Due licenze di assistente generativo attivate a gennaio, una manciata di persone che le usano ogni giorno. A settembre la domanda arriva in direzione: «perché l’assistente non sa dire a che punto è l’ordine del cliente?» Nessuno l’ha collegato al gestionale. Il modello legge la posta e i documenti del tenant, mentre il gestionale e l’archivio documentale restano fuori dalla sua portata. Portare l’AI sui dati aziendali richiede un passaggio che la licenza non contiene.
È il punto in cui molti progetti si fermano per mesi. L’azienda ha già pagato uno strumento capace di ragionare e scopre che ragiona su un perimetro ristretto. Da lì comincia a valutare abbonamenti aggiuntivi, sperando che uno dei tre copra il caso mancante. Il titolare di una società di distribuzione lo ha detto con parole sue: il dubbio è non trovarci fra quattro mesi a dire che bello, però non è lo strumento giusto.
Il modello non conosce l’azienda, e non serve addestrarlo perché la conosca
Un modello linguistico generalista non contiene i dati di una singola impresa e non va riaddestrato per contenerli. Le informazioni gli arrivano al momento della domanda.
La domanda sull’addestramento torna in quasi ogni primo incontro, spesso posta da chi teme che i propri documenti finiscano dentro un modello pubblico. In una call con un gruppo automotive la formulazione era esattamente questa. La gestione del dato richiede un addestramento specifico, oppure ci si appoggia a un motore esterno già pronto? Nei progetti di AI sui dati aziendali seguiti da Aesir Srl la risposta è la seconda. Il motore resta generalista e la conoscenza resta aziendale: il collegamento si crea al momento della richiesta.
Il meccanismo si chiama recupero aumentato. La domanda dell’utente fa scattare una ricerca nelle fonti aziendali; i frammenti pertinenti arrivano al modello insieme alla domanda. Le fonti restano dove sono. Il modello non ingloba alcun documento, e revocare un accesso toglie quel contenuto dalle risposte future.
Il connettore è il pezzo che manca per portare l’AI sui dati aziendali
Un connettore espone i dati di un sistema aziendale a un motore linguistico in una forma che il motore sa interrogare. Il protocollo MCP definisce come quell’esposizione avviene.
Il dettaglio tecnico che segue serve a rispondere a due domande che una direzione pone sempre: se i sistemi già in casa sono compatibili e che cosa si paga in più. La compatibilità si stabilisce guardando una cosa sola, cioè se il sistema sorgente espone API complete o soltanto esportazioni periodiche. Il costo, invece, si concentra sul progetto di integrazione: il motore linguistico è già pagato con le licenze in uso e il connettore, quando il fornitore lo ha già scritto, non aggiunge canoni.
Prima dello standard ogni integrazione era un lavoro a sé: una per il gestionale, una per il documentale, una per il gestionale successivo. Il protocollo Model Context Protocol ha cambiato i costi delle integrazioni. Chi possiede un sistema scrive un connettore, e quel connettore vale per qualunque motore che parli lo stesso protocollo.
In un progetto di AI sui dati aziendali seguito da Aesir la catena è questa. La piattaforma di integrazione dialoga con il gestionale ed espone il connettore. L’assistente già in uso dal cliente lo aggiunge fra le proprie fonti. Da quel momento la stessa licenza che prima rispondeva solo su posta e documenti risponde anche sugli ordini. Non servono abbonamenti aggiuntivi né un’altra piattaforma da imparare.
Un punto resta aperto, e di solito lo solleva il responsabile IT. Quando i connettori diventano due, l’autenticazione fra i sistemi va progettata: il motore deve presentarsi con un’identità, e quell’identità deve corrispondere a permessi verificabili. È la parte più delicata dell’architettura, e il motivo per cui molti prototipi non arrivano mai in produzione.
I permessi restano quelli della persona che fa la domanda
Un assistente collegato ai sistemi aziendali eredita le autorizzazioni dell’utente che lo interroga. Chi non vede un documento nell’applicativo non lo vede nemmeno nella risposta.
L’obiezione blocca molti progetti in fase di approvazione, e una risposta tecnica precisa esiste. Nelle piattaforme documentali i permessi sono articolati. Riservatezze legate alle classi documentali, distinzione fra lettura e download, autorizzazioni collegate alle fasi di un processo, gruppi che ereditano a cascata. L’assistente interroga la piattaforma con l’identità di chi ha scritto la domanda, e riceve soltanto ciò che quella identità può leggere.
Un amministrativo che chiede il totale di una commessa riceve il totale. La stessa domanda, posta da chi non ha accesso a quella commessa, produce una risposta vuota. La qualità di un progetto di AI sui dati aziendali si misura quindi sulla mappa delle autorizzazioni, molto prima che sulla scelta del modello.
Insight: un assistente collegato male può dare risposte corrette a chi non è autorizzato a leggerle, e questo tipo di errore non lo segnala nessuno.
Dove risiedono i dati aziendali quando l’AI entra in gioco
La domanda corretta riguarda due aspetti distinti: in quale area geografica il fornitore elabora i contenuti e se quei contenuti alimentano l’addestramento di modelli di terzi.
Nelle configurazioni che Aesir propone la piattaforma resta sui server aziendali oppure su un cloud privato, e il motore linguistico viene raggiunto attraverso un ambiente dedicato. Le chiamate non passano dalle interfacce pubbliche del fornitore del modello, e i contenuti non alimentano l’addestramento. Le piattaforme selezionate trattano i dati in datacenter dell’Unione Europea, con certificazioni della famiglia ISO/IEC 27001 e requisiti in linea con la direttiva NIS2. Sono gli stessi standard applicati alla nostra infrastruttura.
Il regolamento europeo sull’intelligenza artificiale ha aggiunto un obbligo che riguarda le persone prima dei sistemi. Chi impiega questi strumenti deve garantire un livello adeguato di alfabetizzazione a chi li usa. L’obbligo vale per tutte le aziende, a prescindere dal caso d’uso, e va inserito nel piano insieme al progetto tecnico.
AI sui dati aziendali: i moduli del gestionale coprono solo la loro area
Le funzioni di intelligenza artificiale integrate in un applicativo lavorano bene dentro il perimetro di quell’applicativo, e si fermano al suo confine. Un progetto di AI sui dati aziendali nasce quasi sempre da un bisogno che attraversa più confini.
Il modulo di un sistema documentale legge le fatture, estrae i dati con una soglia di confidenza, cerca per significato dentro l’archivio. Su quella materia è più efficace di qualunque agente costruito da zero, perché conosce le classi documentali e rispetta i permessi nativi. Fuori da lì non arriva: la funzione è integrata nell’interfaccia e non risponde a una chat trasversale.
Il confronto va impostato per problema, e il risultato quasi mai è un unico strumento. In una call con un operatore della mobilità elettrica sono emersi due bisogni nella stessa ora. Uno era un assistente conversazionale verso una rete di rivenditori esterni, con profilazione dell’interlocutore e una base di conoscenza dedicata. L’altro era un accesso interno alla documentazione aziendale per i dipendenti. Il consiglio è stato di usare due strumenti distinti: una piattaforma di agenti per l’esterno, il modulo nativo del documentale per l’interno, che attinge all’intero archivio con le autorizzazioni corrette.
Quattro strade, e il criterio per sceglierle
La scelta si fa sul problema, non sulla tecnologia disponibile. La tabella riassume i quattro percorsi che ricorrono più spesso nei progetti.
| Strada | Quando conviene | Che cosa serve prima |
|---|---|---|
| Modulo AI incluso nell’applicativo | Il bisogno vive dentro un solo sistema: documenti, fatture, ricerca in archivio | Classi documentali ordinate e permessi già corretti |
| Connettore verso l’assistente già in uso | Le persone lavorano già dentro una suite e devono interrogare anche il gestionale | API del sistema sorgente e un modello di identità condiviso |
| Agente dedicato su piattaforma multi-agente | L’interlocutore è esterno e va profilato, i canali sono più di uno | Base di conoscenza redatta, regole di risposta e casi di passaggio a operatore |
| Automazione senza conversazione | Il processo è ripetitivo e il testo va solo interpretato, come negli ordini in arrivo | Regole di validazione e una soglia oltre la quale interviene una persona |
Un caso di importazione ordini, raccontato fino alla fine
La quarta riga della tabella merita un esempio, perché è la meno appariscente e la più redditizia. Non tutti i progetti di AI sui dati aziendali finiscono in una chat.
Una società di distribuzione riceveva fra venti e cinquanta ordini al giorno, in PDF, con formati diversi per ogni cliente. Quattro o sei righe di media, inserimento manuale. Il problema non era il tempo impiegato, ma gli errori che si scoprivano a merce spedita. Durante l’analisi è emerso che il caso non richiedeva un assistente conversazionale. Bastava ridurre l’impiego del modello alla sola lettura del documento, lasciando alla logica applicativa la validazione di codici articolo, listini e disponibilità.
Da quella scelta discendono due conseguenze misurabili. La prima riguarda gli errori che avevano fatto nascere il progetto: il sistema blocca prima dell’inserimento le righe con codice articolo inesistente o listino non applicabile, quindi non arrivano più in spedizione. La seconda riguarda il tempo. Un ordine da cento righe entra nel gestionale in un minuto invece che in un quarto d’ora. Il controllo umano si concentra sulle sole righe che il sistema segnala come dubbie. Su una base di clienti stabile la quota di ordini che passa senza alcun intervento si assesta fra il settanta e il settantacinque per cento. Il resto continua a passare da una persona, ed è esattamente quello che deve accadere.
Le verifiche da fare prima di collegare un modello ai sistemi
- Scrivere la domanda tipo a cui il sistema deve rispondere, con il nome del ruolo che la porrà.
- Controllare se il sistema sorgente espone API complete o soltanto esportazioni periodiche.
- Verificare la mappa delle autorizzazioni e correggerla prima del collegamento, non dopo.
- Stabilire dove il fornitore elabora i contenuti e se questi alimentano l’addestramento di modelli di terzi.
- Definire la soglia oltre la quale la risposta passa a una persona, e chi è quella persona.
- Misurare il caso pilota su un processo circoscritto, con un dato di partenza registrato prima di iniziare.
Le domande sull’AI sui dati aziendali che arrivano dalla direzione
Serve un server nostro per usare l’AI sui dati aziendali?
Nella maggior parte dei casi no. Il calcolo resta sul motore linguistico. La piattaforma che espone i dati può stare on premise o su cloud privato, secondo le policy di sicurezza aziendali.
Un assistente può inventare una risposta?
Può produrre risposte generiche quando la base di conoscenza è incompleta o contraddittoria. Il controllo si costruisce prima del rilascio: base redatta dall’azienda, regole di risposta esplicite, casi di prova ripetuti a ogni modifica.
Quanto dura un progetto pilota?
Un caso d’uso circoscritto si imposta in poche settimane quando i dati sono accessibili via API. A dettare i tempi sono lo stato della documentazione e delle autorizzazioni.
Che cosa succede al lavoro che oggi viene svolto a mano?
Cambia il punto in cui la persona interviene. L’inserimento sparisce, il controllo sulle eccezioni resta e diventa più qualificato, perché arriva già corredato dall’indicazione di che cosa il sistema non ha capito.
Parliamone
Un progetto di AI sui dati aziendali parte da tre domande, in quest’ordine: quali fonti vanno raggiunte, con quale identità e chi controlla il risultato. La scelta del modello arriva dopo, ed è la meno vincolante delle tre decisioni. I progetti che entrano in produzione hanno quasi sempre alle spalle un lavoro di ordinamento dei dati e dei permessi, che nessuno racconta e che costa più della tecnologia installata sopra. Un percorso simile è descritto nell’articolo sulla knowledge base per agenti AI e nel pezzo sugli agenti AI nel servizio clienti.
Se desidera approfondire il tema o valutare la situazione della sua azienda, può compilare la form in fondo alla pagina oppure scrivere a support@aesir-tech.it: prenotiamo una consulenza gratuita e partiamo dai suoi numeri.