti possono avviare migrazioni lunghe, analisi multistep o costruire pipeline, chiudere il laptop e ritrovare i risultati già pronti al ritorno.

Cloud Agents per esecuzioni isolate

Con Cloud Agents (GA), i team possono eseguire CoCo in ambienti isolati e gestiti da Snowflake, garantendo sicurezza e scalabilità. Questa architettura consente di mantenere la separazione tra workload di sviluppo, test e produzione, rispettando le policy di governance aziendale.

In sintesi, Snowflake sta costruendo un ecosistema AI dove il contesto, la governance e la capacità operativa sono integrate fin dal primo passo. Gli agenti AI non sono più entità “intelligenti ma cieche”; diventano estensioni controllate e affidabili dei processi aziendali, pronte a generare valore reale, a ridurre gli errori di business e a favorire una cultura data‑driven più solida.