Casi d'uso · documento di lavoro

Casi d'uso AI

Casi d'uso reali di AI in azienda: RAG, modelli locali on-premise, ricerca semantica, NER, automazione documentale. Numeri veri, non promesse.

Non un catalogo di promesse: una mappa di lavori che ho costruito davvero. Dove si tratta di un proof of concept consegnato e non di un sistema in produzione, lo dico. Serve a ragionare insieme su cosa avrebbe senso fare nel vostro contesto — e su cosa no.

−60%tempo degli operatori di 1° livello sui ticket

95%accuratezza nello smistamento delle PEC in produzione

27B > 120Bsu 93.000 documenti reali il modello open piccolo ha battuto quello 4 volte più grande

Dal campo

Tre storie vere, con il contesto

I numeri da soli non dicono niente. Questi arrivano da qui.

95%smistamento corretto in produzione

Pubblica amministrazione · in produzione

Smistare le PEC di un ente pubblico

Ogni PEC protocollata va classificata e instradata all'ufficio giusto. Il sistema estrae il testo dagli allegati — PDF, P7M firmati, archivi annidati, scansioni via OCR — individua il documento principale e con un modello BERT multi-task addestrato su 12.000 protocolli reali assegna ogni messaggio al cluster di destinazione calcolato sullo storico: il 95% finisce nell'ufficio corretto. Gira in produzione su una coda persistente: un riavvio non perde nessun messaggio.

BERT multi-task fine-tuned · 95% di smistamento corretto sui cluster calcolati · estrazione testo dal 95,4% dei 73.585 allegati · P7M, ZIP ricorsivi, OCR di fallback

56% vs 39%copertura effettiva, con giudice terzo

Benchmark · 93.000 documenti

Il modello piccolo ha battuto quello 4 volte più grande

Per dare un tipo a 93.000 documenti protocollati ho testato quattro strade, e due le ho scartate io stesso con i numeri — inclusa quella che sembrava più elegante. Nel confronto finale un modello open da 27 miliardi di parametri ha battuto uno da 120: 56% contro 39% di copertura effettiva, validata da un terzo modello giudice per escludere bias nella valutazione. Oggi il cliente usa il modello più piccolo ed economico — non per risparmiare, ma perché misurato sul suo task è il migliore.

4 approcci testati, 2 scartati con benchmark · giudizio incrociato validato da giudice terzo · classificazione dell'intero corpus in ~25 minuti

−60%tempo operatori di 1° livello

Supporto clienti · RAG

Il primo livello risponde in meno della metà del tempo

Risposte proposte automaticamente sui ticket ripetitivi, costruite su una pipeline RAG con i dati reali dell'azienda: normalizzazione, knowledge organizzata, guardrail e fonti citate per non inventare. La decisione finale resta a una persona — ma arriva con la risposta già pronta nel 'caso facile'. Il tempo degli operatori di primo livello sulle richieste ripetitive è sceso del 60%.

RAG con normalizzazione dei dati · knowledge graph · guardrail e citazione delle fonti

Costi, controllo, privacy

Quello che il fornitore medio non ti propone

InfrastrutturaIl modello giusto, non il più grande−70%costi vs. modelli di punta

Quasi nessuno serve davvero un modello SOTA: spesso un modello più piccolo, scelto e tarato sul task, fa lo stesso lavoro a una frazione del costo. Su 93.000 documenti reali l'ho misurato: il 27B open ha battuto il 120B.

Tecnologiebenchmark sul task, modelli open dimensionati, hardware dedicato tarato sui team

Esitostessa qualità o migliore, costi ridotti fino al 70% rispetto ai modelli di punta

PrivacyModelli in locale e on-premise

Per dati sensibili o vincoli normativi, i modelli girano in azienda: niente dati che escono verso API esterne.

Tecnologiellama.cpp / Ollama / vLLM, quantizzazione, deploy da NPU e GPU RTX fino a cluster DGX

Esitocontrollo totale su dati e costi, indipendenza dalle API a consumo

SceltaBuild vs. buy, con i numeri

A volte un'API cloud è la scelta giusta, a volte un modello locale si ripaga in pochi mesi. La differenza si decide sui numeri, non sull'hype.

Tecnologieanalisi costi per volume e latenza, stima TCO, valutazione lock-in

Esitouna decisione informata e difendibile, senza conflitti di interesse

Ricerca e multimodale

Trovare la cosa giusta, anche tra le immagini

Ricerca documentaleRicerca ibrida BM25 + semantica

La ricerca per parole chiave manca i sinonimi; quella solo semantica perde i codici esatti. Combinandole, si trova ciò che serve anche con query imprecise.

TecnologieBM25, embedding semantici, re-ranking, fusione dei risultati

Esitorisultati pertinenti su basi documentali aziendali eterogenee

Computer visionConfronto e ranking di immagini (CLIP)

Ricerca e ordinamento di immagini per similarità visiva e testuale, integrate nella stessa esperienza di ricerca dei documenti.

TecnologieCLIP, embedding multimodali, indici vettoriali

Esitoricerca "per somiglianza" su cataloghi e archivi visivi

Visione industriale

Il controllo visivo, fatto dal modello

Controllo qualitàDifetti su stampati in plastica

Rilevamento di difetti su pezzi stampati in plastica direttamente dal flusso video della linea, prima del controllo manuale.

TecnologieYOLO su flusso video, dataset di difetti annotato sul dominio

Esitodifetti intercettati in linea, meno pezzi difettosi a valle

MaterialiCheck visivo su pelli in carbonio

Controllo visivo automatico su pelli in fibra di carbonio: individuazione di danni e difetti superficiali dalle immagini.

Tecnologiecomputer vision, rilevamento danni su immagini

Esitocontrollo più uniforme e ripetibile del solo occhio umano

PostazioniPresenza attrezzi in postazione

Verifica dalla telecamera che la strumentazione a disposizione dell'operatore sia al suo posto prima e dopo la lavorazione.

Tecnologieobject detection su postazione, controllo di presenza/assenza

Esitomeno fermi per attrezzi mancanti, verifica automatica di fine turno

Modelli su misura

Quando un LLM generico non basta

NLPEntity recognition e linking

Estrarre entità (nomi, luoghi, prodotti, riferimenti) e collegarle alle basi dati aziendali, dove un modello generico sbaglierebbe troppo.

TecnologieNER fine-tuned sul dominio, entity linking

Esitodati strutturati e collegabili a partire da testo libero — dai testi turistici alle anagrafiche

Fine-tuningModelli specializzati sul dominio

Quando servono precisione, costi bassi e controllo, un modello più piccolo addestrato sul dominio batte un LLM generico.

Tecnologiefine-tuning di BERT e modelli affini, dataset di dominio

Esitoaccuratezza alta su un compito specifico, a costo e latenza minimi

ContenutiGenerazione e supporto editoriale

Supporto alla produzione di contenuti su dominio specifico, con vincoli, tono e fonti definiti.

TecnologieLLM con prompt e knowledge di dominio, controlli sulla qualità

Esitocontenuti coerenti e più rapidi da produrre, sotto supervisione

Documenti e dati

Estrarre valore da quello che hai già

Document AIScansione, estrazione, classificazione

Dai documenti cartacei o digitali ai dati strutturati: acquisizione, estrazione, classificazione ed etichettatura automatica.

TecnologieOCR, classificazione, NER, validazione dei dati minimi

Esitomeno data entry manuale, dati più puliti e tracciabili

PraticheValidazione e pre-approvazione

Verifica di completezza e validità dei documenti e pre-approvazione delle pratiche, prima che arrivino a una persona. Costruito ad esempio per la validazione di certificati ISO 14001 e DURC.

Tecnologieregole + modelli, controllo presenza informazioni, scoring

Esitoproof of concept consegnato: pratiche incomplete intercettate subito

ModuliCompilazione form assistita

L'AI guida e completa la compilazione per ridurre le informazioni mancanti in segnalazioni e richieste.

Tecnologieestrazione da contesto, suggerimenti, validazione in tempo reale

Esitomeno richieste incomplete, meno rimbalzi con l'utente

Dati & contabilitàAssistente con text-to-SQL

Interrogazione dei dati in linguaggio naturale, grafici on-demand e dashboard su misura: i numeri senza passare dall'IT.

Tecnologietext-to-SQL, generazione grafici, controlli sui permessi

Esitorisposte ai dati in autonomia, per chi non scrive query

Comunicazioni e automazione

Togliere il ripetitivo dalle persone

EmailClassificazione e smistamento95%accuratezza in produzione

Classificare, instradare e proporre la risposta alle comunicazioni in ingresso, lasciando alla persona la decisione finale.

Tecnologiefine-tuning di un BERT multi-head, instradamento, proposta di risposta

Esito95% di accuratezza in produzione, meno smistamento manuale

SegmentazioneClustering su misura

Raggruppamento automatico di clienti, documenti o richieste per tema, priorità o comportamento.

Tecnologieembedding, clustering, etichettatura assistita

Esitosegmenti utili per priorità operative e azioni mirate

WorkflowSmistamento e suggerimenti

Instradamento delle richieste verso la persona o il processo giusto, con suggerimenti di azione contestuali.

Tecnologieclassificazione, regole, integrazione con i gestionali

Esitomeno tempo perso a "smistare", risposte più rapide

MarketingAnalisi e pianificazione data-driven

Dashboard che unisce i dati reali di GA4, Search Console e Google Ads e genera piani di marketing motivati dai numeri — per ridurre la dipendenza dalle agenzie sulla pianificazione di base.

Tecnologieconnettori GA4 / Search Console / Ads, analisi statistica, LLM per la sintesi dei piani

Esitoprototipo consegnato: scelte di marketing motivate dai dati, non da opinioni

Supporto e knowledge

Sì, anche chatbot e RAG — fatti bene

Con fonti citate, guardrail e limiti dichiarati. Non demo che inventano risposte.

Supporto clientiRisposte automatiche ai ticket−60%tempo operatori di 1° livello

Pipeline RAG che risponde sui dati reali dell'azienda, con normalizzazione e guardrail per non inventare.

TecnologieRAG, knowledge graph, normalizzazione, citazione fonti, guardrail

Esito−60% di tempo agli operatori di primo livello sulle richieste ripetitive

Knowledge internaChatbot su manuali e procedure

Consultazione immediata di manualistica e conoscenza aziendale: onboarding più rapido, riferimenti in pochi secondi.

TecnologieRAG su knowledge interna, controllo delle fonti

Esitomeno interruzioni tra colleghi, competenze accessibili a tutti

E-commerceShop assistant

Assistente che conosce catalogo, policy e storico e accompagna l'utente all'acquisto o alla risposta giusta. Costruito su un catalogo ricambi reale.

TecnologieRAG su catalogo, integrazione con e-commerce, widget embeddabile

Esitoproof of concept consegnato: supporto coerente con i dati reali del negozio

Anti-hype, sul serio

Quando ho detto di no

L'indipendenza non si dichiara: si vede nei no. Tre esempi reali.

MetodoNo alla mia stessa proposta

Sul corpus da 93.000 documenti, la strada più elegante — lasciar canonicalizzare i tipi direttamente all'LLM — l'avevo proposta io. I benchmark l'hanno bocciata: 1.763 varianti di frase, la coda lunga riemergeva intatta. Scartata, con i numeri nel report al cliente.

ModelliNo al modello più grande

Il modello da 120 miliardi di parametri sembrava la scelta sicura. Misurato con un giudice terzo, copriva il 39% dei casi contro il 56% di un modello open da 27: troppo conservativo per quel task. Il cliente oggi usa il piccolo.

Build vs. buyNo al modello locale, a volte

Il deploy on-premise è il lavoro che mi diverte di più — ma quando i volumi sono bassi, un'API a consumo costa meno e il server non si ripaga. Quando i numeri dicono così, nel report scrivo così.

Come si parte

Da quale problema partireste?

Questi sono punti di partenza, non un menù fisso. Il modo migliore di usarli è scegliere insieme un caso reale e capire se vale un proof of concept — bastano trenta minuti per capirlo.

Parliamone → Il percorso completo