Snowflake alza l’asticella dell’AI enterprise con una serie di annunci che puntano dritto a un obiettivo preciso: trasformare l’intelligenza artificiale da progetto sperimentale a infrastruttura operativa quotidiana. La strategia è chiara e coerente lungo tutta la piattaforma: sviluppo assistito da agenti, dati “AI-ready” per design e un livello semantico governato automaticamente, così che modelli e agenti possano lavorare su metriche affidabili, in tempo reale e su scala industriale.
Il filo conduttore è uno solo: eliminare attriti, silos e fragilità che oggi rallentano il passaggio dall’idea alla produzione.
Cortex Code: l’agente di coding che capisce il contesto dei dati aziendali
Al centro delle novità c’è Cortex Code, un agente di sviluppo nativo Snowflake progettato per operare direttamente all’interno dello stack dati enterprise. A differenza dei classici assistenti di programmazione, Cortex Code non si limita a generare codice: comprende struttura dei dati, governance, risorse di calcolo e vincoli operativi, traducendo richieste in linguaggio naturale in pipeline dati, analytics, workflow ML e applicazioni AI già pronte per l’ambiente produttivo.
L’agente è integrato sia nell’interfaccia Snowsight sia negli ambienti di sviluppo locali (CLI, VS Code, Cursor) e copre l’intero ciclo di vita del progetto: design, implementazione, ottimizzazione e operatività. L’obiettivo è ridurre drasticamente il tempo necessario per portare soluzioni AI affidabili in produzione, mantenendo controlli di sicurezza e compliance di livello enterprise.
A supporto arrivano anche nuove funzionalità collaborative, integrazioni per il cosiddetto “vibe coding” delle app AI e l’accesso a fonti web in tempo reale tramite agenti, per combinare dati interni e contesto esterno con minori rischi di allucinazioni.
Snowflake Postgres: transazionale, analytics e AI sullo stesso piano
Il secondo pilastro riguarda i dati. Con Snowflake Postgres – ora eseguito nativamente nell’AI Data Cloud – l’azienda porta il database open source più diffuso direttamente nella propria piattaforma, consentendo alle imprese di unificare workload transazionali, analitici e AI su un’unica infrastruttura.
Questo significa superare l’architettura tradizionale a silos, fatta di database separati e pipeline complesse. Le applicazioni possono lavorare su dati operativi aggiornati in tempo reale, mentre analytics e agenti AI accedono allo stesso patrimonio informativo senza duplicazioni né movimenti forzati.
Grazie alle estensioni pg_lake, Snowflake Postgres interagisce direttamente con tabelle Apache Iceberg usando SQL standard, permettendo di leggere e scrivere dati nel lakehouse senza passaggi intermedi. Il risultato è una base dati unificata su cui costruire applicazioni mission-critical, raccomandazioni, forecasting e funzionalità AI avanzate, con minore complessità infrastrutturale.
A questo si aggiungono nuove capacità di interoperabilità, condivisione dati in formati aperti e resilienza integrata: governance applicabile anche da motori esterni, data sharing senza ETL e sistemi di backup pensati per accelerare il recovery in caso di incidenti o attacchi ransomware.
Semantic View Autopilot: la semantica diventa automatica
Il terzo elemento chiave è Semantic View Autopilot, un servizio AI che automatizza creazione, ottimizzazione e manutenzione delle viste semantiche. In pratica, Snowflake prova a risolvere uno dei problemi più sottovalutati dell’AI enterprise: la mancanza di un linguaggio comune sulle metriche di business.
Oggi molte organizzazioni definiscono manualmente il livello semantico, con risultati frammentati e incoerenti. Questo porta gli agenti AI a lavorare su definizioni diverse dello stesso concetto, minando affidabilità e fiducia. Semantic View Autopilot apprende dall’uso reale dei dati e genera automaticamente modelli semantici governati, mantenendoli aggiornati nel tempo e condividendoli con gli strumenti di analytics già in uso.
Il beneficio è doppio: riduzione drastica dei tempi di modellazione (da giorni a minuti) e diminuzione delle allucinazioni, perché gli agenti operano su metriche validate e coerenti.
Dalla data science alla produzione, senza uscire dalla piattaforma
Snowflake rafforza anche il percorso end-to-end del machine learning. I Notebooks gestiti (basati su Jupyter) diventano il punto di partenza per sviluppo ML e data science, ora integrati con Cortex Code per costruire pipeline complete via prompt. Arrivano strumenti di experiment tracking, feature store online e inferenza in tempo reale, così che training, serving e monitoraggio restino nello stesso perimetro governato.
Per gli agenti AI entrano in gioco le Cortex Agent Evaluations, che rendono tracciabile e verificabile il comportamento degli agenti prima del rilascio in produzione, analizzando correttezza delle risposte, uso degli strumenti e coerenza logica. Un passaggio cruciale quando l’AI supporta decisioni operative.
Chiude il cerchio una nuova attenzione alla sostenibilità economica dell’AI, con funzioni di stima preventiva dei costi basate sul conteggio dei token, pensate per evitare sorprese quando i carichi diventano significativi.
Un’AI pensata per funzionare davvero in azienda
Messe insieme, queste novità raccontano una visione precisa: l’AI non è più un layer aggiuntivo sopra i dati, ma un elemento strutturale dell’infrastruttura. Snowflake punta a offrire un ambiente unico in cui sviluppo, dati, semantica, governance e operatività convivono, riducendo drasticamente la distanza tra prototipo e produzione.
Il messaggio al mercato enterprise è diretto: per ottenere valore reale dall’intelligenza artificiale servono contesto, dati affidabili e strumenti progettati per ambienti complessi. Modelli potenti da soli non bastano.
Ed è su questo terreno – quello dell’AI pronta per il business, non per le demo – che Snowflake sta giocando la sua partita.
