Modelli AI dentro i tuoi prodotti e i tuoi processi
Non serve addestrare un modello da zero per ottenere risultati concreti. Serve capire quale parte del lavoro conviene affidare a un modello già esistente, come collegarlo ai dati della tua azienda e come verificare che risponda in modo affidabile.
L'intelligenza artificiale applicata consiste nell'integrare modelli di linguaggio, di visione o di previsione dentro software e processi già esistenti, collegandoli ai dati dell'azienda. Non prevede l'addestramento di un modello proprio: usa modelli disponibili tramite API e costruisce attorno a essi il contesto, i controlli e l'interfaccia che li rendono utili nel lavoro quotidiano.
Il problema che risolviamo
Molte aziende arrivano con la richiesta di "introdurre l'AI" senza avere davanti un problema definito. Il punto di partenza utile è l'opposto: individuare le attività dove si consuma tempo su materiale non strutturato, come leggere fatture e contratti, classificare richieste in arrivo, cercare un'informazione dentro anni di documenti, scrivere la prima versione di un preventivo o di una risposta. Sono questi i compiti su cui un modello fa la differenza, non le operazioni già coperte da una regola precisa.
La seconda confusione ricorrente riguarda l'addestramento. Costruire un modello proprio richiede dataset ampi, competenze specialistiche, hardware e una manutenzione che non finisce mai. Nella quasi totalità dei casi aziendali la strada corretta è un'altra: prendere un modello già disponibile tramite API e dedicare il lavoro al contesto, cioè a quali documenti e quali dati il modello può leggere, in quale formato riceve la richiesta e come viene controllata la risposta. È lì che si decide se il risultato è utilizzabile.
Resta il problema noto: un modello linguistico produce testo plausibile, e il plausibile non coincide sempre con il vero. Si tiene sotto controllo vincolando le risposte a fonti verificabili, mostrando il documento da cui arriva ogni affermazione, restringendo il perimetro delle domande ammesse e lasciando la conferma a una persona dove la decisione ha conseguenze economiche o legali. E quando un compito è deterministico, lo diciamo: una query sul database o una regola scritta costano meno, rispondono più in fretta e sbagliano meno di qualsiasi modello.
Come lavoriamo
Un progetto AI si valuta sui risultati misurati, non sulla demo che funziona la prima volta. Per questo la prova sui dati reali arriva prima dell'integrazione.
Selezione dei casi d'uso
Esaminiamo le attività candidate e teniamo solo quelle che hanno volume sufficiente, materiale testuale o visivo non strutturato e un modo chiaro per verificare se la risposta è corretta. Le altre restano fuori, anche quando sarebbero le più appariscenti da mostrare.
Prototipo sui tuoi dati
Prepariamo una prova con i tuoi documenti reali e la misuriamo su un campione di casi noti. Confrontiamo modelli diversi di OpenAI, Anthropic e Google su qualità della risposta, tempi e costo per chiamata, prima di scrivere qualsiasi integrazione.
Collegamento ai dati aziendali
Indicizziamo i documenti che il modello deve poter consultare e costruiamo la ricerca semantica che seleziona i passaggi rilevanti per ogni domanda. I permessi restano quelli dei tuoi sistemi: ognuno vede solo ciò che vedrebbe comunque.
Controlli e verifica
Ogni risposta cita la fonte da cui proviene, le domande fuori perimetro ricevono un rifiuto esplicito invece di un'invenzione, e le richieste vengono registrate. Dove serve, il modello propone e una persona approva prima che l'azione diventi definitiva.
Produzione e governo dei costi
Monitoriamo consumi e tempi di risposta, scegliamo il modello adatto a ogni singola operazione invece del più grande per tutto, e aggiorniamo quando escono versioni migliori a parità di spesa o meno.
Tecnologie
Non siamo legati a un solo fornitore di modelli. La scelta dipende dal compito, dai vincoli sui dati e dal costo per chiamata a regime.
Modelli
- OpenAI
- Anthropic (Claude)
- Google (Gemini)
Ricerca semantica
- Embedding
- Database vettoriali
- RAG
- PostgreSQL con pgvector
Integrazione
- Python
- FastAPI
- Node.js
- API REST
- Webhook
- MCP
Interfacce e infrastruttura
- React
- Next.js
- Netlify
- Docker
- Funzioni serverless
Progetti realizzati
Applicazioni in cui il modello AI è una funzione del prodotto, non una demo a parte.
Allestio · Assistente dentro un gestionale
Nel gestionale per aziende audio-video e allestitori fieristici, un assistente AI affianca la fase di preventivazione: legge le richieste del cliente, propone le voci di listino coerenti con l'allestimento e riduce il tempo speso a compilare la prima bozza.
CookedThumb · Generazione di immagini in batch
Web app che trasforma screenshot grezzi in miniature curate usando Gemini. Genera più varianti in una sola passata e permette di correggerle scrivendo cosa cambiare, senza aprire un editor grafico. Online su cookedthumb.netlify.app.
CLACOROO · Applicazione desktop open source
Strumento desktop per gestire agenti e server MCP di Claude Code da un'unica interfaccia, al posto della configurazione manuale dei file. Progetto open source, disponibile su clacoroo.app.
Domande frequenti
Quanto costa integrare l'intelligenza artificiale in un software aziendale?
Ci sono due voci distinte: lo sviluppo dell'integrazione e il consumo dei modelli, che si paga a chiamata. Una prima funzione mirata, come un assistente sui documenti interni, parte da poche migliaia di euro. Il costo ricorrente si stima durante il prototipo, sui volumi reali.
Quanto tempo serve per avere un assistente AI funzionante?
Un prototipo valutabile sui tuoi documenti richiede poche settimane. Una versione integrata nei sistemi aziendali, con permessi, registro delle richieste e controlli sulle risposte, rientra in genere nelle quattro-otto settimane, in linea con qualsiasi altro progetto software di perimetro simile.
Conviene addestrare un modello proprio o usarne uno esistente?
Nella grande maggioranza dei casi conviene usarne uno esistente tramite API. Addestrare richiede dataset ampi, hardware e manutenzione continua, e raramente supera un buon modello generalista collegato ai tuoi documenti. L'addestramento si valuta solo su dati molto particolari, che nessun modello pubblico ha mai visto.
Dove finiscono i dati aziendali inviati a un modello AI?
Sui piani a pagamento di OpenAI, Anthropic e Google i contenuti inviati via API non vengono usati per addestrare i modelli e la conservazione è limitata nel tempo. Si può ridurre ulteriormente l'esposizione filtrando i dati prima dell'invio o scegliendo modelli eseguiti su infrastruttura controllata.
Come si evita che l'AI dia risposte sbagliate?
Vincolando le risposte a documenti verificabili e mostrando sempre la fonte, restringendo le domande ammesse e facendo dichiarare al sistema quando non ha elementi per rispondere. Dove l'errore costa, il modello prepara la risposta e una persona la conferma prima che venga usata.
Vediamo se l'AI serve davvero al tuo caso
Trenta minuti per capire quali attività si prestano a un modello AI, quali conviene lasciare come sono, e cosa comporterebbe integrarlo nei sistemi che usi già.