Un modello di AI è valido solo quanto i dati che effettivamente lo raggiungono, e quei dati quasi mai iniziano puliti, centralizzati o aggiornati. In genere sono sparsi tra un CRM, diversi strumenti SaaS, un paio di database e probabilmente un foglio di calcolo che qualcuno continua ancora a girare per e-mail in ufficio.

Trasformare tutto questo in una forma utilizzabile da un sistema di AI è una disciplina a sé stante, e la categoria ha appena attraversato una vera ondata di consolidamento: due dei suoi più grandi nomi indipendenti sono stati assorbiti da aziende più grandi a pochi mesi di distanza l'uno dall'altro. Questo conta anche oltre l'ambito degli acquisti: quando lo strumento che acquisisce i tuoi dati e quello che li modella finiscono sotto lo stesso tetto, la domanda su quale livello controlli un fornitore diventa strategica per ogni acquirente. Ecco dieci piattaforme che oggi muovono realmente i dati nelle aziende, autonome o meno.

Fivetran

Fivetran ha costruito la propria reputazione eliminando del tutto le difficoltà del movimento dei dati. Offre pipeline automatizzate che attingono da più di settecento fonti, con le modifiche allo schema gestite automaticamente invece di interrompere la pipeline ogni volta che un'applicazione sorgente modifica un campo.

La piattaforma è completamente gestita, ed è proprio questo il suo fascino per i team senza ingegneri dei dati dedicati al controllo costante di script personalizzati. Questa comodità ha però un costo reale: il pricing basato sull'utilizzo, legato alle righe attive mensili, può salire rapidamente con la crescita del volume dei dati, e una modifica ai prezzi del 2026 ora addebita anche a livello di connessione.

La storia più importante riguarda con chi Fivetran si è fusa nell'ottobre 2025: un'operazione interamente in azioni con dbt Labs che ha combinato le due società in circa 600 milioni di dollari di ricavi ricorrenti annuali, unendo di fatto il livello di ingestione e quello di trasformazione in un unico rapporto con il fornitore. Da osservare se la società risultante dalla fusione manterrà i due prodotti ugualmente aperti agli stack concorrenti, visto che gran parte della loro storica base clienti combina strumenti di fornitori diversi.

dbt Labs (dbt)

dbt occupa un ruolo specifico e ristretto in questo stack ed è quasi definito da ciò che deliberatamente non fa: non può muovere i dati. È uno strumento di trasformazione, non di ETL, il che significa che ha sempre bisogno di un livello di ingestione separato come Fivetran o Airbyte per far arrivare i dati grezzi in un warehouse prima che il modeling basato su SQL e Jinja di dbt possa lavorarci.

Ciò che fa, lo fa bene: logica di trasformazione con controllo versione, testata e documentata, che mantiene le metriche coerenti su ogni strumento BI a valle. Questo conta enormemente quando un'applicazione di AI inizia a interrogare lo stesso warehouse e ha bisogno che i numeri sottostanti significhino la stessa cosa ovunque.

Dopo la fusione con Fivetran, i clienti hanno di fatto un unico rapporto con il fornitore invece di due contratti: una vera semplificazione per i team che li usavano già insieme.

Airbyte

Airbyte ha scommesso all'opposto di Fivetran. Invece di una black box completamente gestita, ha costruito una piattaforma ELT open source con un catalogo di connettori enorme e guidato dalla community, permettendo ai team di fare self-hosting gratuitamente e pagare solo la propria infrastruttura invece di una tariffa per riga al fornitore.

Questa apertura è genuinamente attraente per le organizzazioni guidate dall'ingegneria che vogliono il controllo totale delle proprie pipeline e nessun lock-in alla roadmap di un singolo fornitore, una considerazione divenuta più pressante man mano che i concorrenti si consolidano. Airbyte ha recentemente aggiunto un generatore di connettori assistito dall'AI per accelerare la copertura delle fonti non ancora presenti nel catalogo esistente.

Il compromesso è esattamente quello che ci si aspetta dall'infrastruttura open source: la qualità dei connettori varia, in particolare per le integrazioni mantenute dalla community, e gestirla bene richiede un reale impegno DevOps che una piattaforma completamente gestita assorbirebbe altrimenti.

Informatica (IDMC)

Informatica è da circa due decenni lo standard enterprise per ambienti dati realmente complessi, e il suo Intelligent Data Management Cloud copre ancora la gamma completa che la maggior parte dei concorrenti non tenta nemmeno: integrazione, qualità dei dati, governance e master data management in un'unica piattaforma, con il suo motore CLAIRE AI dedicato alla scoperta dei metadati.

La notizia più importante è strutturale più che tecnica: Salesforce ha acquisito Informatica in un'operazione da 8 miliardi di dollari chiusa alla fine del 2025, rendendola una controllata al 100% anziché una società quotata indipendente.

Il prodotto di base non è ancora cambiato, ma la domanda a lungo termine che ogni acquirente deve porsi è se Salesforce continuerà a dare priorità alle funzionalità a servizio dei clienti non-Salesforce, o se orienterà gradualmente la roadmap verso le proprie ambizioni di Data Cloud e Agentforce. L'evoluzione di quella roadmap sarà anche un segnale anticipatore di come il più ampio stack dati si consoliderà intorno ai più grandi fornitori di piattaforme AI.

MuleSoft

MuleSoft occupa il lato API-driven di questa categoria piuttosto che quello dell'ingestione nel warehouse. È la spina dorsale di integrazione di Salesforce, al servizio di una base davvero enorme di clienti Salesforce che devono collegare decine di sistemi tramite API riutilizzabili e governate invece di connessioni punto-punto una tantum.

Il suo linguaggio di trasformazione DataWeave gestisce l'effettiva manipolazione dei dati, e ha recentemente aggiunto il supporto specifico per il Model Context Protocol, posizionando MuleSoft come infrastruttura su cui i flussi di lavoro di AI agentica possono chiamare direttamente, anziché solo uno strumento di integrazione rivolto alle persone.

Per le organizzazioni già profondamente nell'ecosistema Salesforce, questo posizionamento è un adattamento naturale — e con Informatica ora anch'essa sotto Salesforce, la società controlla di fatto due livelli adiacenti del mercato dell'integrazione dati. Per le aziende esterne a esso, i prezzi enterprise e i tempi di implementazione di MuleSoft sono una giustificazione ben più impegnativa.

Databricks

Databricks ha costruito tutta la propria architettura su una premessa diversa rispetto ai tradizionali fornitori ETL. È un lakehouse che unifica ingegneria dei dati, analisi e machine learning in un'unica piattaforma, invece di trattare "preparare i dati" e "costruirvi sopra l'AI" come due sistemi separati che necessitano di un proprio livello di integrazione intermedio.

Questo conta sempre di più per le applicazioni AI, poiché una pipeline di training o inferenza spesso ha bisogno degli stessi dati governati sia per l'analisi sia per il carico di lavoro AI, e mantenerli sincronizzati su due piattaforme disconnesse è un problema ricorrente.

L'adozione è più impegnativa rispetto a uno strumento ELT puntuale, ma per le organizzazioni che già eseguono carichi ML seri, avere il livello dati e il livello AI sulla stessa piattaforma sottostante elimina un'intera categoria di problemi di sincronizzazione.

Snowflake

La proposta centrale di Snowflake è sempre stata un data warehouse genuinamente elastico e scalabile in modo indipendente, e il suo livello Cortex AI si costruisce direttamente sopra gli stessi dati governati, senza richiedere un passaggio di esportazione separato prima che un'applicazione AI possa interrogarli.

Questo conta per esattamente lo stesso motivo per cui conta l'architettura unificata di Databricks: ogni salto in più che i dati fanno tra "warehouse" e "sistema AI" è un punto in più dove possono insinuarsi obsolescenza, disallineamenti di permessi o semplice data drift.

Snowflake e Databricks competono sempre più frontalmente su questa stessa proposta, e per la maggior parte degli acquirenti la scelta dipende più dagli impegni cloud esistenti e dalle competenze del team che da un divario di funzionalità decisivo tra i due.

Confluent

Confluent, costruito attorno ad Apache Kafka, gioca su un ritmo del tutto diverso rispetto agli strumenti orientati al batch sopra descritti: streaming in tempo reale per situazioni in cui un sistema di AI non può davvero aspettare un processo batch notturno, come il rilevamento delle frodi o i motori di raccomandazione in diretta che devono reagire a un evento in pochi secondi, non in ore.

Questa spina dorsale in tempo reale è divenuta più rilevante proprio a causa degli agenti AI, che devono sempre più agire sullo stato più aggiornato possibile di un sistema invece di analizzare l'istantanea di ieri.

Rappresenta un impegno operativo più pesante rispetto a uno strumento ELT gestito ed è davvero eccessivo per un'azienda che necessita solo di reportistica notturna, ma per alimentare un sistema AI con dati vecchi di secondi anziché di un giorno non esiste davvero un sostituto.

Matillion

Matillion ha costruito la propria nicchia attorno ai team che vivono dentro uno dei grandi warehouse cloud — Snowflake, BigQuery o Redshift — offrendo un'esperienza ETL ed ELT più visuale, con drag-and-drop, invece di scrivere codice di pipeline grezzo, continuando però a eseguire il lavoro pesante di trasformazione sul compute del warehouse stesso anziché su un motore intermedio.

Questo design warehouse-native è il vero elemento differenziante rispetto a strumenti più agnostici rispetto alle fonti come Fivetran o Airbyte. I punti di forza di Matillion emergono quando un'organizzazione si è già standardizzata su uno di quei tre warehouse e vuole un'interfaccia più accessibile per la logica di trasformazione sovrapposta.

Estuary

Estuary sta perseguendo una scommessa architetturale genuinamente diversa rispetto alla maggior parte dei nomi di questa lista. Invece di trattare ELT batch e streaming in tempo reale come due categorie separate che richiedono due strumenti distinti, Estuary ha costruito un'unica piattaforma che gestisce change-data-capture e replica batch dallo stesso sistema, puntando a un' freschezza sub-secondo senza l'onere operativo di gestire un deployment Kafka completo a questo scopo.

Per un'azienda che necessita sia di caricamenti notturni nel warehouse sia di aggiornamenti quasi istantanei per un'applicazione orientata all'AI — senza mantenere due sistemi di pipeline completamente separati — questa unificazione è una proposta di valore significativamente diversa rispetto a scegliere uno strumento batch o uno di streaming e convivere con il vuoto che l'altro avrebbe coperto.

Nel complesso, il filo conduttore di questa lista è che le scelte di infrastruttura dati seguono sempre più la strategia AI: che un'azienda si consolidi sullo stack di un solo fornitore o assembli livelli best-of-breed, le interfacce tra ingestione, trasformazione, storage e AI sono oggi il punto in cui si concentra la maggior parte dell'attività di consolidamento — e la maggior parte del rischio per gli acquirenti.

L'articolo 10 Enterprise Data Platforms Supporting AI And Analytics è apparso per la prima volta su Metaverse Post.