AI privata · Auditabile · Sotto il tuo controllo
Consulenza AI per le aziende
Ti aiuto a capire dove l'intelligenza artificiale serve davvero alla tua azienda, a provarla su un caso reale con i tuoi dati, a portarla in produzione in modo sicuro e conforme all'AI Act, e a formare il team che la userà.
I casi d'uso su cui lavoro sono questi: ricerca nei documenti interni, smistamento di email e ticket, estrazione di dati da fatture e documenti, assistenza clienti di primo livello, automazione di processi ripetitivi. I sistemi restano tuoi: li puoi spostare, spegnere o affidare a un altro fornitore quando vuoi.
LLM privati quando il dato non può uscire dall'Europa, API gestite quando il costo lo giustifica, sempre con costi prevedibili, registro delle operazioni e la possibilità di cambiare fornitore senza rifare tutto.
Trenta minuti, gratuiti, per capire se l'AI serve davvero al problema che hai in mano.
- Quanto costa
- Le attività a giornata sono a 400 euro. Un primo progetto su dati veri sta di solito fra i 3.000 e i 10.000 euro.
- Quanto ci vuole
- Un pilot su dati veri si misura in settimane. Il modello si sceglie in fretta; il tempo va in regole, accessi e controlli intorno.
- Cosa succede dopo
- Mezz'ora di call per capire se il caso regge. Se non regge te lo dico, ed è un risultato utile anche quello.
Casi d'uso dell'intelligenza artificiale in azienda
I progetti che reggono partono da un problema preciso e misurabile, non da «mettiamo l'AI da qualche parte». Questi sono i casi che si ripagano più spesso in un'azienda:
Ricerca nei documenti interni
Procedure, contratti, manuali e circolari interrogabili in linguaggio naturale, con la fonte citata e senza che i dati escano dall'azienda.
Smistamento di email e ticket
Le richieste arrivano già classificate e assegnate, con una bozza di risposta che una persona controlla prima dell'invio.
Estrazione di dati da documenti
Fatture, DDT, ordini e moduli letti e riportati nel gestionale, con i casi dubbi segnalati invece che indovinati.
Assistenza clienti di primo livello
Risposte alle domande ricorrenti basate sulla documentazione vera dell'azienda, con il passaggio a una persona quando serve.
Ogni caso parte con una prova su dati reali e un obiettivo misurato: se non lo raggiunge, ci si ferma prima di aver speso il budget del progetto.
AI Act e Legge 132/2025: cosa deve fare un'azienda
Il regolamento europeo sull'intelligenza artificiale e la legge italiana che lo accompagna chiedono alle aziende di sapere quali sistemi di AI usano, con quale rischio e con quali garanzie per le persone coinvolte. Per la maggior parte delle aziende non significa burocrazia pesante: significa un inventario, qualche regola interna chiara e la formazione di chi usa gli strumenti.
Lo tratto come parte del progetto e non come un documento a parte. Per approfondire:
Formazione sull'AI per il tuo team
Uno strumento di intelligenza artificiale rende quanto le persone che lo usano. Accompagno ogni progetto con sessioni pratiche sui casi dell'azienda, non slide generiche: cosa chiedere, come controllare le risposte, cosa non inserire mai in un servizio esterno. È anche uno degli obblighi dell'AI Act per chi usa questi sistemi.
Il mercato italiano AI, senza hype
Quattro numeri, con la data di rilevazione accanto, perché un dato dell'anno scorso spacciato per fresco vale meno di un dato vecchio dichiarato:
le piccole e medie imprese italiane che non hanno investito in AI né lo prevedono. Fra chi si è mosso, i progetti sono nel 15% delle medie e nel 7% delle piccole. Osservatorio PoliMI, rilevazione 2025 pubblicata a febbraio 2026
delle grandi imprese ha una governance AI strutturata con responsabilità delineate e allineamento etico/business. Per l'altro 91% gli agenti girano senza audit trail, RBAC, cost tracking. Nelle aziende più piccole quel lavoro non è nemmeno iniziato. Osservatorio PoliMI, rilevazione 2025 pubblicata a febbraio 2026
dei progetti agentic AI saranno cancellati entro fine 2027 per costi fuori controllo, valore di business poco chiaro, controlli di rischio inadeguati. Gartner, previsione del 25 giugno 2025
dei decision maker considera la sovereign AI importante per la pianificazione strategica: dati sotto giurisdizione nazionale o europea, vendor valutati per paese di origine. Campione di 3.235 in 24 paesi. Deloitte State of AI, pubblicato il 21 gennaio 2026
Per chi legge questa pagina conta soprattutto il primo numero: la stragrande maggioranza delle aziende italiane non ha ancora fatto il primo passo, e non è in ritardo su nulla. Il ritardo vero arriva dopo, e assomiglia al 9% del secondo riquadro: adottare l'AI senza governance significa scoprire fra un anno che nessuno sa quanto costa, chi ha accesso a cosa e cosa è successo. Le domande da farsi sono pratiche: «su quale infrastruttura, con quali garanzie, a quale costo prevedibile?»
Metodo AI Act compliance
Adozione AI in produzione, in 5 passi
Methodology applicata a integrazione LLM, agent system, audit AI Act per aziende italiane. Output documentale per ogni step.
- 1Mappatura sistemi AI esistenti.
Inventario di tutti i sistemi IA in uso (anche shadow): LLM API third-party, prodotti SaaS con AI embedded, automazioni custom. Identifico fornitori, dataset, flussi di dati, perimetro reale.
- 2Classificazione rischio Annex III.
Per ogni sistema: classificazione AI Act (inaccettabile / alto rischio Annex III / limitato / minimo). Ne esce un registro AI conforme art. 16, con assessment dei livelli di rischio per ciascun use case.
- 3Gap analysis e DPIA AI-specifica.
Confronto con i 9 obblighi AI Act per sistemi alto rischio: technical documentation, quality management, risk management, log management, post-market monitoring, instructions, certification, FRIA, transparency. DPIA AI-specifica integrata con GDPR.
- 4Adeguamento tecnico e formazione.
Implementazione delle policy mancanti: containment OWASP LLM Top 10 (prompt injection, excessive agency), audit trail tamper-evident, fallback su API multiple, formazione team interno (sessioni mirate, no slide generiche).
- 5Monitoraggio post-deploy continuo.
Cost tracking deterministico, log strutturato delle inferenze, metriche di performance, alert su drift. Review trimestrale dei sistemi e dello stato di compliance rispetto agli aggiornamenti AI Act + linee guida AI Office.
Caso reale, anonimo per NDA
Integrazione LLM privata su KB documentale interna
Nome cliente omesso per accordo di riservatezza. Settore, dimensione del corpus, stack e metriche reali.
Contesto
Studio professionale Lombardia, 12 collaboratori. Knowledge base documentale interna di 2400 documenti (circolari, normative, sentenze, perizie) per ~140 MB di testo strutturato.
Problema iniziale: tempo medio per individuare il documento giusto rispetto a una richiesta cliente: 14 minuti. In più i dati non potevano uscire dall'infrastruttura dello studio (privacy professionale + GDPR rinforzato).
Stack scelto: Ollama self-hosted + Mistral 7B-Instruct quantizzato + pgvector per embedding semantici + MCP server custom per query strutturate dal frontend interno.
Risultati misurati a 90 giorni
- Tempo medio risposta intra-team: 14 min → 90 sec (-89%, misurato su 60 query campione).
- Cost tracking deterministico: zero costi variabili (no API esterne), solo costo infrastruttura fissa (1 VPS Hetzner GPU).
- Zero dati esfiltrati: nessuna chiamata verso provider AI esterni, audit trail tamper-evident di tutte le query.
- Compliance AI Act-ready: sistema classificato a rischio limitato (transparency obligation soddisfatta via interfaccia).
Aree tematiche
Quattro verticali di lavoro
Ogni area ha una raccolta dedicata di articoli tecnici, metodologia esplicita e perimetro operativo dichiarato.
Automazione AI
LLM in pipeline aziendali
LLM in pipeline di sviluppo e produzione: code review, generazione test, documentazione automatica, monitoring LLM in esercizio, CI/CD AI-assisted.
Esplora →AI Security
Sicurezza applicata all'AI
Audit del codice AI-generated, prompt injection in agent systems, threat modeling di LLM autonomi, analisi offensiva del codice generato da ChatGPT/Copilot/Claude.
Esplora →Integrazione & RAG
Knowledge + stack ibridi
RAG su documentazione aziendale italiana, chatbot self-hosted, vector database (pgvector), stack ibridi PHP+Python per orchestrazione LLM, LLM self-hosted con Ollama.
Esplora →Sviluppo con AI
Agenti, MCP, Claude Code
Agenti AI custom con Claude API e tool use, MCP server personalizzati, Claude Code in workflow reale, prompt engineering per task tecnici, AI-assisted debugging.
Esplora →Metodologia
L'AI in produzione richiede lo stesso rigore di qualsiasi altro componente critico. Queste sono le linee che seguo su ogni progetto:
-
Production-grade, non demo-grade Un LLM in produzione ha fallback, rate limiting, cost tracking, audit log, eval continuo. Se un POC funziona solo nel caso felice, non è ancora pronto per essere integrato.
-
Data ownership e GDPR by design Molti clienti non possono far uscire dati dall'UE. Il mio default è: prima valuto self-hosted, poi Claude API, mai providers che non espongono garanzie di data residency documentabili.
-
Security-first sugli agent systems Un agent che può eseguire azioni è una backdoor delegata. Least privilege, input validation, output fencing, human-in-the-loop sugli operazioni irreversibili, logging completo per audit.
-
No vendor lock-in volontario L'architettura AI deve poter cambiare modello (Claude, GPT, Gemini, Llama, Mistral) senza riscrivere il dominio. Abstraction layer, prompt versionati, schema I/O stabili.
-
AI come co-pilota, decisione umana Gli LLM sbagliano in modi non deterministici. Nelle pipeline critiche il controllo finale resta umano, con strumenti di review che rendono l'errore visibile invece di nasconderlo.
Perimetro operativo
Cosa faccio
- Integrazione LLM in backend PHP/Laravel/Symfony di produzione
- Pipeline agentiche che automatizzano processi aziendali (onboarding fornitori, triage ticket, classificazione documentale, riconciliazione fatture)
- LLM privati self-hosted (Ollama + LLaMA, Mistral, Qwen) su VPS europeo o on-premise
- MCP server custom per esporre gestionali e dati aziendali agli agent (standard aperto, Linux Foundation)
- RAG su documentazione interna italiana (pgvector, embeddings) con privacy by design
- Audit di sicurezza su codice AI-generated e threat modeling di agent systems (OWASP LLM Top 10 2025)
- Governance operativa: audit trail, RBAC agentico, rate limiting, cost tracking, human-in-the-loop
- Consulenza strategica per chi decide in azienda (scelta stack, valutazione TCO, roadmap di adozione)
Cosa non è nel mio perimetro
- Training di modelli foundation da zero (fuori scala per un'azienda: servono team ML e budget da decine di milioni)
- Content farm AI senza revisione editoriale (dannoso per l'EEAT del dominio, penalizzato da Google)
- Chatbot "face aziendale" per marketing (è un lavoro da web agency, non da infrastructure architect)
- Use case eticamente problematici (deepfake, scraping aggressivo di dati personali, manipolazione)
Tre paure legittime, tre risposte ingegneristiche
Quando parlo con un CIO o un titolare d'azienda che sta valutando un progetto AI, le stesse tre preoccupazioni tornano in ogni conversazione. Sono preoccupazioni razionali, e ciascuna ha una risposta nell'architettura.
«I nostri dati finiranno a OpenAI o Anthropic per addestrare i loro modelli?»
Dipende dall'architettura che scegli. Se il caso d'uso tollera self-hosted, Ollama con LLaMA, Mistral o Qwen su Hetzner o on-premise significa che il dato non esce mai dal firewall aziendale. Se serve un frontier model, Claude API e Azure OpenAI hanno garanzie contrattuali verificabili di no-training-on-input che documento nei report di compliance. La scelta la facciamo caso per caso, con DPIA strutturata.
«I costi API esploderanno quando scaliamo il workflow?»
Su volumi enterprise i costi a token sono imprevedibili per natura, quindi vanno governati dall'architettura: cost tracking granulare su ogni chiamata, caching semantico sulle query ripetute, downshift selettivo verso modelli più piccoli per i task dove bastano, threshold di spesa con circuit breaker automatico. Dove il volume giustifica il CapEx, LLM privato: costo fisso mensile, inferenza illimitata, break-even visibile nel piano triennale.
«Il pilot brilla in demo, poi muore in produzione. Come evito di finire nel 40% di Gartner?»
Nessun progetto parte senza criteri di successo misurabili concordati col business: per esempio «il triage dei ticket è corretto nel 92% dei casi misurato su 500 campioni annotati». Iterazioni brevi con eval continui, human-in-the-loop sulle azioni irreversibili, fallback deterministico quando il modello risponde male. Se in fase di assessment capisco che il caso d'uso non regge, lo dico subito: meglio non partire che pagare un pilot morto.
Vuoi capire se posso aiutarti sul tuo progetto?
Ho costruito un preventivo gratuito: 7 domande in 2 minuti, zero impegno. Serve a darti una prima lettura sul tuo caso: se il progetto rientra nelle cose che so fare bene, come impostare il primo confronto, quali domande aggiuntive ha senso farci. Se il caso richiede un profilo diverso dal mio, te lo dico con chiarezza e, quando posso, ti indico una direzione utile.