Data Agent in ChatGPT Work: Fonti Collegate, Dashboard e Alternative (2026)
Il 10 settembre 2026, OpenAI ha introdotto un Data agent all'interno di ChatGPT Work. L'annuncio è privo di fronzoli di marketing ed è insolitamente specifico sui meccanismi interni. Indica a quali warehouse accede l'agente, quali semantic layer legge e in quali strumenti di BI può scrivere. Specifica inoltre chi decide tutto questo.
Questa specificità è il motivo per cui vale la pena leggere attentamente questo rilascio. La maggior parte degli annunci di AI analytics descrive un risultato. Questo descrive una supply chain: dal warehouse, passando per le definizioni aziendali, fino a una dashboard che qualcuno può modificare.
Questo articolo esamina ciò che l'annuncio dice effettivamente e ciò che lascia indefinito. Spiega poi come viene svolto lo stesso lavoro quando i dati non risiedono affatto in un warehouse.
Cosa ha annunciato OpenAI
L'affermazione principale è una singola frase sulla pagina dell'annuncio. Il Data agent "si connette ai dati aziendali, esamina cosa è cambiato e crea dashboard interattive che puoi condividere".
Tre verbi svolgono il lavoro principale: connettere, esaminare e creare. Il terzo è l'elemento che distingue questo strumento da una semplice interfaccia di chat su un database. L'output non è un paragrafo di analisi, ma un artefatto che il tuo team può riaprire la settimana successiva.
La pagina inquadra il problema in termini di attesa. "Ottenere queste risposte spesso significa aspettare un report o chiedere a qualcun altro di eseguire l'analisi". Il Data agent si posiziona come lo strumento che elimina la coda, non come quello che elimina l'analista.
Un'ulteriore riga definisce i confini dell'esperienza. Puoi guidare e perfezionare l'analisi in un'unica conversazione, "senza scrivere query o imparare a usare un nuovo strumento di analytics". L'agente è pensato per essere l'interfaccia principale, non una scheda aggiuntiva.
A quali fonti di dati si connette
Questa è la sezione più concreta dell'annuncio, e vale la pena citarla anziché riassumerla.
Il Data agent "si connette a fonti di dati approvate, tra cui Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB, Snowflake e altre". Oltre a queste, "può anche importare nell'analisi file e documenti da Google Drive e SharePoint".
Quindi l'interfaccia di input ha due metà. Una metà è costituita dal warehouse e dai database operativi. L'altra metà è la pila di documenti che non sono mai finiti in un warehouse. Ciò include la presentazione trimestrale, il contratto firmato e il foglio di calcolo gestito a mano da un manager regionale.
Sulla pagina compaiono come partner di piattaforma anche Redis e G2. Questo amplia il quadro oltre l'archiviazione per analytics verso altri due tipi di input. Redis copre lo stato in tempo reale, ovvero i numeri che cambiano mentre li stai guardando. G2 copre i dati di mercato di terze parti, che rappresentano un contesto non generato direttamente dall'azienda.
Questa combinazione è degna di nota. Si tratta di un agente in grado di leggere il warehouse, l'archivio documenti, la cache live e un fornitore di dati esterno. Viene posizionato come un unico punto di accesso a tutto ciò che un'azienda sa.
Il semantic layer è la parte interessante
La sola connessione al warehouse non spiega a un agente cosa significhi "cliente attivo" per la tua azienda. L'annuncio affronta direttamente questo aspetto.
L'agente "utilizza i termini aziendali, le definizioni delle metriche, i calcoli personalizzati e le relazioni tra i dati della tua organizzazione per interpretare i dati". Tale contesto, secondo la pagina, "proviene da semantic layer e fonti affidabili come Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon e dashboard di BI".
Da questo elenco conseguono due cose. In primo luogo, la presenza di GitHub accanto a dbt implica che le definizioni delle metriche che risiedono in un codice sottoposto a controllo di versione siano trattate come una fonte di verità, non solo come documentazione. In secondo luogo, il valore di questa funzionalità scala in base al lavoro di definizione già svolto dall'azienda. Un team con un progetto dbt maturo otterrà un'esperienza molto diversa rispetto a un team che non ne ha uno.
Questo è il prerequisito silenzioso dell'intero annuncio. OpenAI è esplicita al riguardo quando descrive il proprio rollout. Il suo team di dati "ha reso possibile tutto questo creando definizioni aziendali condivise, impostando regole di accesso e implementando misure di sicurezza per i dati sensibili".
Cosa produce
L'output dichiarato è una dashboard interattiva, non una risposta statica.
Secondo la pagina, è possibile "trasformare l'analisi in una dashboard interattiva con visualizzazioni integrate" e "il tuo team può modificarla, condividerla e aggiornarla secondo necessità". È possibile fornire le linee guida del brand in modo che gli output corrispondano all'identità visiva dell'organizzazione.
Esiste anche un percorso di write-back verso strumenti già esistenti. Il Data agent "può anche creare e interagire con dashboard in Omni, Oracle BI, Power BI, Sigma, Tableau e ThoughtSpot". Questa scelta di progettazione è più importante di quanto sembri a prima vista. Significa che l'artefatto non deve necessariamente risiedere all'interno di ChatGPT Work per essere utile. Ciò riduce il costo di prova della funzionalità in un'azienda che ha già standardizzato l'uso di uno strumento di BI.
Anche i risultati possono essere inoltrati. L'agente può condividere i risultati "tramite Slack o e-mail ed eseguire le azioni approvate dall'utente attraverso gli strumenti connessi".
Quest'ultima clausola merita attenzione. L'approvazione si colloca tra la raccomandazione e l'azione, il che significa che il flusso descritto non consente all'agente di agire senza supervisione. La pagina indica inoltre che è possibile "chiedere a ChatGPT Work di consigliare i passaggi successivi e identificare chi deve essere coinvolto". L'instradamento viene quindi trattato come parte dell'analisi piuttosto che come un passaggio separato.
Chi controlla l'accesso
L'annuncio è insolitamente diretto su questo punto, e questa sezione è quella che merita più di essere letta se si sta valutando il rischio di rollout.
"Gli amministratori aziendali scelgono quali connessioni dati sono disponibili e quali ruoli possono utilizzarle". Le query poi "applicano i permessi esistenti dell'account connesso, incluse le restrizioni su tabelle, righe e colonne".
Si tratta di due livelli distinti. Gli amministratori controllano quali connettori sono effettivamente disponibili. I permessi del warehouse sottostante continuano ad applicarsi a ogni query. Una persona che ieri non poteva vedere una colonna relativa agli stipendi non la vedrà oggi tramite l'agente.
Come attivarlo
Il percorso di configurazione descritto nella pagina passa attraverso il sistema di plugin piuttosto che tramite un interruttore globale.
Il Data agent si trova "elencato come Data nella directory dei Plugin in ChatGPT Work". Gli amministratori "possono renderlo disponibile o installarlo per i propri team tramite Impostazioni del Workspace > Plugin". Possono inoltre "abilitare e configurare i plugin delle fonti di dati pertinenti, come Databricks e Snowflake, e gestire chi può utilizzarli".
Se non è già installato, seleziona Installa plugin dalla directory, completa i passaggi di connessione dell'account, quindi avvia una conversazione con @Data.
Cosa non copre l'annuncio
Vale la pena dirlo chiaramente, perché le lacune definiscono a chi si rivolge questo strumento.
La pagina non descrive il prezzo del Data agent come voce di costo separata. Inoltre, non elenca quali livelli di abbonamento di ChatGPT Work lo includano. Non viene indicata alcuna data di disponibilità generale. I partecipanti nominati del programma Alpha vengono descritti come già attivi nell'uso dello strumento, tra cui NTT DATA, Thermo Fisher Scientific, ServiceTitan e Zipline.
Non viene inoltre descritto alcun percorso per chi ha dati che non si trovano in un sistema connesso. Ogni punto di accesso documentato presuppone una connessione a un warehouse oppure un account Google Drive o SharePoint abilitato da un amministratore.
Cosa significa questo per i team più piccoli
Leggendo i prerequisiti nel loro insieme emerge un modello chiaro. Si ottengono i massimi benefici se si dispone di un warehouse, di un semantic layer, di un amministratore in grado di approvare i connettori e di uno strumento di BI in cui scrivere.
Questo descrive una categoria reale e ampia di aziende. Non descrive, invece, il team di sei persone che lavora basandosi sulle esportazioni. I loro input sono un CSV proveniente dal sistema di fatturazione, un foglio di calcolo gestito dal responsabile delle operazioni e un PDF inviato mensilmente dal fornitore.
Per questo secondo gruppo, il collo di bottiglia non è mai stato l'accesso alle query. Il problema è che i dati arrivano sotto forma di file, e i file devono essere riconciliati prima di poter porre qualsiasi domanda su di essi.
Alternative quando i dati risiedono nei file
Se l'input è una cartella anziché un warehouse, lo strumento deve partire da un punto diverso. Inizia dal caricamento anziché dalla connessione.
Powerdrill Bloom è progettato proprio per questo punto di partenza. Puoi caricare direttamente fogli di calcolo, CSV, PDF e documenti. Poni la domanda in linguaggio naturale e riceverai grafici, tabelle ed esportazioni con le righe sottostanti allegate. La sua homepage descrive questo comportamento come quello di un analista che "mostra il proprio lavoro". Ogni numero "viene restituito con l'indicazione della pagina, della riga e della cifra sottostante".
Questo requisito di tracciabilità è lo stesso che l'approccio connesso al warehouse risolve attraverso il semantic layer. Quando non è possibile indirizzare l'agente verso una definizione governata, la migliore garanzia alternativa è mostrare quale riga ha prodotto un determinato numero.
Esistono altre strade a seconda di dove si riscontra l'ostacolo. Se i tuoi dati sono già in Google Sheets e il problema riguarda la scalabilità, le migliori alternative a Google Sheets includono strumenti progettati per griglie più ampie. Se invece desideri prima una definizione più ampia della categoria, l'articolo su cos'è un AI data agent illustra gli elementi comuni a questi sistemi.
FAQs
Cos'è il Data agent in ChatGPT Work? Si tratta di un plugin annunciato da OpenAI il 10 settembre 2026. Si connette a fonti di dati aziendali approvate, esamina le modifiche e crea dashboard interattive che un team può modificare e condividere.
A quali database si connette? L'annuncio menziona Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB e Snowflake, specificando che ne sono supportati altri. Può anche importare file da Google Drive e SharePoint.
Può creare dashboard in Power BI o Tableau? Sì. La pagina indica che può creare e interagire con dashboard in Omni, Oracle BI, Power BI, Sigma, Tableau e ThoughtSpot.
Chi decide a quali dati può accedere l'agente? Gli amministratori aziendali scelgono quali connessioni sono disponibili e quali ruoli possono utilizzarle. Ogni query applica inoltre i permessi esistenti dell'account connesso per tabelle, righe e colonne.
Cosa succede se i miei dati sono in fogli di calcolo anziché in un warehouse? Ogni percorso di configurazione documentato per questa funzionalità presuppone un sistema connesso o un account Drive o SharePoint abilitato. Gli strumenti basati principalmente sui file accettano invece caricamenti diretti, il che si adatta ai team i cui input arrivano sotto forma di esportazioni.
Conclusione
L'annuncio del Data agent va letto principalmente come una dichiarazione sui prerequisiti. Connettori, semantic layer, approvazione dell'amministratore e una destinazione BI sono tutti menzionati esplicitamente. Il valore della funzionalità aumenta in base a quanto di questo lavoro preliminare è già stato svolto.
Questo lo rende ideale per le aziende che hanno investito nella governance dei dati. È invece meno adatto per i team i cui numeri arrivano ancora come allegati. Se i tuoi input sono file anziché tabelle, parti da dove si trovano i file. Prova Powerdrill Bloom gratuitamente e carica un'esportazione per vedere il percorso che porta da righe grezze a una risposta condivisibile.
Fonte: OpenAI, "Now everyone can put data to work," 10 settembre 2026. https://openai.com/index/put-data-to-work