Integrazione AI in azienda: assistenti, RAG e automazioni

Dove l'AI porta valore in azienda

L'intelligenza artificiale generativa è utile su compiti precisi: cercare una risposta dentro migliaia di pagine di documentazione interna, classificare richieste in arrivo, estrarre dati strutturati da documenti disomogenei, riassumere note e rapporti. In questi casi sostituisce lavoro ripetitivo con un risultato verificabile.

È inutile o dannosa quando viene messa dove serve una regola deterministica. Un calcolo di sconto, una verifica di disponibilità o un controllo di fido devono dare sempre lo stesso risultato: quelle restano righe di codice. Il nostro primo contributo su un progetto AI è spesso dire quali parti non vanno affidate a un modello.

RAG: risposte fondate sui documenti aziendali

Un modello linguistico interrogato a vuoto inventa. La tecnica RAG evita il problema: la domanda viene usata per recuperare i passaggi rilevanti dai documenti dell'azienda, e solo quelli vengono forniti al modello come base per rispondere.

Gli embedding vivono in PostgreSQL con pgvector, accanto agli altri dati e sotto le stesse regole di accesso: chi non può vedere un documento non ne riceve il contenuto nemmeno in forma di risposta. Ogni risposta cita le fonti, così chi legge può verificare invece di fidarsi.

Estrazione dati e classificazione

Il caso d'uso con il ritorno più immediato è la lettura di documenti non strutturati: ordini che arrivano via email in venti formati diversi, rapporti di intervento scritti a mano libera, listini fornitore in PDF. Il modello estrae i campi, il sistema li valida contro le anagrafiche reali e ciò che non supera i controlli finisce in una coda di revisione umana.

La combinazione conta più del modello: senza la validazione deterministica a valle, l'automazione sposta il problema invece di risolverlo.

Costi, privacy e controllo

Ogni chiamata a un modello ha un costo proporzionale al testo scambiato. Lo teniamo sotto controllo scegliendo modelli piccoli dove bastano, mettendo in cache le risposte ripetute e fissando limiti di spesa: un'integrazione AI deve avere un costo mensile prevedibile, non una sorpresa a fine mese.

Sui dati sensibili valutiamo caso per caso: opzioni con esclusione dall'addestramento, anonimizzazione prima dell'invio oppure modelli eseguiti su infrastruttura controllata quando il dato non può uscire. La domanda «dove finiscono i nostri dati» va posta prima, non dopo.

Domande frequenti su OpenAI / LLM

L'AI può dare risposte sbagliate?

Sì, ed è il motivo per cui non la usiamo mai da sola su decisioni che contano. Con la tecnica RAG le risposte sono ancorate a documenti reali e citano le fonti; sui dati estratti applichiamo sempre controlli deterministici a valle.

I nostri dati vengono usati per addestrare i modelli?

Non con le configurazioni che adottiamo: usiamo le opzioni che escludono i dati dall'addestramento. Quando il requisito è più stringente, valutiamo anonimizzazione o modelli eseguiti su infrastruttura sotto controllo del cliente.

Quanto costa un'integrazione AI?

Ci sono due voci: lo sviluppo, che dipende dalla complessità, e il consumo dei modelli, proporzionale all'uso. Partiamo sempre da un caso d'uso circoscritto e misurabile, così i numeri si vedono prima di allargare il perimetro.

Si può collegare l'AI al nostro gestionale?

Sì: il modello può interrogare i dati aziendali tramite funzioni controllate che noi definiamo, con permessi espliciti su cosa può leggere. Le operazioni di scrittura restano soggette alle stesse regole di validazione di qualsiasi altro accesso.