Se ci stiamo interrogando su come fare siti web ed e-commerce adatti agli agenti AI, forse dovremmo chiederci anche come rendere adatte le dashboard: come renderle funzionali a un agente, oltre che a una persona.
Anni di dati in fotografie.
Per anni mi sono rifiutato di mettere nelle mie presentazioni l’immagine di un grafico. Non è una questione di gusto o di formato. Un grafico incollato su una slide è un dato fermo: tutto quello che poteva dirti, te lo dice lì, nel momento in cui lo guardi e poi smette di essere utile. L’insight c’è, magari anche buono, ma l’azione che ne dovrebbe seguire resta chiusa dentro la sala riunioni.
Ho sempre sostenuto che quei numeri andassero ereditati direttamente dalla dashboard di sistema, dal posto dove vivono. Abbiamo avuto a disposizione per almeno 3 decenni il linguaggio del web, HTML e CSS, ma abbiamo continuato con i PowerPoint e le foto in jpeg.
Il dato dinamico di una dashboard permette l’esplorazione dinamica: la capacità di un gruppo di lavoro di chiedersi “andiamo a vedere se lo scorso anno era uguale”, oppure “confrontiamolo con questo altro dato e vediamo se esiste una causalità”. Gli screenshot dei grafici, invece, danno ragione solo a chi li presenta. Soprattutto dopo aver letto “How to Lie with Statistics” di Darrell Huff.
Quando Google ha presentato Data Studio (poi Looker Studio, poi di nuovo Data Studio, il nome è cambiato più volte del dato) mi è sembrata una festa. Finalmente un punto solo dove incrociare informazioni, strategia, andamenti di business. Oggi penso che quell’idea fosse giusta per il suo tempo, ma che quel tempo stia finendo.
La dashboard come fonte di verità.
La logica era semplice. Il dato, a monte, va raccolto, trattato bene e deve essere certificato. Come la frutta biologica.
A valle, nel punto in cui marketer e creativi si siedono insieme e decidono su quale problema mettere la testa oggi, serve una vista condivisa, fresca, uguale per tutti. Da quella vista nasce l’ipotesi, dall’ipotesi nasce il test.
Vista così, la dashboard era la fonte di verità: non perché i numeri fossero perfetti, ma perché erano gli stessi per tutti, oltre che abbastanza freschi per decidere.
Il tempo che passa tra il dato e la decisione.
Il problema è quello che succede intorno ai dati. Qualcuno si accorge di un’anomalia: il tecnico, se va bene l’analista, la segnala a chi ha la responsabilità. Quello convoca una riunione, che si fa tre giorni dopo. In riunione arriva il marketer e si accorge che il problema richiede un’altra competenza, la SEO, lo sviluppo, quello che è. Passano altri tre giorni. Poi ci si riunisce di nuovo, tutti consapevoli del problema.
Da quando il dato parla a quando qualcuno prende una decisione passa, nei casi buoni, più di una settimana. Nella mia esperienza, nei casi normali tre mesi. Nei peggiori non succede nulla.
Ho clienti con cui, ancora oggi, ci si dice che sarebbe bello mettere in test qualcosa per risolvere il problema scoperto l’anno scorso. L’anno scorso. E questo senza nemmeno chiedersi se il dato su cui si è ragionato fosse affidabile.
Due crepe nel dato che chiamiamo data-driven.
Lasciamo da parte le deformazioni più note del decidere sui dati. Bastano due indizi per capire che anche chi si dichiara data-driven vive in una forma di controllo meno solida di quanto creda.
Il primo: le medie. La maggior parte dei dati che valutiamo è aggregata: la media è il posto dove si nascondono le differenze che contano. La famosa dashboard di alto livello “semplificata per il board” non è altro che un nascondiglio perfetto. Soprattutto quando un business può crescere solo con tanti piccoli miglioramenti sparsi da un solo punto percentuale, invece che andando a caccia dell’epifania da 20 o 30 punti. In quelle dashboard il dettaglio per crescere non lo vedrai mai.
Il secondo: i bot. Una parte consistente del traffico non è fatta di persone, secondo Cloudflare (che è in una posizione privilegiata per affermarlo) oltre la metà. Fino a ieri abbiamo cercato di ripulire quel traffico per non farci ingannare. Da oggi la domanda è diversa, perché una parte di quel traffico è agentico: qualcuno ha delegato a un’IA la ricerca, il confronto, a volte l’acquisto. Che decisioni prendiamo, se una parte di chi visita il sito è un agente? E come lo distinguiamo da un bot di altro tipo, nei numeri che stiamo guardando?
E anche in questo caso, le dashboard le vogliamo “pulite”, senza bot.
Non sto dicendo che l’intuito debba restare l’unica bussola. Il lavoro del manager è raddoppiato: da una parte mettere dati nell’intuito, dall’altra mettere intuito nei dati. Un loop che per anni ha avuto nella dashboard il suo luogo naturale. Ma stiamo parlando dell’era passata.
Chi guarda davvero la dashboard?
Ora guardiamo il presente. Che senso ha una dashboard se la consulto io, da solo, dopo averla costruita io?
Ha senso in un caso: ogni mattina il team si sveglia, va in un ufficio comune e la trova stampata su uno schermo da cento pollici, il meteo dell’azienda con cui tutti si orientano verso il risultato. Quanti team sono fatti così? Pochi. Servono tre o quattro KPI davvero curati: pochi team possono permettersi di tenerli puliti.
Poi c’è la versione più diffusa, la dashboard che arriva per email ogni settimana al manager. Se è configurata bene fa un confronto con l’anno scorso o con il periodo precedente: se lo scarto è troppo alto lo segnala in rosso, con la differenza percentuale. Ma intorno a quel rosso c’è la bulimia di KPI: tutti i numeri diventano indicatori di performance, ci dimentichiamo che la K sta per key.
Per come lavoro oggi, questo modo di consumare i dati è disfunzionale.
Quando il lettore è un’IA.
Se la maggior parte del mio tempo la passo con un’intelligenza artificiale in grado di correlare il contesto e di mettere a disposizione le informazioni di business, cambia chi legge i numeri.
Da una parte l’IA riceve i dati reali, la telemetria di come funziona la macchina: dove stanno in questo momento gli acquisti, il traffico, le performance. Dall’altra riceve il livello più alto, il contesto strategico: non il mondo com’è, il mondo che sto cercando di disegnare. Obiettivi di business, decisioni prese, perché le abbiamo prese.
Un grafico non fa questo incrocio. Chi legge una dashboard confronta ciò che vede con ciò che ricorda dell’obiettivo. Un agente può avere l’obiettivo davanti, scritto insieme al dato per dirti dove i due si separano.
L’esplorazione che amavo nella dashboard, quel “andiamo a vedere se lo scorso anno era uguale”, non sparisce: invece di cliccare filtri la chiedi all’agente, che la fa.
Il mio lavoro non è più creare dashboard colorate né tingere di rosso o di verde un mega-trend. È capire come certificare il dato, poi scrivere con precisione gli obiettivi, le decisioni e le ragioni che stanno dietro: è quello che l’agente non può inventare e che nessun grafico contiene. Il resto, correlare fenomeni diversi alla ricerca di un pattern, lo fa l’AI.
Come si costruisce una dashboard per un agente.
Non serve un progetto da data team. Servono quattro scelte, quasi tutte da fare prima di aprire lo strumento di reportistica.
La prima riguarda i dati: ogni metrica ha un nome, una definizione scritta e un responsabile. Sembra burocrazia, ma è il lavoro che pesa di più. Nel benchmark di dbt Labs le stesse domande, con lo stesso modello, hanno dato risultati molto diversi: sui dati grezzi l’agente sbaglia circa una risposta su tre, dopo aver modellato lo schema arriva al 90% e con un livello semantico sopra al 98%. È un solo test con undici domande, quindi un indizio. Ma la cosa che mi interessa di più è come sbaglia: con le metriche definite, quando non sa l’agente risponde che non può. Sui dati grezzi dà un numero sbagliato con sicurezza.
La seconda riguarda le viste. Una vista per un agente non è un grafico: è una domanda di business già composta, con un nome chiaro e una risposta breve. Le linee guida di Anthropic per costruire strumenti per agenti dicono la stessa cosa in altri termini: pochi strumenti che coprono i flussi di lavoro importanti, nomi in linguaggio naturale invece di codici tecnici, risposte compatte, errori che spiegano come correggere la richiesta. Quindi “ricavi per canale rispetto all’obiettivo del trimestre”, non venti tabelle da esplorare.
La terza riguarda il contesto. Accanto al dato vanno gli obiettivi, le decisioni prese e le ragioni. È la parte che nessuna dashboard contiene e che l’agente non può dedurre.
La quarta riguarda la fiducia. L’agente mostra la query e le fonti. Preferisce dire “non lo so” a inventare un numero. Per le decisioni strategiche l’ultima parola resta a una persona: è questo il lavoro che dobbiamo semplificare. Io creo sempre un rapportino a fine estrazione con i metadati dell’elaborazione. Un numero di righe, un elemento di controllo. Qualcosa da poter dare in pasto a una funzione Python o a un banale Google Sheet. Se qualcosa è andato fuori posto ho un layer di controllo aggiuntivo, prima del mio intuito.
Io lavoro così con GA4, Clarity, Search Console e Google Ads: un agente collegato in sola lettura al mio accesso, che interroga i dati al posto mio, con le metriche e il periodo che gli chiedo, invece di farmi aprire il report. Mi creo viste preconfezionate frutto della mia esperienza, filtri specifici per cliente e incrocio il dato da più strumenti insieme.
Cosa resta alla dashboard.
La dashboard non sparisce, cambia posto. Resta a monte come strato di dati certificati, quello che alimenta l’agente. Smette di essere il punto in cui l’essere umano va a cercare il problema: l’agente parte da lì e porta a te il problema, con il contesto già agganciato.
Se la tua dashboard oggi la guarda una persona sola, una volta alla settimana, forse la domanda giusta non è come renderla più bella, ma chi, o che cosa, dovrebbe leggerla al posto tuo e con quale obiettivo in mano.
Quell’obiettivo, con le decisioni e le ragioni che lo accompagnano, nel mio lavoro ha un nome: Playbook, il raccoglitore delle strategie di un’azienda. Puoi iniziarne a creare uno Strategic Playbook da qui.
