Gartner Magic Quadrant: ecco chi guida il mercato delle piattaforme di Data science e Machine learning

Le piattaforme di Data Science e Machine Learning (DSML) sono diventate strumenti cruciali per le aziende che desiderano sfruttare il potenziale dell’intelligenza artificiale per migliorare la presa di decisioni e l’automazione. Gartner ha recentemente rilasciato la sua analisi annuale, il Magic Quadrant per le Piattaforme di Data science e Machine learning, dove vengono valutati i principali attori del mercato in base alla loro capacità di esecuzione e alla completezza della loro visione.

Nel 2025, Gartner ha aggiornato la lista dei fornitori e i dettagli delle piattaforme, facendo emergere nuovi trend e sottolineando le sfide che queste tecnologie devono affrontare per garantire ai professionisti di sfruttare al meglio i modelli AI.

Definizione del mercato secondo Gartner: cosa sono le piattaforme DSML

Le piattaforme di Data science e Machine learning offrono una suite integrata di strumenti per lo sviluppo, la personalizzazione e l’implementazione di modelli AI. Queste piattaforme consentono ai data scientist di collaborare con team IT e aziendali attraverso processi automatizzati che vanno dalla comprensione del business alla creazione di modelli e alla distribuzione dei risultati. I modelli possono essere sviluppati su dati di vario tipo, inclusi dati tabulari, immagini, video e testo, e vengono utilizzati in applicazioni che richiedono tecniche come la visione artificiale e l’elaborazione del linguaggio naturale.

Secondo Gartner, entro il 2027, il 50% degli analisti dei dati sarà riconvertito in data scientist, e i modelli AI più piccoli, specifici per compiti, supereranno in volume quelli generali come i modelli di linguaggio di grandi dimensioni.

Caratteristiche fondamentali delle piattaforme DSML

Le piattaforme di DSML offrono una serie di funzionalità chiave, come la preparazione dei dati, lo sviluppo di modelli tramite librerie e algoritmi di data science e machine learning, e il monitoraggio dei modelli nel ciclo di vita. Supportano anche l’integrazione di tecniche di Machine learning avanzato come l’apprendimento profondo, il reinforcement learning e i modelli di Generative AI (GenAI). I vantaggi principali di queste piattaforme includono la possibilità di ridurre il ciclo di sviluppo e promuovere la collaborazione tra più team aziendali.

Gartner, mercato Data science e Machine learning: le aziende che guidano il mercato

Il Magic Quadrant di Gartner suddivide i fornitori in quattro categorie:

1. Leaders
2. Challengers,
3. Visionaries
4. Niche Players.

Tra i leader troviamo aziende come Altair, Amazon Web Services, Databricks, Dataiku, DataRobot, Google, IBM e Microsoft, che si distinguono per la loro capacità di esecuzione e la visione complessiva del mercato

Altair

Altair è un leader consolidato nel settore delle piattaforme DSML, con la sua piattaforma RapidMiner che supporta l’automazione AI in vari settori come automotive, aerospaziale e sanità. La recente acquisizione da parte di Siemens potrebbe influenzare la direzione futura dell’azienda, ma la sua visione di “AI fabric” rimane un punto di forza.

Punti di forza:

• Approccio unico con “AI fabric” per una visione integrata di AI e analisi.
• Acquisizioni mirate per espandere le capacità, inclusa Cambridge Semantics.

Cautela:

• Incognite legate all’integrazione post-acquisizione con Siemens.
• La comunicazione della visione AI potrebbe non essere ancora sufficientemente efficace.

Amazon Web Services (AWS)

AWS è uno dei leader più riconosciuti nel campo delle piattaforme di machine learning, con Amazon SageMaker e Amazon Bedrock che offrono un’infrastruttura AI completa. Recentemente, AWS ha lanciato SageMaker Unified Studio, che unisce dati, analisi e sviluppo di modelli in un’unica piattaforma.

Punti di forza:

• Studio unificato che facilita la collaborazione tra team.
• Ecosistema di applicazioni AI di terze parti per soddisfare esigenze specifiche.

Cautela:

• L’integrazione con altre piattaforme cloud potrebbe necessitare di miglioramenti.
• Il controllo delle spese per l’infrastruttura AI rimane una sfida per le aziende.

Google

Google è un altro leader con la sua piattaforma Vertex AI, che combina governance dei dati, ingegneria dei dati, analisi, MLOps e sviluppo di agenti AI. La sua recente innovazione nel modello GenAI Gemini 2.5 Pro rappresenta una significativa evoluzione nella creazione di soluzioni AI avanzate.

Punti di forza:

• Integrazione fluida di dati e modelli grazie alla piattaforma Vertex AI.
• Collaborazioni per affrontare le sfide industriali con soluzioni AI all’avanguardia.

Cautela:

• La complessità delle funzionalità di Vertex AI potrebbe rappresentare una barriera per alcuni utenti.
• L’esperienza di supporto della comunità non è ancora comparabile con quella di altri fornitori.

DataRobot

DataRobot è un altro leader con la sua piattaforma Enterprise AI, che consente lo sviluppo di soluzioni predittive e basate su GenAI. L’azienda ha rinnovato la sua immagine e il posizionamento strategico, puntando a costruire un ecosistema di applicazioni AI agentiche.

Punti di forza:

• Visione chiara per un ecosistema di applicazioni AI agentiche.
• Acquisizioni strategiche per rafforzare la piattaforma.

IBM

Punti di forza:

• Flessibilità: IBM offre una vasta gamma di strumenti, framework open-source e modelli di base per soddisfare le necessità aziendali, adattandosi alle diverse richieste dei clienti.
• Dati pronti per l’AI: Con l’acquisizione di DataStax, IBM ha potenziato la propria capacità di fornire soluzioni GenAI basate su retrieval augmented generation (RAG) per applicazioni aziendali.
• Innovazione: Le ricerche avanzate dei laboratori IBM sono integrate nei suoi prodotti, portando a capacità differenziate, come i modelli Granite e i nuovi strumenti AutoRAG.

Cautela:

• Consapevolezza del brand: Le capacità di IBM nell’ambito dei modelli di base e altre innovazioni AI non sono ancora ampiamente riconosciute come quelle di altri fornitori più noti, limitando la sua visibilità nel mercato.
• Strategia multicloud: Sebbene IBM abbia buone integrazioni con AWS e Azure, la compatibilità con Google Cloud non è ancora al livello dei suoi concorrenti, limitando la flessibilità per alcune aziende.

Databricks

Punti di Forza:

• Visione integrata: Databricks offre una piattaforma che integra ingegneria dei dati, machine learning e Generative AI in un ecosistema coeso, abilitando un’analisi avanzata per casi d’uso finanziari e di rischio reputazionale.
• Leadership: Il team di leadership ha mantenuto una visione chiara e costante, prendendo decisioni strategiche per acquisizioni e innovazioni nel campo dell’AI.
• Popolarità tra i praticanti: Databricks ha conquistato una posizione di rilievo tra data scientist e ML engineer, facilitando l’accesso a un pool di talenti altamente qualificati.

Cautela:

• Curva di apprendimento: L’utilizzo efficace della piattaforma dipende fortemente dalle competenze degli utenti, che spesso necessitano di un’adeguata formazione.
• Concorrenza crescente: Sebbene Databricks sia stato pionieristico nel fornire una piattaforma lakehouse integrata, ora ci sono più concorrenti sul mercato che offrono soluzioni simili.
• Infrastruttura: Alcune caratteristiche, come il calcolo serverless GPU per ML, non sono ancora pienamente disponibili, richiedendo infrastrutture personalizzate per alcune esigenze.

Dataiku

Punti di forza:

• Integrazione di funzionalità: Dataiku combina strumenti a basso codice e AI-assisted con interfacce basate su codice, supportando la collaborazione tra data scientist e team aziendali per sviluppare soluzioni AI avanzate.
• Supporto clienti: Dataiku riceve ampi consensi dai clienti per la qualità del supporto durante l’implementazione e nei casi d’uso iniziali, aumentando l’affidabilità della piattaforma.
• Conoscenza del mercato: La piattaforma ha ben indirizzato le esigenze di governance e utilizzo coerente dei modelli nel contesto del GenAI, grazie alla funzionalità LLM Mesh.

Cautela:

• Espansione delle funzionalità: Sebbene Dataiku stia ampliando le sue capacità, il rischio è che non tutte le funzionalità siano delle migliori nella classe, con alcune aree che potrebbero trarre vantaggio da miglioramenti.
• Conoscenza del marchio: Nonostante le sue capacità, Dataiku potrebbe non essere sufficientemente conosciuta in alcuni segmenti, con molte aziende che utilizzano solo parti della piattaforma senza adottarla completamente.

Microsoft

Punti di forza:

• Innovazione continua: Azure AI Foundry Labs consente agli utenti di esplorare e sperimentare con i principali framework AI in un ambiente sicuro, accelerando l’innovazione.
• Ecosistema ampio: Microsoft ha costruito un vasto ecosistema di partnership con terze parti per supportare le migliori applicazioni e integrare diverse piattaforme in una soluzione unificata.
• Opzioni di pricing flessibili: La piattaforma offre diverse opzioni di pricing, il che la rende adatta a imprese di tutte le dimensioni che necessitano di soluzioni personalizzabili.

Cautela:

• Modelli GenAI: Nonostante la varietà di modelli offerti, la piattaforma potrebbe non essere sempre la prima scelta rispetto a OpenAI, poiché le prestazioni tra modelli di fondazione si stanno uniformando.
• Copilot: Microsoft Copilot, utile per l’analisi esplorativa dei dati e la costruzione di modelli, è ancora disponibile solo all’interno dei notebook, limitando l’accesso completo alle sue funzionalità.
• Strategia di prodotto: I frequenti cambiamenti nel branding e nelle offerte di AI (come nel caso di Azure AI Foundry) potrebbero causare confusione nei potenziali utenti, portando a una comprensione non chiara della visione complessiva.

Cosa significano le quattro categorie di mercato di Gartner

Secondo il Magic Quadrant di Gartner, il mercato DSML è suddiviso in quattro categorie: Leaders, Challengers, Visionaries e Niche Players. Ogni categoria riflette le capacità e le sfide di ciascun fornitore nel rispondere alle esigenze in continua evoluzione delle imprese.

• Leaders: innovazione e strategie mirate

I Leaders nel mercato DSML sono aziende con una strategia matura e raffinata, che sanno come sfruttare agenti AI e GenAI per generare valore per i propri clienti. Questi fornitori sono in grado di innovare a un ritmo più rapido rispetto ai concorrenti, riuscendo a individuare opportunità che altri potrebbero non vedere. I Leaders hanno una capacità di esecuzione eccellente, accompagnata da una visione chiara su come soddisfare le esigenze di diverse tipologie di utenti, tra cui data scientist, ingegneri AI e business leader.

• Challengers: capacità operativa e potenziale di crescita

I Challengers possiedono una solida capacità operativa per servire un’ampia varietà di necessità aziendali, supportata da un forte riconoscimento del marchio e da un’offerta di prodotti complementari. Tuttavia, le loro limitazioni risiedono principalmente nell’appeal della piattaforma tra i target utenti e in un focus geografico o industriale ristretto. Nonostante ciò, i Challengers hanno il potenziale di evolversi, grazie a una roadmap che prevede l’introduzione di funzionalità innovative che potrebbero guadagnare terreno in settori o casi d’uso in forte crescita.

• Visionaries: Visione differenziata e specializzazione settoriale

I Visionaries comprendono profondamente il mercato DSML e le sue direzioni future, proponendo soluzioni differenziate per soddisfare le necessità AI delle imprese. Offrono funzionalità specifiche per settore e sono in grado di dimostrare il valore delle loro piattaforme su scala individuale e aziendale. Tuttavia, la loro visibilità come piattaforme DSML complete è limitata da un’associazione storica del marchio o da iniziative di marketing insufficienti, che non ne promuovono a pieno le potenzialità.

• Niche Players: specializzazione e focus limitato

I Niche Players si distinguono per un focus specializzato su settori specifici o su gruppi di utenti ristretti, come sviluppatori a basso codice o esperti di codifica. Questi fornitori sono noti per offrire soluzioni che soddisfano le esigenze del loro pubblico di riferimento, ma mancano di una visione più ampia delle tendenze di mercato e delle necessità aziendali, in particolare per quanto riguarda il GenAI. La loro capacità di crescere e ampliare la base di utenti è limitata, poiché le loro soluzioni non rispondono a esigenze aziendali più complesse, che vanno oltre la semplice preparazione e esplorazione dei dati.

Gartner Data science e Machine learning: il ruolo strategico delle piattaforme DSML nelle imprese

Il mercato delle piattaforme DSML è in continua evoluzione, con l’obiettivo di rispondere alle esigenze di intelligenza artificiale generativa e di agenti AI, che stanno rapidamente diventando soluzioni chiave per l’innovazione aziendale. Oltre alla generazione di modelli predittivi, l’integrazione di modelli compositi che combinano AI predittiva e generativa diventerà una metodologia standard per lo sviluppo AI. Le piattaforme DSML devono affrontare la sfida di integrare dati, modelli, codici e infrastrutture in prodotti scalabili e affidabili.

Le attività di DSML all’interno delle imprese si sono evolute oltre i team centralizzati, con molte organizzazioni che devono gestire più piattaforme pur mantenendo le migliori pratiche per lo sviluppo, il monitoraggio e l’uso responsabile dell’AI. In questo contesto, le piattaforme spesso non sono una scelta esclusiva, poiché molte aziende scelgono soluzioni che complementano le piattaforme di altre aziende, ad esempio per la gestione dei dati, lo sviluppo a basso codice o la funzionalizzazione dei flussi di lavoro.

Gartner: panoramica del mercato Data Science e Machine Learning, GenAI e automazione dei flussi di lavoro

Il mercato delle piattaforme DSML è sempre più focalizzato sull’empowerment della creazione di sistemi agentici integrati con modelli di linguaggio di grandi dimensioni (LLM) e assistenti AI generativi per migliorare il flusso di lavoro dei data scientist.

La domanda crescente di soluzioni AI avanzate sta aumentando il valore strategico delle piattaforme DSML all’interno delle imprese. Il GenAI è un catalizzatore importante, ma l’integrazione di modelli, dati e codici per creare prodotti scalabili rimane una delle principali sfide. Le piattaforme DSML devono essere in grado di operare su più ambienti, come infrastrutture multicloud, ibride e on-premises, per soddisfare le esigenze di ingegneria dei dati, creazione di pipeline, addestramento dei modelli e monitoraggio delle esperimentazioni.

Sfide e opportunità per i fornitori e gli utenti

Una delle sfide principali per i leader nell’AI è la gestione e la governance delle attività dei team DSML distribuiti, ottimizzando la collaborazione tra risorse centralizzate e decentrate. La governance avanzata dell’AI e la gestione delle risorse sono ora considerati requisiti essenziali per le piattaforme DSML.

I principali fornitori di cloud continuano ad espandere la loro influenza grazie alle loro offerte integrate di calcolo, dati e infrastruttura per lo sviluppo DSML. Tuttavia, altri fornitori hanno ampie opportunità di successo, in particolare promuovendo la collaborazione tra i team, un fattore cruciale per l’avanzamento del DSML e del GenAI. La diffusione delle tecniche DSML in tutta l’impresa e tra diverse aree aziendali rappresenta un’importante opportunità sia per i fornitori che per gli utenti finali, permettendo alle aziende di sfruttare appieno le potenzialità dell’intelligenza artificiale generativa.

Conclusioni

Il mercato delle piattaforme DSML continua a evolversi rapidamente, con nuovi modelli e tecniche che emergono per soddisfare le esigenze aziendali di intelligenza artificiale avanzata. I fornitori che riescono a combinare innovazione, capacità di esecuzione e una chiara visione di come integrare GenAI e agenti AI nelle loro soluzioni avranno il vantaggio di dominare il mercato nei prossimi anni.

Le piattaforme di Data science e Machine learning stanno accelerando la trasformazione digitale in molte industrie, grazie alla loro capacità di integrare modelli AI complessi in applicazioni aziendali.

Fornitori come Google, IBM, Databricks, Dataiku e Microsoft continuano a spingere i limiti dell’innovazione, ma devono affrontare sfide legate alla complessità, alla governance e all’integrazione per rimanere competitivi in un mercato sempre più dinamico. L’evoluzione delle funzionalità AI, come il GenAI, e la crescente adozione di pratiche come MLOps rappresentano il futuro delle piattaforme DSML.

Gli utenti devono selezionare i fornitori in base alla loro capacità di integrare funzionalità AI avanzate con pratiche di governance e gestione del ciclo di vita dei modelli, per affrontare le sfide e sfruttare le opportunità del mercato.