Tableau presenta Agentic Analytics Platform, una nuova piattaforma di analytics agentica progettata per trasformare il modo in cui le organizzazioni usano dati, conoscenza aziendale e intelligenza artificiale. L’annuncio, arrivato il 5 maggio 2026 da San Francisco, segna un passaggio strategico per Tableau: dopo oltre vent’anni dedicati a rendere i dati visibili e comprensibili, l’obiettivo ora è permettere agli agenti AI di agire su quei dati in modo affidabile, governato e contestualizzato.
Il punto di partenza è un cambiamento nel ruolo stesso dell’analytics. Nel modello tradizionale, le persone guardavano dashboard, interpretavano grafici e portavano nel processo decisionale la propria esperienza, la conoscenza del business e il contesto operativo. Nell’era agentica, però, non sono più solo gli esseri umani a dover leggere i dati: anche gli agenti AI devono comprenderli, interpretarli e usarli per supportare o attivare azioni autonome.
Per farlo, il dato grezzo non basta. Serve conoscenza. Tableau distingue in modo netto tra data e knowledge: il dato è la materia prima, mentre la conoscenza è dato arricchito da contesto, definizioni, relazioni, semantica, regole di business, metriche e intenzione. È questo livello di significato che consente a un agente AI di capire non soltanto che cosa dicono i dati, ma che cosa significano nella realtà specifica dell’impresa.
Tableau Agentic Analytics Platform si fonda sulla conoscenza affidabile
La nuova Agentic Analytics Platform trasforma Tableau da strumento di analytics a motore di conoscenza e decisione per l’impresa agentica. L’azienda sottolinea che la piattaforma è già adottata dal 97% delle Fortune 100 e che la nuova evoluzione punta a unificare dati, logica di business e metadati in un’unica piattaforma estensibile.
L’obiettivo non è soltanto far emergere insight, ma permettere agli agenti AI di compiere azioni autonome e affidabili in tutta l’organizzazione, dentro qualsiasi applicazione e su qualsiasi superficie di lavoro. Questo significa portare l’analytics fuori dal perimetro classico della dashboard e inserirla direttamente nei luoghi dove si prendono decisioni: applicazioni aziendali, strumenti di collaborazione, workflow operativi e ambienti conversazionali.
Il cambiamento riguarda anche il ruolo degli analisti. Tableau presenta questa fase come un’opportunità per spostare gli analyst da costruttori di visualizzazioni ad architetti della conoscenza aziendale. In altre parole, non più soltanto professionisti che costruiscono report e dashboard, ma figure che modellano il significato dei dati, definiscono metriche e relazioni e rendono possibile l’uso sicuro dell’AI nei processi decisionali su larga scala.
Mark Recher, GM of Tableau at Salesforce, sintetizza così il passaggio: “Per oltre vent’anni, Tableau ha definito il modo in cui il mondo vede e comprende i dati. Ma abbiamo raggiunto un punto di svolta: vedere la verità non è più sufficiente. Le organizzazioni devono agire su di essa istantaneamente. Mentre Tableau evolve in una piattaforma di analytics agentica, stiamo elevando il ruolo dell’analista ad architetto della conoscenza, trasformando la conoscenza affidabile in decisioni che guidano l’azione su larga scala.”
Knowledge Engine, la base semantica per l’AI agentica
Il primo pilastro della piattaforma è il Knowledge Engine. Tableau sottolinea che la propria AI non parte da zero, ma da 33 milioni di modelli semantici costruiti dalla DataFam in oltre un decennio. Questa base di conoscenza unificata e verificata diventa il fondamento di ogni agente, insight e risposta generata dalla piattaforma.
La logica è chiara: se gli agenti AI devono fornire risposte attendibili, non possono affidarsi a interpretazioni generiche dei dati. Devono essere radicati nella realtà del business, nei significati definiti dai team data, nelle metriche approvate e nelle relazioni semantiche già consolidate dall’organizzazione.
Tableau punta anche su modelli semantici aperti ed estensibili, citando Open Semantic Interchange, iniziativa co-guidata con Snowflake e dbt Labs. L’obiettivo è estendere questa conoscenza anche attraverso l’intero data stack, così che l’AI lavori su basi coerenti e non su ipotesi.
Un caso d’uso chiarisce il punto. Un analista finanziario chiede a Tableau Agent di spiegare un calo dei ricavi trimestrali. Invece di limitarsi a mostrare una trend line generica, l’agente attinge alla logica di business verificata costruita dal team data dell’azienda e produce una risposta che anche un CFO può considerare attendibile.
Conversational Analytics, i dati parlano in linguaggio naturale
Il secondo pilastro è Conversational Analytics. Tableau porta le interazioni in linguaggio naturale nei propri prodotti, inclusi Server, Cloud e Next, permettendo agli utenti di interrogare i dati come farebbero con un collega, senza dover conoscere SQL o costruire una dashboard.
L’obiettivo è rendere l’accesso agli insight più immediato, mantenendo gli utenti nel flusso di lavoro. Tableau prevede anche la possibilità di passare in modo fluido tra prodotti, così che analyst e business user possano ottenere risposte contestuali nel luogo in cui stanno già lavorando.
Il caso d’uso proposto riguarda un supply chain manager che, da Desktop, chiede perché i tempi di evasione siano aumentati nel terzo trimestre. Il sistema fornisce una spiegazione conversazionale, senza obbligare l’utente ad aprire un ticket al team data o a cambiare ambiente di lavoro.
Questo tipo di analytics conversazionale non serve soltanto a semplificare l’interazione. Se collegata alla base semantica e alla conoscenza aziendale, può diventare un modo per democratizzare l’accesso ai dati senza sacrificare affidabilità e controllo.
Headless Analytics, gli insight arrivano dove si lavora
Il terzo pilastro è Headless Analytics. Tableau vuole portare insight affidabili e contestualizzati direttamente negli strumenti in cui i team lavorano ogni giorno, senza costringerli ad aprire una dashboard.
La piattaforma usa un’architettura aperta basata su MCP server per distribuire insight dentro Slack, Salesforce, Microsoft Teams, Claude, ChatGPT e altre superfici operative. Il concetto è semplice: la verità dei dati deve arrivare dove le decisioni vengono prese, non solo dove i dati sono conservati.
Un esempio riguarda un direttore vendite regionale che riceve in Slack un alert proattivo da Tableau: la copertura della pipeline è a rischio nel Southwest. L’avviso include una raccomandazione generata dall’AI, senza che l’utente debba aprire una dashboard o avviare una nuova analisi.
Questo approccio cambia il rapporto tra analytics e operatività. L’insight non è più un oggetto da cercare, ma un segnale che raggiunge l’utente al momento opportuno, dentro il contesto operativo corretto.
Decision Engine, dall’insight all’azione nello stesso flusso
Il quarto pilastro è Decision Engine. Individuare un problema è solo metà del lavoro: la piattaforma deve anche aiutare a trasformare quell’insight in decisione e azione. Tableau punta quindi a chiudere il ciclo tra analisi e risultato, attivando direttamente workflow operativi.
Il Decision Engine può creare un caso di supporto, avvisare un team lead o avviare un workflow di remediation. In questo modo, ogni persona e ogni agente possono agire su ciò che i dati stanno indicando, con un passaggio più rapido dall’analisi all’esecuzione.
Il caso d’uso presentato riguarda un customer success manager che rileva un calo dei punteggi di soddisfazione cliente in un account strategico. Tableau crea automaticamente un caso in Salesforce e lo assegna al team lead corretto, prima ancora che il cliente debba chiamare.
È qui che l’analytics agentica si distingue dalla business intelligence tradizionale. Non si limita a mostrare un’anomalia, ma può avviare un’azione dentro un workflow aziendale, mantenendo il collegamento tra dato, contesto e outcome.
Command Center, governance per gli agenti analytics
Il quinto pilastro è l’Agentic Analytics Command Center, pensato come hub centrale per gestire la strategia di analytics agentica dell’impresa. Tableau parte da un presupposto realistico: con la proliferazione degli agenti AI, la governance non può essere aggiunta dopo.
Il Command Center offre ai leader visibilità sugli agenti attivi, sui dati a cui accedono e sulla conformità degli insight automatizzati alle policy aziendali. L’obiettivo è dare osservabilità e controllo a un ambiente in cui più agenti possono interrogare dati, produrre risposte e attivare workflow.
Un esempio riguarda un direttore IT che usa il Command Center per verificare tutti gli agenti attivi che accedono a dati finanziari sensibili, assicurando che l’analytics agentica possa scalare senza introdurre rischi di compliance.
Il tema è centrale. Se l’AI deve passare dall’assistenza all’azione, serve un livello di controllo continuo: chi sta agendo, su quali dati, con quali permessi, in base a quali regole e con quale tracciabilità.
Sicurezza e governance con Salesforce e Tableau
Il sesto pilastro è Secure, Trusted, Governed. Tableau lega la piattaforma alla forza congiunta di sicurezza e governance di Salesforce e Tableau, con l’obiettivo di offrire protezione dei dati, controlli a livello di piattaforma e affidabilità enterprise-grade per i settori regolamentati.
L’azienda sottolinea che non si tratta di uno strato di sicurezza aggiunto a posteriori, ma di sicurezza progettata per l’intera piattaforma di analytics, dalla prima query all’azione finale. Il punto è rendere governabile ogni passaggio: accesso al dato, interpretazione, insight, raccomandazione e workflow.
Il caso d’uso riguarda un’organizzazione sanitaria che distribuisce Tableau Agent tra team clinici e operativi, mantenendo ogni interazione governata da controlli di accesso basati sui ruoli e log pronti per audit, in modo da rispettare i requisiti delle normative sulla privacy senza rallentare la distribuzione degli insight.
In ambiti come sanità, finanza, pubblica amministrazione e industria regolamentata, questo aspetto può diventare decisivo. L’AI agentica potrà essere adottata su larga scala solo se le organizzazioni potranno dimostrare di controllare dati, accessi, azioni e responsabilità.
Dal dashboard alla decisione, i primi risultati
Tableau posiziona la nuova piattaforma come uno strumento per scalare la conoscenza affidabile in tutta l’impresa. Le organizzazioni, secondo l’azienda, stanno già osservando cambiamenti misurabili nel modo di operare, recuperando migliaia di ore prima perse nella ricerca manuale dei dati e nei workflow frammentati.
Demetri Salvaggio, VP, Customer Experience & Operations di Engine, descrive Tableau come livello di osservabilità per gli agenti: “Tableau è il livello di osservabilità per i nostri agenti. Invece di costruire reporting su misura per ogni nuovo workflow AI, colleghiamo gli agenti alla stessa infrastruttura Tableau di cui il business si fida già, ottenendo visibilità immediata e governata su ciò che i nostri agenti stanno facendo e sui risultati che stanno generando.”
Il punto è significativo: in un ambiente in cui gli agenti AI diventano sempre più numerosi, le aziende rischiano di creare sistemi paralleli, ciascuno con proprie metriche, report e strumenti di controllo. Collegare gli agenti a una piattaforma di analytics già adottata dal business può ridurre duplicazioni, incoerenze e rischi di governance.
Will Sutton, Tableau Visionary, richiama invece il valore della logica di business già costruita nel tempo dentro Tableau: “Nel corso degli anni abbiamo costruito molta della logica di business che vive dentro Tableau, definendo metriche, relazioni e descrizioni per rendere i dati interpretabili e utilizzabili dagli utenti quotidiani. Ora l’aspetto potente è che questo contesto non resta semplicemente nelle dashboard. Viene sfruttato dall’AI ovunque avvenga il lavoro, per fornire risposte affidabili e supportare decisioni al ritmo richiesto oggi dal business.”
Questa è probabilmente la parte più rilevante dell’annuncio. Tableau prova a valorizzare anni di lavoro semantico e modellazione dei dati, trasformandoli in base operativa per agenti AI. La conoscenza costruita dagli analisti non resta confinata nei report, ma diventa carburante per decisioni e azioni automatizzate.
Disponibilità delle nuove funzioni Tableau
Tableau ha indicato anche il calendario di disponibilità delle principali novità. Auto Knowledge Graph sarà generalmente disponibile a luglio. Le capacità di conversational analytics di Tableau Agent sono già generalmente disponibili, con nuove funzionalità in arrivo nelle dashboard a giugno.
I Tableau MCP server sono generalmente disponibili per Tableau Next, Cloud e Server. Le nuove integrazioni con Microsoft Teams, Slack e Google Workspace sono generalmente disponibili da oggi. L’Agentic Analytics Command Center sarà generalmente disponibile in autunno.
Queste date sono importanti perché mostrano una roadmap già articolata. Alcune componenti sono immediatamente accessibili, altre arriveranno nei prossimi mesi, in una progressione che porta la piattaforma verso un modello sempre più completo di analytics agentica.
Gli analisti diventano architetti della conoscenza
La novità più profonda di Tableau Agentic Analytics Platform non è solo tecnica. Riguarda il ruolo della funzione analytics dentro l’impresa. Se gli agenti AI devono agire su dati affidabili, qualcuno deve costruire, mantenere e governare la conoscenza che rende quei dati utilizzabili.
Questo sposta gli analyst verso un ruolo più strategico. Non basta più creare dashboard leggibili o report efficaci. Diventa necessario progettare modelli semantici, definire metriche, chiarire relazioni, validare regole di business, costruire fiducia e rendere la conoscenza aziendale disponibile agli agenti nei contesti in cui il lavoro avviene.
La promessa di Tableau è portare le imprese da un modello basato sulla visualizzazione a un modello basato su conoscenza, decisione e azione. È una trasformazione coerente con l’evoluzione dell’AI enterprise: gli agenti non possono limitarsi a generare risposte plausibili, ma devono agire su basi affidabili, con governance, sicurezza e tracciabilità.
In questo scenario, l’analytics non scompare dentro l’AI. Al contrario, diventa una delle sue infrastrutture più importanti. Perché se l’AI agentica deve operare davvero nei processi aziendali, il suo valore dipenderà dalla qualità della conoscenza su cui è costruita.
