ALLA PROVA DEI FATTI

Che cosa è cambiato quando il sistema è entrato in funzione.

Faccio consulenza sull'AI perché l'ho costruita e gestita. Questi sono sistemi miei, alcuni all'interno di un'azienda operativa e altri in proprio. Ogni voce parte da che cosa è cambiato per l'azienda. Il dettaglio tecnico è in fondo a ciascuna, per il suo team tecnico.

Dentro un'azienda

Costruiti e gestiti all'interno di un'azienda americana di software enterprise, dove sono Chief AI Officer.

Le conoscenze di un'azienda in un unico posto

Risultato
Una risposta in meno di cinque minuti, con il documento di origine indicato, dove prima la stessa domanda richiedeva circa un'ora. Circa 1.000 domande al mese da circa 100 persone. A renderlo veloce sono stati vent'anni di conoscenza di quei documenti, non gli strumenti.
Prima
Dieci manuali di formazione, un archivio video che nessuno aveva mai guardato fino in fondo, ticket di assistenza e appunti di riunione. Per avere una risposta bisognava chiedere ai colleghi o aspettare una riunione.
Che cosa dimostra per la sua azienda
È il sistema che sta dietro al servizio Know-how aziendale. Know-how aziendale →
Per il suo team tecnico
  • Stato In produzione
  • Stack RAG su misura, database vettoriale, integrazione con Slack
  • Tempo impiegato 55 minuti fino a un prototipo funzionante

Una knowledge base costruita per un uso interno: acquisisce documenti, processi, decisioni e conversazioni passate, e risponde tramite una chat dentro Slack. Risponde con parole semplici, cita i documenti di origine di ogni risposta e, quando non sa, lo dice, invece di tirare a indovinare in modo plausibile.

I problemi interessanti stanno nella pipeline di acquisizione, non nell'interfaccia di ricerca. Formati di documento diversi, metadati incoerenti, contenuti sovrapposti e contenuti che invecchiano: tutto questo richiede scelte precise su come suddividere i testi, come ordinare i risultati del recupero e come far emergere contraddizioni o contenuti superati senza confondere l'utente.

È lo schema RAG che sta al centro del servizio Know-how aziendale: pipeline di acquisizione, messa a punto del recupero, citazioni e integrazione negli strumenti dove i team lavorano già. La scelta di Slack è voluta. L'ho costruito lì perché è lì che le domande vengono fatte.

Otto volte più video di assistenza

Risultato
80 video in una settimana da tre persone, dove la norma era di circa dieci al mese. Oggi la raccolta sembra provenire da un'unica azienda.
Prima
Ogni video richiedeva una sceneggiatura, una registrazione dello schermo, il montaggio e le annotazioni, con tre persone impegnate a tempo pieno.
Che cosa dimostra per la sua azienda
Il costo che conta è tenere aggiornati i materiali quando il prodotto cambia, ed è lì che il sistema fa risparmiare di più.
Per il suo team tecnico
  • Stato In sviluppo attivo
  • Stack Acquisizione dal browser, più LLM, pipeline di generazione video
  • Misurato 80 video prodotti in una settimana da tre persone, 20 ore ciascuna, pubblicati sul sito di assistenza clienti. I circa dieci minuti di ritocco per video rientrano in quelle 60 ore, e la durata media dei video è paragonabile prima e dopo.

Una piattaforma che genera video formativi a partire da input grezzi: registrazioni dal browser, istruzioni scritte o documentazione esistente. Il sistema mette insieme spiegazioni guidate con voce narrante, sottotitoli e montaggio, senza un team di produzione video né una postazione di registrazione.

Il problema principale che risolve è il costo di manutenzione, non quello di produzione iniziale. I video formativi diventano obsoleti ogni volta che cambia una schermata o un processo. Un sistema che li rigenera dal brief di partenza, invece di richiedere una nuova registrazione, cambia i conti del mantenere aggiornati i materiali formativi.

Lo schema si adatta a qualsiasi team che produce materiali formativi interni in grandi volumi: la pipeline sostituisce la maggior parte dei costi di produzione con un flusso strutturato dal brief al risultato, e poi mantiene i materiali aggiornati senza uno sforzo proporzionale quando i contenuti di base cambiano.

Modifiche al software fatte da chi non è sviluppatore

Risultato
Persone senza una formazione da programmatore oggi fanno da sole piccole modifiche al software. Il personale senior deve rifare molte meno di quelle modifiche rispetto all'inizio, e durante il progetto pilota nessuna ha causato incidenti in produzione.
Prima
Il passaggio dall'idea alla modifica rilasciata era il collo di bottiglia, e ogni piccola modifica aspettava uno sviluppatore.
Che cosa dimostra per la sua azienda
Lo strumento funziona dal primo giorno. I mesi servono per le regole che gli stanno intorno. Fa parte del lavoro del Fractional CAIO. Fractional CAIO →
Per il suo team tecnico
  • Stato In produzione, ancora in sviluppo

Costruito su un SDK commerciale per la programmazione assistita dall'AI. Ogni richiesta viene pianificata prima che venga scritta una sola riga, e il lavoro si svolge all'interno di regole scritte su che cosa si può modificare e che cosa no. La maggior parte dell'impegno è andata nella messa a punto di quelle regole insieme alle persone che le usano.

Formazione che si adatta a chi impara

Risultato
Clienti e personale ora imparano su un'unica piattaforma, e l'azienda vede chi ha completato ogni corso. I formatori passano meno ore a spiegare le stesse cose, e l'assistenza riceve meno domande di base.
Prima
La formazione per i clienti e per il personale interno si svolgeva in sessioni dal vivo, con il supporto di manuali e video conservati in posti diversi. Nessuno sapeva dire chi avesse completato che cosa.
Che cosa dimostra per la sua azienda
La stessa piattaforma serve per la formazione del personale, la formazione dei clienti e le certificazioni.
Per il suo team tecnico
  • Stato In produzione
  • Stack Erogazione di corsi su misura, valutazione assistita dall'AI

Una piattaforma per erogare formazione digitale strutturata: corsi, moduli, verifiche, monitoraggio del completamento. Costruita per ospitare sia contenuti scritti da persone sia contenuti arricchiti dall'AI, con una logica di valutazione che si adatta ai risultati di chi studia invece di presentare domande fisse in sequenza.

Il principio di progetto è che l'AI debba essere invisibile per chi impara. L'esperienza deve sembrare un corso ben fatto, non una conversazione con un chatbot. La logica AI sta nel motore di valutazione, nell'individuazione delle lacune e nella sequenza dei contenuti, non nell'interfaccia.

La piattaforma di base è la stessa per ogni esigenza di "formazione strutturata"; cambiano solo i contenuti e le regole di valutazione.

In proprio

Costruiti nel mio tempo libero.

Una settimana di contenuti da un'unica fonte

Risultato
Articoli, post e brevi video da un unico documento di partenza, pubblicati secondo un calendario, con una persona che approva ogni contenuto.
Che cosa dimostra per la sua azienda
L'AI fa il grosso e una persona approva. Questa divisione funziona in quasi tutto il lavoro sui contenuti.
Per il suo team tecnico
  • Stato In produzione
  • Stack Python, orchestrazione di più LLM, pipeline programmate

Un sistema che prende materiale di partenza esteso (trascrizioni, documenti, appunti) e produce automaticamente contenuti in più formati: articoli, script per brevi video, post per i social. La pipeline gira secondo un calendario, non su richiesta, quindi nessuno deve avviare a mano ogni singolo pezzo.

È costruito attorno a punti di revisione umana, non a una pubblicazione del tutto autonoma. La parte interessante dell'ingegneria sta nell'orchestrazione e nei passaggi di consegna, non nei prompt.

Lo schema vale per qualsiasi lavoro con molti contenuti: collegare una fonte di riferimento a un flusso di pubblicazione a valle, con punti di controllo umano, costruito per gestire grandi volumi senza aumentare il personale in proporzione.

Un tutor di lingue a qualsiasi ora

Risultato
Chi studia si esercita con un tutor quando vuole, e ogni lezione si adatta ai suoi errori. È in funzione per utenti reali, con registrazione e pagamenti.
Che cosa dimostra per la sua azienda
Ho gestito un sistema AI per utenti paganti, con i costi e i malfunzionamenti che questo comporta.
Per il suo team tecnico
  • Stato In produzione
  • Stack Frontend Astro, backend Cloudflare, LLM multimodali

Un'applicazione per l'apprendimento delle lingue in produzione, che usa gli LLM per lezioni adattive, pratica di conversazione, feedback sulla pronuncia e un programma personalizzato. Non un involucro attorno a un'API di chat: un sistema di apprendimento strutturato in cui l'AI si adatta ai risultati di chi studia, sessione dopo sessione, e fa emergere le lacune in un modo che un programma fisso non può fare.

Il sistema gestisce accesso, pagamenti, accessibilità e prestazioni su scala consumer. L'ho costruito perché mi costringeva ad affrontare ciò che gli strumenti enterprise interni spesso tralasciano: sessioni di utenti reali con ritmi imprevedibili, requisiti di latenza stringenti, scelte di layout pensate prima per il mobile e un degrado controllato quando le API dei modelli sono lente.

Comprende le parti che nessuno mette in una demo: gestione degli errori, comportamento di ripiego, ottimizzazione dei costi con l'uso reale e ciò che serve per far funzionare il sistema in modo affidabile.

Contratti firmati online secondo le norme UE

Risultato
Contratti aziendali firmati online, con il registro delle operazioni e le verifiche dell'identità che le norme UE richiedono, in uso ogni giorno.
Che cosa dimostra per la sua azienda
Lo standard di sicurezza e di tracciabilità che applico ai sistemi AI nei settori regolamentati.
Per il suo team tecnico
  • Stato In produzione
  • Stack Stack enterprise su misura, audit e verifica dell'identità

Una piattaforma di firma digitale per flussi documentali critici per l'attività. In superficie non è un progetto AI, ma è una voce importante qui perché mostra il livello di ingegneria che sta dietro al lavoro sull'AI.

L'architettura gestisce audit trail, integrità dei documenti e verifica dell'identità. Non sono problemi che si risolvono con buoni prompt. Richiedono un'ingegneria corretta, revisioni di sicurezza e maturità operativa.

L'infrastruttura e l'impostazione della sicurezza alla base di questa piattaforma guidano direttamente il mio approccio ai sistemi AI in ambito enterprise. Quando costruisco un sistema AI per un processo regolamentato, il livello di partenza è questo.

Realizzazioni minori ed esperimenti

Due sistemi più piccoli, per chi costruisce in prima persona.

Generatore di landing page in tre prompt. Tre prompt con un solo compito ciascuno producono una landing page migliore di un unico prompt lungo.
  • Stato Prototipo funzionante
  • Stack Pipeline LLM a più fasi, output in HTML semantico

Una landing page generata da un solo prompt produce HTML, e l'HTML è mediocre: titoli generici, struttura debole, testi che sembrano quelli di ogni altra pagina scritta allo stesso modo. Prompt più lunghi aiutavano poco. Più contesto, più esempi e più vincoli rendevano ogni volta di meno, e il risultato restava generico in un modo che non riuscivo a eliminare con una singola istruzione.

Dividere il lavoro in tre prompt, ciascuno con una sola responsabilità, ha cambiato il risultato in modo evidente. Un pianificatore prende il brief e decide la strategia (tipo di pagina, sezioni, ordine, l'invito all'azione principale) e restituisce un piano strutturato, non i testi. Un redattore prende quel piano e scrive solo i testi. Un renderer trasforma i testi in HTML semantico, con SVG inline dove serve un elemento visivo. Ogni fase è abbastanza circoscritta da permettere al modello di fare bene una cosa sola, invece di tenerne in equilibrio tre.

Lo stesso schema vale oltre le landing page. Articoli e documenti lunghi si comportano allo stesso modo: una sola istruzione per produrre tutto dà un risultato accettabile e piatto, mentre un passaggio di pianificazione, uno di scrittura e uno di revisione rispetto a un tono di voce definito producono qualcosa che vale la pena pubblicare. La qualità del risultato segue la separazione delle responsabilità nel prompt, non la sua lunghezza.

Piattaforma AI per la generazione di prodotti digitali. Libri illustrati, set di adesivi e poster generati a partire da poche indicazioni, in un unico stile coerente.
  • Stato In sviluppo attivo
  • Stack LLM multimodali, generazione di immagini, pipeline di output strutturato

Una piattaforma che genera prodotti digitali strutturati (libri illustrati, set di adesivi, poster, quaderni di attività) a partire da indicazioni di alto livello, con schemi di prompt integrati nel flusso di lavoro, non esposti a chi lo usa. Il sistema gestisce automaticamente l'assemblaggio del formato, la coerenza dello stile e il confezionamento del risultato.

La sfida di progetto è che "generare contenuti creativi" è un'indicazione vaga, e proprio per questo la maggior parte delle pipeline AI dà risultati incoerenti. Il lavoro interessante sta nel restringere lo spazio di generazione, così che il risultato sia coerente e in linea con il marchio senza che chi lo usa debba essere un esperto di prompt.

Lo stesso approccio, una generazione su template con la conoscenza del settore integrata, funziona per materiali di marketing interni, materiali commerciali, materiali formativi e modelli con il marchio aziendale, a qualsiasi volume.

L'ho costruito prima di consigliarlo.

Quando consiglio o sconsiglio un sistema, è perché ne ho costruito uno simile e so dove va sotto sforzo.

Prenoti una call