Ogni settimana ricevo almeno tre richieste che iniziano con “vogliamo mettere l’AI”. La frase arriva da aziende strutturate, da freelancer che gestiscono clienti, da piccoli studi professionali. E la mia prima risposta è sempre la stessa: dove, esattamente?

L’intelligenza artificiale non è un plug-in. Non si “aggiunge” a un processo esistente come un accessorio. Va progettata intorno a un problema specifico, con dati specifici, in un contesto specifico. Altrimenti si finisce con un chatbot sul sito che nessuno usa e un abbonamento a OpenAI che si rinnova in silenzio.

Ho visto questa dinamica decine di volte. Il pattern è sempre lo stesso: entusiasmo iniziale, implementazione frettolosa, delusione dopo tre mesi. Non perché l’AI non funzioni, ma perché nessuno si è fermato a chiedersi quale problema doveva risolvere.

Il framework che uso con i miei clienti

Prima di scrivere una riga di codice o configurare un modello, mappo tre cose: colli di bottiglia operativi, dati disponibili e tolleranza all’errore. Questo vale sia che il cliente sia un’azienda con 50 dipendenti, sia che sia un freelancer che vuole automatizzare il proprio workflow.

Colli di bottiglia operativi. Dove si perde tempo? Dove si ripetono le stesse operazioni? Dove le persone fanno lavoro che non richiede creatività o giudizio complesso? Parlo con chi lavora concretamente nei processi, non solo con chi li gestisce. Spesso il collo di bottiglia vero non è quello che il cliente pensa. Un freelancer potrebbe credere di aver bisogno di un AI per scrivere copy, quando in realtà il vero blocco è la classificazione e il follow-up delle email dei clienti.

Dati disponibili. L’AI funziona con i dati. Senza dati, non c’è modello che tenga. Faccio un audit realistico: che dati hai? In che formato? Quanto sono puliti? Quanto storico hai? Ho visto progetti bloccarsi perché l’azienda aveva tutto su fogli Excel sparsi con formattazioni diverse, oppure perché il freelancer teneva le informazioni in cinque tool diversi senza connessione tra loro. Questo non è un problema tecnico, è un problema organizzativo che va risolto prima.

Tolleranza all’errore. Questo è il punto che quasi tutti sottovalutano. Un modello di linguaggio può sbagliare. Quanto possiamo permetterci che sbagli? Se sto classificando email per priorità, un errore significa un ritardo. Se sto generando preventivi automatici, un errore significa un danno economico. La tolleranza all’errore determina il livello di supervisione umana necessaria e, di conseguenza, il ROI reale dell’implementazione.

Caso pratico: da 4 ore a 15 minuti

Un cliente nel settore manifatturiero riceveva circa 200 email al giorno da fornitori, clienti e agenti. Una persona dedicava mezza giornata a leggerle, classificarle e inoltrarle ai reparti giusti. Errori frequenti, ritardi, frustrazione.

Ho implementato un sistema basato su GPT-4 che analizza il contenuto di ogni email, la classifica per tipologia (ordine, reclamo, richiesta informazioni, urgenza), estrae le informazioni chiave e la instrada automaticamente. Il tutto integrato con il loro sistema di ticketing esistente.

Risultato: il tempo di smistamento è passato da 4 ore a 15 minuti di supervisione. Gli errori di classificazione sono scesi dal 12% al 2%. La persona che prima smistava email ora gestisce le eccezioni e si occupa di attività a maggior valore.

Ma il punto cruciale è questo: non ho “aggiunto l’AI” al loro processo. Ho riprogettato il processo con l’AI come componente. Il flusso di lavoro è cambiato, i ruoli si sono adattati, le metriche di controllo sono state ridefinite.

Lo stesso approccio lo applico su scala diversa. Per un consulente freelance ho automatizzato il triage delle richieste che arrivano dal form del sito: il sistema analizza il messaggio, stima il tipo di progetto, il budget probabile e la priorità, e prepara una bozza di risposta. Da 45 minuti al giorno a 5 minuti di revisione.

I tre errori più comuni

Dopo aver lavorato su diverse implementazioni AI, vedo ricorrere sempre gli stessi errori.

1. Partire dalla tecnologia, non dal problema. “Vogliamo usare GPT-4” non è un brief. “Perdiamo 20 ore a settimana a rispondere alle stesse domande” lo è. La tecnologia è un mezzo, il problema è il punto di partenza. Ogni volta che qualcuno mi chiede “quale AI devo usare?”, rispondo con “quale problema devo risolvere?”.

2. Aspettarsi risultati senza dati puliti. Se i tuoi dati sono disordinati, incompleti o sparsi su dieci piattaforme diverse, nessun modello ti salverà. Prima si sistemano i dati, poi si implementa il modello. Questa fase non è sexy, non è entusiasmante, ma è quella che determina il successo o il fallimento del progetto. Vale per l’azienda con il CRM pieno di duplicati e per il freelancer con i contatti metà su Notion e metà su Google Sheets.

3. Non misurare il “prima”. Se non sai quanto tempo impieghi oggi, come fai a dimostrare che l’AI ha migliorato qualcosa? Prima di ogni implementazione, misuro lo stato attuale: tempi, errori, costi, volumi. Senza questa baseline, il progetto diventa un atto di fede.

Da dove iniziare

Il mio consiglio è sempre lo stesso: inizia in piccolo, inizia misurando.

Scegli un processo ripetitivo che ti fa perdere tempo. Uno solo. Misura quanto tempo ci dedichi oggi, quanti errori commetti, quanto ti costa. Poi chiediti: questo processo ha dati sufficienti e strutturati? La tolleranza all’errore è accettabile?

Se le risposte sono positive, hai trovato il tuo primo caso d’uso. Non il più ambizioso, non il più impressionante: il più concreto.

L’AI funziona quando risolve problemi reali in modo misurabile. Tutto il resto è marketing.

Se vuoi capire se nel tuo lavoro c’è un processo che vale la pena automatizzare con l’AI, possiamo parlarne. Non serve avere un’azienda strutturata: serve avere un problema chiaro e la volontà di risolverlo con metodo.