Per anni il marketing technology stack è stato descritto come un insieme di applicazioni specializzate: piattaforme per la gestione dei dati dei clienti, marketing automation, analytics, advertising e business intelligence. Lo scopo era integrarle per raccogliere dati, analizzarli e attivare campagne.
L’intelligenza artificiale sta modificando questa architettura molto più profondamente dell’introduzione di una nuova categoria software. Gli agenti AI spostano il punto di controllo dell’intero sistema: le applicazioni continuano a svolgere le proprie funzioni, mentre decisioni, accesso ai dati, orchestrazione dei workflow ed esecuzione delle attività vengono progressivamente coordinate da un livello di orchestrazione comune.
È questa la trasformazione descritta dalla quinta edizione del report The Modern Marketing Data Stack di Snowflake, basato sull’analisi di oltre 11.500 clienti attivi. Il marketing data stack evolve da insieme di strumenti a infrastruttura condivisa, nella quale dati governati, contesto operativo e regole comuni permettono a persone, applicazioni e agenti AI di operare sullo stesso patrimonio informativo.
Snowflake definisce questa evoluzione governing the agentic enterprise: un modello nel quale gli agenti operano con crescente autonomia, rispettando vincoli su dati, autorizzazioni, contesto e supervisione umana. La governance diventa così il presupposto tecnico per rendere l’intelligenza artificiale affidabile e scalabile nei processi di marketing.
“Per anni il marketing ha scelto gli strumenti. Oggi deve governare gli agenti”, sintetizza Denise Persson, Chief Marketing Officer di Snowflake. La sfida non consiste più nell’ampliare il catalogo delle applicazioni, ma nel costruire un’infrastruttura nella quale l’intelligenza artificiale possa operare in modo scalabile, affidabile e responsabile.
Dagli assistenti agli agenti: cambia il livello dell’automazione
L’intelligenza artificiale è ormai presente nella quasi totalità delle piattaforme di marketing. La vera discontinuità riguarda il tipo di attività affidate ai sistemi AI. Dopo una prima fase dedicata alla generazione di contenuti, alla sintesi delle informazioni e al supporto all’analisi, stanno emergendo workflow nei quali gli agenti coordinano intere sequenze operative.
Un agente può recuperare dati da sistemi differenti, scegliere gli strumenti da utilizzare, interrogare un modello linguistico, avviare un processo di approvazione, aggiornare un CRM o preparare una campagna, mantenendo la supervisione umana quando richiesta. Il valore non risiede nella singola capacità del modello, ma nella possibilità di orchestrare attività distribuite tra applicazioni diverse.
Scott Brinker, fondatore di chiefmartec, descrive questa evoluzione come l’introduzione di un control plane: un livello software che raccoglie il contesto, prende decisioni e coordina l’esecuzione attraverso le applicazioni già presenti in azienda. CRM, piattaforme pubblicitarie, strumenti di analytics e marketing automation continuano a svolgere le proprie funzioni, mentre il controllo dell’intero processo viene progressivamente concentrato in questo livello di orchestrazione.
L’attenzione si sposta così dalle funzionalità dei singoli prodotti alla qualità dell’infrastruttura condivisa. Dati coerenti, interoperabilità tra applicazioni, definizioni comuni e regole uniformi di governance diventano i requisiti che permettono agli agenti di operare sulla stessa rappresentazione della realtà aziendale, sostenendo un’automazione distribuita e affidabile.
I dati diventano il centro dell’architettura
La proliferazione di piattaforme specializzate ha portato a duplicare continuamente le informazioni tra CRM, Customer Data Platform, sistemi di marketing automation, strumenti di analytics e piattaforme pubblicitarie. Ogni applicazione mantiene una propria copia dei dati dei clienti, aggiornata con tempi e criteri differenti.
Gli agenti AI rendono questo modello sempre meno sostenibile. Per recuperare informazioni, prendere decisioni e coordinare attività attraverso più applicazioni hanno bisogno di operare su una base informativa coerente. Versioni diverse dello stesso cliente, della stessa campagna o degli stessi indicatori compromettono l’affidabilità dell’automazione.
Le piattaforme dati assumono quindi un ruolo centrale. Informazioni provenienti da vendite, campagne, assistenza clienti, operation e applicazioni aziendali convergono nello stesso ambiente, dove possono essere governate, correlate e condivise tra utenti e agenti AI.
La stessa infrastruttura deve però soddisfare due esigenze complementari: proteggere i dati dei clienti per rispettare privacy, compliance e requisiti di sicurezza, e renderli disponibili ovunque possano generare valore, dalla personalizzazione all’analisi fino agli agenti AI. Ridurre la duplicazione delle informazioni consente di raggiungere entrambi gli obiettivi applicando regole di governance uniformi all’intero patrimonio informativo.
Anche la natura dei dati cambia. Accanto alle informazioni strutturate entrano trascrizioni di chiamate, email, conversazioni, documentazione tecnica, immagini e altri contenuti non strutturati, dai quali i modelli linguistici estraggono segnali di intenzione, contesto e sentiment.
L’affidabilità dell’intero sistema dipende infine da elementi meno visibili ma decisivi: definizioni condivise degli indicatori, metadati, relazioni tra le entità, gestione delle identità e politiche uniformi di accesso. Sono questi componenti a garantire che persone, applicazioni e agenti AI interpretino le informazioni nello stesso modo.
Lo stack deve quindi essere progettato anche per gli agenti AI. Come gli utenti umani, anche i sistemi autonomi hanno bisogno di dati descritti, permessi espliciti, metadati coerenti e interfacce standardizzate per operare in sicurezza e prendere decisioni affidabili.
Anche i modelli linguistici diventano infrastruttura
La diffusione degli agenti modifica anche il ruolo dei modelli linguistici. Se nella prima fase dell’AI generativa la scelta del modello sembrava la principale decisione tecnologica, oggi i modelli vengono trattati come componenti intercambiabili di un’infrastruttura più ampia.
Le imprese utilizzano sempre più spesso una LLM mesh, cioè un insieme di modelli con caratteristiche differenti orchestrati all’interno della stessa infrastruttura. I modelli di frontiera vengono riservati ai compiti che richiedono capacità di ragionamento più sofisticate, mentre modelli più piccoli trovano impiego dove contano velocità di risposta, costi di esecuzione e possibilità di operare su infrastrutture locali o con risorse limitate. L’obiettivo è assegnare ogni attività al modello più adatto, riducendo costi, latenza e dipendenza da un singolo fornitore.
La qualità dei risultati dipende sempre meno dal singolo modello e sempre più dal contesto che gli viene fornito. Per questo assumono un ruolo centrale i semantic layer, che definiscono in modo univoco entità, relazioni, metriche e terminologia aziendale. Indicatori come “cliente attivo”, “conversione” o “ricavo” vengono descritti una sola volta e condivisi da dashboard, analytics, applicazioni operative e agenti AI. Accanto alle tradizionali architetture Retrieval-Augmented Generation (RAG) iniziano inoltre a diffondersi approcci Graph RAG, che utilizzano grafi di conoscenza per rappresentare le relazioni tra dati, clienti, prodotti e processi, migliorando la qualità del contesto e riducendo il rischio di interpretazioni errate.
Anche cataloghi dei dati, convenzioni di nomenclatura, metadati e documentazione diventano parte dell’infrastruttura, consentendo agli agenti di orientarsi nel patrimonio informativo aziendale e di individuare rapidamente dati, relazioni e responsabilità.
L’intelligenza artificiale inizia inoltre ad automatizzare la modellazione dei dati. Gli strumenti più recenti sono in grado di generare modelli SQL, documentazione, test di qualità e analisi delle dipendenze partendo da descrizioni in linguaggio naturale, permettendo ai data engineer di dedicare più tempo alla progettazione dell’architettura informativa e della governance.
Il profilo del cliente diventa una base decisionale
Le piattaforme Customer 360 riuniscono in un unico profilo tutte le informazioni disponibili su ciascun cliente: dati provenienti dal CRM, acquisti, interazioni con il sito web, campagne marketing, assistenza clienti e altri sistemi aziendali. Nate per offrire una vista unificata della relazione con il cliente, oggi diventano il punto di partenza dei processi decisionali.
Accanto ai dati strutturati confluiscono email, trascrizioni di telefonate, conversazioni con il servizio clienti, documenti, immagini e altri contenuti non strutturati. I modelli linguistici trasformano queste informazioni in segnali di contesto, intenzione e sentiment utilizzabili dagli agenti AI.
Il Customer 360 diventa così una base decisionale condivisa. Una richiesta aperta all’assistenza, il tono di una conversazione, il contenuto di un’email o un cambiamento nelle abitudini di acquisto possono modificare automaticamente la priorità di una campagna, sospendere una promozione o suggerire un’offerta più pertinente, mantenendo coerenti tutti i punti di contatto con il cliente.
La stessa logica si estende ai sistemi di attivazione del marketing. I workflow basati su regole statiche lasciano spazio a piattaforme orientate agli obiettivi: il marketing definisce il risultato da raggiungere – aumentare la fidelizzazione, ridurre l’abbandono, incrementare il valore del cliente – mentre gli agenti AI scelgono dinamicamente il canale, il momento e il contenuto più adatti.
Anche gli strumenti di analisi evolvono. Alle dashboard si affiancano interfacce conversazionali e agenti capaci di esplorare autonomamente i dati, individuare anomalie, confrontare periodi differenti e suggerire le possibili cause delle variazioni osservate. Il ruolo degli analisti si sposta così dalla produzione di report alla definizione di metriche condivise, modelli semantici e prodotti dati riutilizzabili dall’intera organizzazione.
Anche la misurazione delle performance cambia. I modelli predittivi permettono di stimare l’impatto di modifiche ai budget, ai canali o alle campagne prima della loro esecuzione, mentre gli agenti possono proporre la riallocazione degli investimenti sulla base dei risultati osservati.
Parallelamente cresce una nuova categoria di traffico generata da crawler, assistenti AI e agenti software. Distinguere le interazioni umane da quelle automatizzate diventa sempre più importante per interpretare correttamente gli indicatori di performance.
Cresce inoltre il ricorso alle Data Clean Room, ambienti nei quali aziende, editori e piattaforme possono analizzare dati condivisi senza scambiarsi informazioni personali. Questo approccio consente di misurare campagne, collaborare tra organizzazioni e sviluppare modelli AI nel rispetto dei vincoli di privacy e governance.
Dalle piattaforme ai modelli operativi
Cambia di conseguenza anche il ruolo delle grandi suite di marketing. Per anni il loro valore è stato misurato soprattutto dall’ampiezza delle funzionalità disponibili: gestione delle campagne, automazione, analytics, contenuti, advertising e Customer Data Platform riuniti in un’unica piattaforma.
Con l’AI assume maggiore importanza la capacità di coordinare decisioni distribuite mantenendo una visione coerente di dati, autorizzazioni e processi. La qualità della piattaforma dipende quindi dall’integrazione tra applicazioni, modelli linguistici e agenti AI più che dal numero di moduli disponibili.
Da questa evoluzione nasce l’interesse per architetture composable, nelle quali CRM, analytics, marketing automation e applicazioni verticali condividono la stessa base dati e gli stessi meccanismi di governance. Le organizzazioni possono così sostituire o aggiungere singole componenti senza ricostruire l’intero stack, semplificando anche l’introduzione di nuovi servizi AI.
Anche i criteri di scelta delle piattaforme cambiano. Oltre alle funzionalità, diventano determinanti la capacità di integrarsi con l’ecosistema esistente, utilizzare dati governati, supportare modelli linguistici differenti e adattarsi all’evoluzione delle tecnologie AI.
Il mercato riflette questa trasformazione più con un consolidamento che con una rivoluzione. L’84% dei vendor presenti nell’edizione precedente compare anche nel nuovo report, l’86% mantiene la posizione di leadership e quattordici aziende risultano leader in tutte e cinque le edizioni dello studio. La crescita dell’AI non sta quindi sostituendo le piattaforme esistenti, ma premia quelle che riescono a evolvere verso architetture aperte, interoperabili e orientate agli agenti.
Una convergenza che va oltre Snowflake
L’evoluzione descritta da Snowflake si inserisce in una trasformazione più ampia del software enterprise. L’azienda interpreta il cambiamento dalla prospettiva della propria piattaforma cloud per la gestione dei dati, ma direttrici analoghe emergono anche nelle strategie di altri protagonisti del settore.
Salesforce costruisce Agentforce attorno al Data Cloud come livello condiviso per gli agenti AI; Microsoft integra Fabric, Microsoft 365 Copilot e Azure AI in un’infrastruttura unificata per dati e processi; SAP affianca Joule alla Business Data Cloud per fornire agli agenti un contesto comune basato sui dati aziendali; Oracle punta sull’integrazione tra database, AI e applicazioni enterprise. Da una prospettiva differente, Adobe interpreta la stessa evoluzione estendendo Experience Platform con servizi AI e agenti dedicati alla creazione, alla personalizzazione e all’orchestrazione delle esperienze digitali.
Cambiano le piattaforme, i mercati di riferimento e gli approcci tecnologici, ma emerge una convergenza architetturale. L’intelligenza artificiale non viene più sviluppata come una funzionalità isolata: opera su dati governati, processi condivisi e livelli comuni di orchestrazione.
L’architettura diventa un vantaggio competitivo
L’intelligenza artificiale non sta sostituendo il marketing technology stack, ma ne sta ridefinendo l’architettura. Dati, applicazioni, modelli linguistici e agenti AI diventano componenti della stessa infrastruttura, progettata per sostenere processi decisionali sempre più distribuiti e automatizzati.
Questa evoluzione sposta anche le priorità degli investimenti. L’adozione di modelli linguistici sempre più avanzati produce benefici limitati se dati, identità, metriche e regole di accesso rimangono frammentati. Una piattaforma dati condivisa permette invece di integrare nuovi modelli, sviluppare agenti specializzati e adattare rapidamente i processi senza ricostruire l’intera architettura.
L’evoluzione è già visibile in organizzazioni che hanno costruito una piattaforma dati condivisa sulla quale far operare modelli linguistici e agenti AI. HelloFresh ha unificato dati operativi e commerciali ottenendo una riduzione del 30% nei tempi di gestione dei dati; Fanatics utilizza oltre due miliardi di segnali raccolti ogni giorno per costruire profili unificati di più di 100 milioni di clienti interrogabili anche attraverso agenti AI; Coinbase ha ridotto da mesi a pochi giorni il ciclo di sviluppo e rilascio dei modelli di machine learning grazie a un’infrastruttura dati condivisa.
Il marketing rappresenta uno dei primi ambiti nei quali questa trasformazione è già visibile, perché concentra grandi volumi di dati provenienti da sorgenti eterogenee e richiede decisioni continue in tempi molto rapidi. Le stesse architetture sono però destinate a estendersi a vendite, assistenza clienti, operation e altre funzioni aziendali.
L’AI agentica trasforma il marketing data stack in una piattaforma operativa condivisa, nella quale dati, modelli linguistici e agenti collaborano all’interno della stessa infrastruttura governata. L’obiettivo non è aggiungere nuove funzionalità di intelligenza artificiale alle piattaforme esistenti, ma progettare un ecosistema nel quale gli agenti possano operare in modo nativo, condividendo dati, contesto e regole con l’intera organizzazione. È questo cambiamento architetturale a distinguere la nuova generazione di piattaforme Martech.
