Processi Aziendali da Età della Pietra? Forse l'AI non è (solo) fuffa.

Il solito fritto misto di AI e buoni propositi.

Apri LinkedIn. Leggi di come l'"intelligenza artificiale generativa" stia per "rivoluzionare i paradigmi" e "ottimizzare i flussi di lavoro". Chiudi LinkedIn. Torni al tuo gestionale che sembra progettato da un cugino di Geppetto, compili a mano un report che potrebbe scrivere anche una scimmia bendata e preghi che il server non vada a gambe all'aria prima di sera. Suona familiare, vero? La verità, nuda e cruda, è che parlare di AI in molte aziende italiane è come discutere di astrofisica con chi crede ancora che il sole giri intorno alla Terra. Un esercizio di stile, per lo più inutile.

Il problema non è la tecnologia. Quella, bene o male, c'è. Il problema è che ci siamo abituati a "mettere una pezza" sui processi. Un file Excel qui, un copia-incolla di là, una mail al collega per sapere a che punto è una pratica che dovrebbe essere tracciata in automatico. Accrocchi. Tiriamo su accrocchi che consumano ore, generano errori e, francamente, uccidono la motivazione di chiunque abbia più di due neuroni funzionanti. E poi ci lamentiamo che "siamo in ritardo", che "la concorrenza è più veloce". Davvero?

A Rosignano abbiamo visto clienti annegare in un mare di moduli cartacei per gestire la logistica. Roba che nel 2026 dovrebbe essere illegale. A Kampala, i nostri ragazzi hanno dovuto hackerare un sistema di gestione degli ordini che funzionava con la stessa velocità di un bradipo sotto sedativi. Non è fantascienza, è l'ordinaria amministrazione per troppi. E allora, prima di riempirci la bocca con paroloni come "Large Language Models" e "RAG", facciamo un passo indietro. Un respiro profondo.

Guardiamo il processo più stupido, noioso e ripetitivo della nostra giornata lavorativa. Quello.

Proprio quello è il punto da cui partire. Non per implementare un'astronave, ma per risolvere un problema fastidioso. E qui, forse, un po' di intelligenza (artificiale o umana, poco importa) può davvero servire a qualcosa.

Basta Excel: quando l'automazione non è più un'opzione

Diciamocelo onestamente: per anni, Excel è stato il coltellino svizzero di ogni ufficio. Contabilità, gestione clienti, project management, persino la lista della spesa per la cena aziendale. Un eroe silenzioso. Ma come tutti gli eroi, a un certo punto deve andare in pensione. Continuare ad affidare processi critici a fogli di calcolo interconnessi da formule che solo il povero stagista di tre anni fa capiva è, a essere gentili, una follia. È un castello di carte pronto a crollare al primo soffio di vento, ovvero quando lo stagista si licenzia.

I segnali che è ora di staccare la spina sono chiari, e di solito arrivano sotto forma di bestemmie dall'ufficio amministrazione:

• Errori di Copia-Incolla: Il classico "ho preso la cella sbagliata". Un errore da un centesimo che può costare migliaia di euro. E succede. Succede sempre.
• Dati Duplicati o Mancanti: Chi ha l'ultima versione del file? "Consuntivo_FINALE.xlsx", "Consuntivo_FINALE_def.xlsx" o "Consuntivo_FINALE_def_USA_QUESTO.xlsx"? Un delirio che porta a decisioni basate su informazioni vecchie o incomplete.
• Il Collo di Bottiglia Umano: C'è una sola persona che sa come aggiornare il "file mastro"? Bene, cosa succede quando va in ferie? O peggio, si ammala? L'intero processo si blocca. Andiamo a gambe all'aria per un'influenza.

L'automazione, quella vera, non è sostituire Excel con un altro programma che fa la stessa cosa ma con un'interfaccia più carina. Significa ripensare il flusso. Significa che il dato viene inserito UNA volta, e poi viaggia da solo, sicuro, tracciato, fino a destinazione. Significa che i report si generano da soli, puntuali come un treno svizzero (ok, forse non come un treno italiano). Significa liberare le persone dalla schiavitù del data entry per farle fare quello per cui le paghiamo: pensare.

Machine Learning: il vostro nuovo collega che non si lamenta mai

Superato lo scoglio di Excel, si apre un mondo. Qui entra in gioco il Machine Learning (ML), che non è altro che dare al sistema la capacità di imparare dai dati senza che qualcuno debba scrivergli le regole a mano. È come avere un collega junior ultra-pignolo che analizza migliaia di pratiche passate per capire come comportarsi in futuro. E non chiede l'aumento.

Mettiamola sul pratico. L'altro giorno in agenzia, dovevamo smistare centinaia di ticket di assistenza. Prima, c'era una persona che li leggeva uno a uno e li assegnava al tecnico giusto. Un lavoro alienante. Abbiamo tirato su un piccolo modello di classificazione del testo. Niente di fantascientifico. Dopo avergli dato in pasto lo storico dei ticket, ha imparato a riconoscere le parole chiave ("stampante", "password", "server lento") e ad assegnare il ticket in automatico. Con una precisione del 95%. Quel 5% di errore? Lo gestisce la stessa persona di prima, che ora però invece di fare il passacarte, supervisiona il processo e gestisce solo le eccezioni. Lavora meno? No. Lavora meglio. E non vuole più darci fuoco all'ufficio.

Questo è il Machine Learning applicato ai processi: non magia nera, ma un modo per delegare le decisioni ripetitive basate su schemi riconoscibili. Dalla previsione delle vendite all'identificazione di transazioni anomale, passando per la gestione delle scorte. L'importante è avere dati storici "puliti". Se gli dai spazzatura in pasto, imparerà a fare spazzatura. Garbage in, garbage out. Una regola vecchia come l'informatica, ma che con l'AI è diventata legge.

Il grande salto: l'AI Generativa e i sistemi RAG. Tradotto per comuni mortali.

E ora, la ciliegina sulla torta. O la mazzata finale, a seconda dei punti di vista. L'AI Generativa, quella di cui tutti parlano, quella di ChatGPT. Figa, eh? Peccato che usarla "così com'è" per i processi aziendali sia come usare una Ferrari per andare a fare la spesa al discount. Inutile e potenzialmente dannoso. Questi modelli sono potentissimi, ma non sanno nulla della tua azienda. Non conoscono i tuoi clienti, le tue procedure, le tue policy interne. Se gli chiedi di rispondere a una mail di un cliente, si inventerà una risposta plausibile, ma quasi sicuramente sbagliata. Un disastro annunciato.

Qui entra in gioco l'architettura RAG (Retrieval-Augmented Generation). Sembra un parolone da ingegneri, ma il concetto è stupidamente semplice. Invece di fare una domanda direttamente all'AI generica (la Ferrari), la fai passare prima da un "bibliotecario" interno. Questo bibliotecario (che è un pezzo di software, ovviamente) va a cercare le informazioni corrette all'interno dei tuoi documenti aziendali: manuali, procedure, listini, contratti, lo storico delle email. Solo DOPO aver trovato i documenti pertinenti, li passa all'AI generica e le dice: "Ok, adesso rispondi a questa domanda, ma usando SOLO le informazioni che ti ho dato io".

Il risultato? L'AI non può più inventarsi nulla. È costretta a usare la conoscenza specifica della tua azienda. È come dare alla Ferrari la mappa esatta del supermercato, indicandole il parcheggio e lo scaffale del latte. Niente più giri a vuoto, niente più risposte allucinate. Un chatbot per il servizio clienti che risponde basandosi sui manuali tecnici veri? Fatto. Un sistema che genera bozze di contratti partendo da template approvati dal legale? Fatto. Un assistente che riassume una conversazione email di 50 messaggi evidenziando i punti salienti per il manager? Fatto.

Onestamente? Far funzionare bene un sistema RAG non è una passeggiata. Ci abbiamo sbattuto la testa per mesi, prima a Rosignano e poi con i team a Kampala. Devi preparare bene i documenti, devi "indicizzarli" nel modo giusto, devi scegliere il modello adatto. È un lavoro di fino. Ma quando funziona, spazza via in un colpo solo ore di lavoro manuale di ricerca e sintesi. E libera le persone per fare cose che un'AI, per ora, non sa fare. Tipo parlare con un cliente incazzato e trasformarlo in un fan. O avere quell'intuizione geniale davanti a un caffè. Quella, per fortuna, è ancora roba nostra.