Nel 2026 l'AI non è più una «tecnologia da provare»: è diventata il punto di partenza predefinito per qualsiasi automazione dei processi aziendali. Eppure molte aziende non partono dal punto giusto: così non cominciano mai, oppure si disperdono in troppi progetti paralleli senza portarne a termine nessuno. In questo articolo vediamo da dove iniziare, quali processi si prestano davvero all'AI e come allineare il suo team.

Quali processi sono adatti all'AI e quali no?

L'errore più grande nell'uso dell'AI degli ultimi due anni è stato incollarla su processi inadatti e dire «ce l'abbiamo fatta con l'intelligenza artificiale». Per decidere correttamente, valuti il processo in base a tre criteri:

  • Frequenza di ripetizione: quante volte al mese viene eseguito questo processo? Automatizzare un processo raro non ripaga lo sforzo di sviluppo.
  • Ambiguità delle regole: quanto sono chiare le regole? Quelle definibili parola per parola si risolvono già con il codice classico; l'AI dà il meglio dove l'ambiguità è alta ma si può imparare dagli esempi.
  • Costo dell'errore: che cosa perde se l'AI sbaglia? Un instradamento errato nel call center crea un disagio; un'operazione finanziaria errata è un disastro. Estendere l'AI partendo dai processi con un basso costo dell'errore è una strategia scalabile.

Gli scenari ideali per iniziare con l'AI

  1. Classificazione dei ticket di assistenza: smistare automaticamente le email in arrivo in categorie come «fatturazione», «assistenza tecnica» e «vendite» — attività ripetitiva, linguaggio impreciso, basso costo dell'errore.
  2. Sintesi ed etichettatura dei contenuti: trasformare lunghi report in una sintesi che un manager legge in 30 secondi.
  3. Ricerca nei documenti interni: rispondere sull'intranet a «qual era la proposta che abbiamo scritto per il cliente X l'anno scorso?» in pochi secondi invece che in minuti.
  4. Estrazione dei dati: ricavare dati strutturati da fatture in PDF, contratti ed email.

Da dove iniziare? Un piano a 30-60-90 giorni

Primi 30 giorni: inventario dei processi e scelta dei progetti pilota

Il primo mese non serve a scrivere codice. Elenchi tutti i processi ripetibili dell'azienda. Assegni a ciascuno un punteggio nella matrice «frequenza × costo dell'errore × ambiguità delle regole». Scelga come progetti pilota i 2-3 con il punteggio più alto.

30-60 giorni: progetto pilota

Per il progetto pilota scelto parta dalla soluzione più piccola possibile. ChatGPT API, Claude API o un modello open source: non fa differenza. L'obiettivo non è «andare in produzione» ma «ottenere feedback». Lo provi su dati reali, fuori dall'ambiente di produzione, e misuri le correzioni apportate dagli utenti.

60-90 giorni: produzione e scalabilità

Se il pilota supera l'85% di accuratezza, lo porti in produzione e sposti le persone da «controllare tutto» a «controllare solo i casi incerti». Inserisca nel flusso di lavoro un punto di controllo umano (human-in-the-loop): invii automaticamente all'approvazione umana le decisioni su cui l'AI non è sicura.

Cinque errori comuni

  1. Partire dal processo più grande: i team che iniziano dalle previsioni finanziarie o dalla modellazione del comportamento dei clienti perdono motivazione prima di vedere i primi risultati.
  2. Eliminare del tutto le persone: anche con un'accuratezza del 95%, «lasciare lavorare l'AI senza supervisione» significa accettare il danno reputazionale del restante 5% di errori.
  3. Legarsi a un solo modello o fornitore: un'architettura vincolata al 100% a OpenAI è esposta ad aumenti di prezzo o a limiti di utilizzo.
  4. Trascurare i propri dati di addestramento: le email, i contratti, i documenti della sua azienda — senza questo materiale l'AI fatica a imparare il suo contesto aziendale.
  5. Non misurare il successo: dire «usiamo l'AI» non è un risultato. Senza una misura del tipo «questo processo richiedeva X ore a settimana; con l'AI ne richiede Y», non potrà difendere l'investimento.

Quale tecnologia? OpenAI o open source?

La scelta dipende dalla sensibilità dei dati del processo. Se i dati dei clienti possono essere trasmessi a terzi senza problemi, le API gestite come OpenAI / Claude / Google Gemini sono la strada più rapida. Per i settori che lavorano con dati sensibili (sanità, finanza, legale) la scelta giusta sono i modelli open source eseguiti sui propri server (Llama 3, Mistral ecc.). È valido anche un approccio ibrido: i dati non sensibili nel cloud, quelli sensibili su modelli locali.

RAG: insegnare all'AI le conoscenze della sua azienda

La Retrieval-Augmented Generation (RAG) è l'approccio che consiste nel «fornire all'AI i documenti giusti al momento della domanda» invece di «insegnarle tutto». L'80% dei progetti di automazione interna si può risolvere con un'architettura RAG. Costo di addestramento basso, accuratezza elevata e piena tracciabilità fino ai documenti di origine.

In Partnerfy impostiamo i progetti di automazione con l'AI per agenzie e grandi aziende in modo che il punto di arrivo sia «i nostri processi sono stabilmente più efficienti», non «abbiamo provato una tecnologia di moda». La scelta giusta del pilota, l'architettura giusta e la misurazione giusta — per il successo di un investimento in AI servono tutte e tre.