Immagina questa scena: sei davanti a un modello BW che conosci a memoria — InfoProvider, DTP, process chain — e qualcuno ti chiede “ma questo sistema può dirmi anche perché le vendite stanno calando, non solo quanto?” La domanda sembra banale. In realtà è la frattura esatta tra il data warehouse tradizionale e quello che SAP sta costruendo con Datasphere.
Il punto di partenza: cosa faceva (bene) il DWH classico
Per anni il data warehouse SAP: BW/3.x, BW/4HANA, HANA come layer analitico, ha fatto un lavoro egregio: consolidare dati da sistemi eterogenei, garantire qualità, costruire modelli dimensionali robusti, alimentare report e dashboard. Era un sistema progettato per rispondere a domande storiche: cosa è successo, quanto, dove, quando. Le risposte arrivavano pulite, consistenti, veloci.
Rimanevano invece mute su una cosa: il perché e soprattutto il cosa succederà, ma questo non era un difetto di progettazione infatti Il DWH classico è uno strumento descrittivo, non predittivo. E fino a pochi anni fa, era sufficiente.
SAP Datasphere: non solo un rebrand
Quando SAP ha annunciato Datasphere nel 2023 come erede di SAP Data Warehouse Cloud, molti l’hanno letto come un restyling commerciale. In parte lo è stato. Ma c’è qualcosa di strutturalmente diverso rispetto ai predecessori.
Datasphere introduce un concetto che i DWH tradizionali non avevano: il Business Data Fabric. L’idea è che i dati non debbano necessariamente essere copiati e centralizzati per essere utilizzati : possono essere accessibili in loco, virtualizzati, federati, mantenendo la semantica aziendale intatta. Per chi viene da BW, è un cambio di mentalità significativo: il valore non è più solo nel dato consolidato, ma nella capacità di connettere contesti distribuiti preservando la logica di business. Ma la vera discontinuità arriva quando si guarda al layer AI
AI Foundation: l’intelligenza entra nell’architettura
SAP ha costruito intorno a Datasphere un’offerta che chiama AI Foundation — il contenitore che raggruppa SAP AI Core, l’AI Provider Service e i modelli pre-addestrati disponibili nell’ecosistema SAP. Non è un singolo componente, ma uno stack: AI Core ne è il runtime operativo, il layer su cui girano le pipeline ML e i modelli di inferenza.
Ma c’è un abilitatore spesso trascurato nelle presentazioni commerciali: le Vector Capabilities di SAP HANA Cloud, che è il motore sotto il cofano di Datasphere. Senza database vettoriali, l’AI generativa su Datasphere non potrebbe implementare pattern RAG (Retrieval-Augmented Generation) sui dati aziendali — ovvero la capacità di rispondere a domande attingendo in modo contestuale a documenti e dati strutturati, senza allucinare fatti che non esistono nel sistema. È il fondamento tecnico che rende possibile interrogare in linguaggio naturale un modello dati SAP e ottenere risposte ancorate alla realtà aziendale.
Cosa significa concretamente?
1. Orchestrazione nativa con SAP AI Core SAP AI Core è il runtime su cui girano i modelli ML e le pipeline AI nell’ecosistema SAP. Datasphere si connette ad esso tramite chiamate API native — verso modelli ospitati su AI Core o provider esterni come Azure OpenAI tramite l’AI Hub di SAP. Il vantaggio non è che l’inferenza avviene “dentro” la piattaforma in senso fisico, ma che l’orchestrazione è integrata: non servono ETL complessi verso piattaforme esterne di Data Science per attivare scenari intelligenti sui dati aziendali.
2. Predizioni embedded nei flussi di trasformazione Nei data flows di Datasphere è possibile inserire nodi di predizione basati su modelli ML. Un esempio pratico: un flusso che arricchisce le righe d’ordine con uno score di rischio churn, calcolato da un modello addestrato su dati storici CRM, prima ancora che il dato raggiunga il layer di reporting.
3. Joule: il copilota AI nel contesto dati Joule è l’assistente AI di SAP, basato su LLM, integrato progressivamente in tutta la suite — incluso Datasphere. In ambito dati, la sua vera forza non è tanto la generazione di SQL, quanto la generazione di metadati semantici: Joule è in grado di leggere una colonna tecnica proveniente da un’oscura tabella ERP — MANDT, BUKRS, LIFNR — e trasformarla in una descrizione comprensibile per un utente business, arricchendo il catalogo con un significato che prima esisteva solo nella testa del consultant. Per i profili meno tecnici, abbassa drasticamente la barriera di accesso alla modellazione. Per i consultant esperti, è uno strumento di accelerazione, non di sostituzione.
4. Catalog intelligente e data lineage arricchito Il catalogo di Datasphere non è solo un inventario di asset. Con le funzioni AI, classifica automaticamente i dataset, suggerisce relazioni semantiche, identifica ridondanze. È il tipo di lavoro che in BW richiedeva ore di analisi manuale della struttura degli InfoObject.
Cosa cambia per chi viene dal mondo BW
La transizione non è indolore, le competenze di modellazione dimensionale restano centrali, le entità Datasphere (Analytic Model, Dimension, Fact) sono concettualmente familiari. La logica di trasformazione è più vicina a SQL e Python che ad ABAP, ma il pensiero sottostante è lo stesso.
Quello che cambia è la postura rispetto al dato: in Datasphere non si lavora solo per rendere i dati disponibili, ma per renderli intelligibili e azionabili da sistemi AI. Il modello semantico non serve più solo al report serve al modello predittivo, all’assistente conversazionale, all’agente AI che deve interpretare un contesto aziendale.
È qui che l’esperienza BW diventa un vantaggio competitivo reale. Lo scrivo con cognizione di causa: lavoro con SAP BW da vent’anni, ci lavoro tuttora e ho visto InfoProvider costruiti con cura certosina restituire numeri perfetti, e modelli approssimativi generare report che sembravano giusti ma non lo erano. La differenza non stava mai nel tool ma nella qualità di ciò che stava sotto. E con l’AI è ancora più importante capire come i dati sono strutturati, dove nascono le anomalie, come si propagano gli errori di consolidamento, tutto questo un modello AI non sa farlo. Sa solo lavorarci sopra, se qualcuno glielo spiega.
Conclusione
Il data warehouse non scompare. Evolve nel substrato su cui l’AI può finalmente lavorare con dati aziendali affidabili.
SAP Datasphere non è la risposta a tutto: il vero punto critico per chi viene da BW non è la piattaforma in sé, ma la complessità nella migrazione dei flussi ABAP storici: logiche di trasformazione scritte in ABAP nel corso di decenni, spesso prive di documentazione, non si riscrivono automaticamente in SQL o Python. Questa è la vera barriera alla migrazione, ma la direzione è chiara: il confine tra data management e intelligenza artificiale si sta assottigliando, e chi ha costruito anni di esperienza sul dato strutturato si trova in una posizione di vantaggio rispetto a chi conosce solo i modelli.
