Capability
AI applicata e workflow in produzione
Integriamo l'AI nei processi e nei sistemi delle aziende e la teniamo in funzione in produzione. Ogni sistema si addestra e si verifica sui dati storici e su casi che non ha mai visto; in esercizio continua a essere misurato.
L'AI in produzione, dentro i processi aziendali
Le aziende hanno già processi, sistemi e persone che conoscono il proprio lavoro: l'AI che costruiamo entra in quei processi e lavora accanto alle persone. Il modello si sceglie in base al compito. I modelli linguistici (LLM) fanno funzionare assistenti e agenti. Quando una decisione si ripete, costruiamo una rete neurale per quel compito e la addestriamo sulle scelte di chi le prende. La stessa squadra tiene in funzione l'AI dei nostri prodotti.
INSIGHTS
71%
Progetti avviati, uso ancora raro
Il 71% delle grandi imprese italiane ha avviato almeno un progetto di AI. Solo una su cinque la usa in più aree dell'azienda. Fonte: Osservatorio Artificial Intelligence del Politecnico di Milano, dati 2025.
INSIGHTS
3 su 4
Flussi di lavoro ridisegnati
Fra le organizzazioni che ricavano più valore dall'AI, quasi tre su quattro hanno cambiato il modo in cui si svolge il lavoro. Quelle che hanno deciso in anticipo come misurarne l'effetto sono il doppio rispetto alle altre. Fonte: McKinsey, The state of AI in 2026.
Si parte dal processo esistente
I risultati arrivano quando l'AI entra in un processo che già funziona e la usano le persone che lo portano avanti. Prima di costruire misuriamo con il team interno come si svolge oggi il lavoro: tempi, completezza, errori e costi. Con lo stesso team decidiamo come valutare il miglioramento. Le stesse misure servono per il business case e, una volta integrata l'AI nei flussi di lavoro esistenti, per verificare quanto è cambiato il lavoro.
Approfondisci
- Discovery e assessment architetturale: quando il problema non è ancora chiaro
Che cosa costruiamo
Quattro tipi di sistema per quattro tipi di lavoro.
Agenti nei sistemi aziendali
Leggono e scrivono su posta, CRM e gestionale e svolgono una parte del lavoro, come la bozza di un'offerta. Le azioni che contano le approva un operatore.
Assistenti sui documenti aziendali
Recuperano i passi pertinenti da manuali, schede tecniche e procedure (la tecnica si chiama RAG, retrieval-augmented generation), poi rispondono citando la fonte. Alle domande poco chiare risponde una persona.
Modelli costruiti per il compito
Per le scelte che si ripetono, come abbinare, classificare o prevedere, il modello propone le decisioni successive partendo da quelle prese prima dagli esperti.
Immagini e documenti che diventano dati
Foto, video e documenti si leggono in automatico e diventano dati: le foto dei negozi divise per area, i testi estratti dai video di prodotto, i campi letti da un modulo.
Il modello più adatto a ciascun compito
L'AI non coincide con i modelli linguistici. Il modello giusto è il più semplice che supera i criteri, perché costa meno costruirlo e tenerlo in esercizio.
Un modello linguistico pronto
Conviene quando il lavoro consiste nel trovare informazioni che l'azienda ha già. È la strada più rapida. Il modello resta generale: i documenti e le regole dell'azienda gli danno il contesto che serve per ogni risposta.
Un modello linguistico adattato
Conviene quando il lavoro chiede un linguaggio o un formato propri del settore. Il modello si adatta su esempi presi dal lavoro dell'azienda, così segue le sue convenzioni senza istruzioni lunghe a ogni richiesta.
Una rete neurale costruita ad hoc
Conviene quando una decisione si ripete e c'è lo storico delle scelte degli esperti. La progettiamo e la addestriamo, con TensorFlow o PyTorch, sulle scelte di chi decide. Su quel compito di solito è più precisa di un modello linguistico generale e costa meno per ogni risposta, perché è costruita solo per quello. Gira sull'infrastruttura dell'azienda, senza servizi di AI esterni.
Proposte approvate da una rete costruita per il compito
INSIGHTS
80%+
Proposte approvate
Proposte approvate a ogni livello di complessità da una rete neurale addestrata sulle scelte degli stilisti di una maison del lusso. Misura della nostra valutazione interna, prima della validazione con gli stilisti. Fonte: Mediaengine, valutazione di Look Composer.
Collegata ai sistemi in uso
Un sistema di AI vale quanto i dati che legge e i sistemi in cui lavora. Prima di costruire verifichiamo su un campione che i dati siano completi e aggiornati, poi uniamo le fonti e togliamo i doppioni. Il sistema si collega a CRM, gestionale, catalogo e archivi documentali con i permessi di chi lo usa. Costruiamo e gestiamo piattaforme web e di prodotto collegate a sistemi come questi e aggiungiamo l'AI a quelle che gestiamo già.
Approfondisci
- Data platform: dati pronti per essere usati
- Application modernization: quando i sistemi esistenti vanno prima resi accessibili
La prova prima di impegnare il budget
Con un'intervista ricostruiamo che cosa guarda l'esperto, che cosa scarta e perché. Le sue regole diventano criteri che chiunque può verificare. Una parte degli esempi reali resta fuori dalla costruzione e serve solo a misurare, come le domande di un esame che lo studente non ha visto. La soglia si concorda prima, così il risultato si vede prima di impegnare il budget del progetto.
Precisa e conveniente anche in esercizio
Dopo il rilascio un modello va tenuto preciso e con i costi sotto controllo: è il lavoro che si chiama MLOps, o LLMOps per i modelli linguistici.
La qualità su un indicatore
Un indicatore segue nel tempo la qualità delle risposte. Ogni versione nuova, nostra o del fornitore del modello, rifà i casi di prova ed entra in uso solo se va almeno altrettanto bene.
Modelli che restano precisi
Quando i dati cambiano, per esempio con una collezione nuova, il modello si riaddestra a cicli concordati prima e mai in automatico. Ogni versione riaddestrata deve superare i casi di prova prima di entrare in uso.
Il costo di ogni risposta
Il costo di ogni richiesta si confronta ogni mese con la stima fatta prima di costruire. Se un modello più piccolo supera gli stessi criteri, spostiamo il sistema su quello.
Le persone dove servono
Delle richieste incerte si occupa un operatore, le azioni che contano aspettano l'approvazione e ogni risultato registra la fonte e la versione del modello che l'ha prodotto.
Approfondisci
- Esercizio ed evoluzione: sistemi tenuti in funzione e migliorati
- Cloud, DevOps e servizi gestiti: l'infrastruttura su cui girano i modelli
Chi lo usa resta chi decide
Il sistema prepara le proposte, prova le combinazioni e controlla i vincoli. Le persone scelgono, correggono e fissano le priorità, cioè la parte del lavoro in cui conta il giudizio. Ogni elemento della proposta indica la regola da cui viene. Quando due regole non stanno insieme, compare un avviso con il motivo. Il risultato si modifica a mano, negli strumenti che il team usa già, oppure chiedendo al sistema. I parametri delle regole li fissa il team interno.
INSIGHTS
1 su 5
Il costo di far girare l'AI
Circa un'organizzazione su cinque dice che il costo di esercizio dell'AI, token compresi, ne ha limitato l'uso. Fonte: McKinsey, The state of AI in 2026.
Il controllo resta all'azienda
Prima di costruire concordiamo dove gira il modello, dove restano i dati e di chi è che cosa.
Dove girano modelli e dati
Su infrastrutture che l'azienda ha già approvato, cloud privato o pubblico, scelte in base ai dati in gioco; i dati restano lì. La nostra gestione della sicurezza è certificata ISO/IEC 27001.
AI Act e protezione dei dati
Prima di costruire, ogni sistema si classifica secondo l'AI Act e con l'azienda si stabilisce quali obblighi valgono, compresi quelli sui dati personali. Supervisione delle persone, tracciabilità dei risultati e controllo della qualità fanno parte del progetto.
Che cosa è dell'azienda
Per un sistema costruito su misura, il codice, le regole, i casi di prova e i modelli addestrati sui dati dell'azienda appartengono all'azienda.
Libertà di cambiare modello
Quando esce un modello migliore o più economico, il sistema può passare a quello dopo che i casi di prova hanno confermato che il nuovo modello regge.
Da dove si comincia
Da un caso d'uso a un sistema usato ogni giorno.
1. Valutare un caso d'uso
Un caso nuovo o un prototipo fatto in casa o da altri. In poche settimane misuriamo il processo, verifichiamo un campione di dati e scriviamo i criteri con chi fa il lavoro, poi stimiamo valore e costi.
2. Prima versione su esempi reali
La prima versione lavora sugli esempi tenuti da parte. Se supera la soglia il progetto va avanti; se no, l'azienda lo sa prima di impegnare il budget del progetto.
3. Produzione ed esercizio
Il sistema entra nel flusso di lavoro prima con un gruppo di utenti, poi con tutti. Da lì in avanti seguiamo quanto viene usato, insieme agli indicatori del processo.
Approfondisci
- Discovery e assessment architetturale: quando il problema non è ancora chiaro
Prove e approfondimenti
Case studyGestire il 50% di pratiche in più senza riscrivere il motore di calcoloPer Fiabilis la tecnologia è la linea di produzione. Raggiunte le 6.000 pratiche l'anno, l'infrastruttura ha toccato il suo limite. L'intervento: un'architettura cloud che orchestra i flussi e preserva intatto il motore di calcolo originale.
Case studyBMW Italia: la prova su strada trasformata in ricontatto attivoTracciamento biometrico e report individuali con oltre il 140% di riaperture.
Scrivici per validare la fattibilità tecnica,
impatto sul business e costruire insieme il tuo business case.
FAQ
Lo verifichiamo su un campione durante la valutazione, prima di costruire. Il controllo riguarda completezza, aggiornamento e chi risponde di ogni fonte. Se i dati non sono pronti, la valutazione indica che cosa sistemare; il servizio Data platform può fare quel lavoro. Molti casi d'uso possono partire dai dati che sono già in CRM, gestionale e archivi documentali.
Il costo di costruzione dipende dal caso e dai sistemi da collegare. Quello di esercizio dipende da quante richieste arrivano, dalla dimensione del modello e da dove deve girare. Entrambi si stimano nella valutazione prima di costruire e le cifre si fissano nell'offerta. In produzione il costo di ogni richiesta si confronta con quella stima.
Valutare un caso d'uso richiede poche settimane. Poi serve qualche settimana in più per avere una prima versione da provare sugli esempi tenuti da parte; quante, dipende dai dati e dai sistemi coinvolti. Arrivare in produzione con tutti gli utenti richiede più tempo e avviene per passi, a partire da un gruppo che usa il sistema ogni giorno.
Lo stabiliamo prima di costruire: il sistema si classifica secondo l'AI Act e la valutazione indica quali obblighi valgono e da quando. Alcuni, come dire alle persone che stanno interagendo con un'AI, valgono già; quelli per i sistemi ad alto rischio arrivano più avanti. Supervisione delle persone, tracciabilità dei risultati e controllo della qualità fanno parte del progetto fin dall'inizio.
Delle richieste incerte si occupa una persona e le azioni che contano aspettano l'approvazione. Ogni risultato registra la fonte e la versione del modello, così un errore si può ricostruire e correggere. In produzione un indicatore di qualità segnala quando i risultati peggiorano e a quel punto interveniamo. Le versioni nuove entrano in uso solo dopo aver superato gli stessi casi di prova di quella attuale.