Ieri Anthropic ha pubblicato come hanno costruito il loro "data agent" interno: Come Anthropic abilita l'analisi dati self-service con Claude
OpenAI ha pubblicato il suo post sul "data agent interno" cinque mesi fa: Dentro il data agent interno di OpenAI
Li ho letti entrambi — ecco il risultato.
Dove concordano
- La parte difficile non è scrivere SQL. È trovare la tabella giusta e capire come usarla correttamente. Entrambi lo ripetono.
- Il modello è una commodity (non lo dicono direttamente, ma...) — il contesto che lo circonda è il prodotto. Anthropic è passata dal 21% al 95% di accuratezza semplicemente aggiungendo una skill che ha accesso al contesto — una knowledge base.
- (sorpresa, non sorpresa) Più contesto non è necessariamente d'aiuto. L'accuratezza di Anthropic è aumentata di meno dell'1% dopo aver dato accesso a tutte le migliaia di query passate (posso solo immaginare quanto sia aumentato il loro consumo di token 🙂).
Dove differiscono
- OpenAI ha costruito un agente autonomo. Codex e la ChatGPT interna usano l'agente tramite MCP, oppure l'utente può chattare direttamente via web o Slack. Anthropic ha invece costruito solo una skill che ha accesso al contesto dei dati tramite una knowledge base (basata su file .md).
- OpenAI ha il contesto in un "indice" popolato quotidianamente da pipeline jobs, mentre Anthropic inserisce la knowledge base come file .md nello stesso repo del modello dati, aggiornato nella stessa PR.
Il mio punto di vista (dopo aver costruito un "data agent" per dati non strutturati, non SQL)
L'approccio di Anthropic con le skill è più "harness-native", quindi si adatta meglio al set di strumenti esistente. Credo che l'intera esperienza di sviluppo, il contesto dei dati e l'intera piattaforma dati si sposteranno sotto le "harness" (il miglior articolo accademico in questa direzione — Code as Agent Harness). L'approccio di OpenAI sembra più scalabile e maturo (5 mesi avanti?) — con data agent dedicati, 600 TB di dati e pipeline programmate per aggiornare il contesto. Vedremo come si evolve.
Domanda per chi lavora con i dati
A che punto siete con questi flussi di lavoro agentici? La mia impressione è che la maggior parte dei team stia ancora scrivendo SQL a mano, copiando e incollando "contesto" pezzo per pezzo in Claude Code/Copilot/Codex e condividendo conoscenza su Slack.
Tabella comparativa completa affiancata con più dettagli e numeri nel nostro post sul blog — link nei commenti 👇
