Tutti dicono di usare l’AI. Nessuno vi dice dove.
Il rischio non è restare indietro: è spendere mesi e budget sul processo sbagliato. Un audit serve a scoprire, con i vostri numeri alla mano, quali attività conviene davvero automatizzare, e quali è meglio lasciare stare.
Si parte dai processi che avete, non da una lista di strumenti
I tre modi in cui si buttano via soldi con l’AI
Li vedo ripetersi in aziende molto diverse fra loro, e hanno tutti la stessa causa: si è partiti dallo strumento invece che dal problema.
Come decido dove l’AI conviene
Ogni attività che trovo in azienda finisce in uno di questi quattro riquadri. Non è una classifica di strumenti: è una classifica di vostre attività, fatta con i vostri tempi e i vostri volumi.
Alto impatto · Basso sforzo
Si parte da qui
Attività ripetitive, ad alto volume, con regole chiare. Si automatizzano in poche settimane e il risparmio si vede subito in ore di lavoro liberate.
- Prime bozze di testi e risposte ricorrenti
- Smistamento e classificazione delle richieste in entrata
- Report che oggi qualcuno assembla a mano ogni settimana
Alto impatto · Alto sforzo
Da mettere a piano
Vale la pena farli, ma non per primi: richiedono dati puliti, integrazioni o un cambio di abitudini. Si affrontano quando i quick win hanno già creato fiducia interna.
- Assistenti collegati a CRM o gestionale
- Previsioni su domanda e magazzino
- Ricerca interna su anni di documenti aziendali
Basso impatto · Basso sforzo
Solo se avanza tempo
Si fanno in un pomeriggio e fanno piacere, ma non spostano nessun numero. Utili semmai come esercizio per far prendere confidenza al team.
- Riassunti delle riunioni
- Riscrittura di post e microcopy
Basso impatto · Alto sforzo
Qui vi dico di no
È il quadrante che quasi nessuno vi mostrerà, perché è quello che non si vende. Sono i progetti che costano mesi, richiedono supervisione continua e non restituiscono niente di misurabile.
- Automatizzare decisioni che richiedono responsabilità legale
- Costruire modelli su dati che l’azienda non ha ancora
- Sostituire persone dove il valore sta proprio nella relazione
Se dall’audit esce che il quadrante più pieno è l’ultimo, ve lo dico e ci fermiamo lì. Vi è costata un’analisi invece di un anno.
Tre passaggi, nessuna sorpresa
Non serve che prepariate niente in anticipo: si parte guardando come lavorate adesso.
Cosa vi resta quando ho finito
Un audit che produce solo una presentazione è tempo perso. Quello che consegno deve poter essere usato anche senza di me.
Perché dovreste sentire me
Insegno l’AI a professionisti e allo stesso tempo continuo a studiarla. Serve soprattutto a una cosa: sapere dove non arriva.
Da docente
Master in Intelligenza Artificiale per i Processi Aziendali
UNINFORM Group
- Insegno il Modulo 2, “Data Management e Cloud Basics: il carburante dell’AI”.
- È esattamente il tema di un audit: senza dati in ordine, l’AI in azienda non parte.
Un percorso da 300 ore d’aula più sei mesi di stage, con un network di oltre 750 aziende.
Da docente
“Intelligenza artificiale: tecnica e creatività nel digital marketing”
Studio Samo
- Luglio 2025, per una delle realtà storiche della formazione digitale in Italia. Un’aula di professionisti, che le basi le ha già.
- Dalle tecniche di prompting (prompt chaining, chain of thought, raffinamento a più passaggi) fino agli script Google Ads scritti col modello e al report di campagna che il modello legge da uno Sheet.
- Con dentro la domanda che in questi corsi non fa quasi nessuno: come si lavora sui dati dei clienti senza consegnarli a un modello, costruendo nomenclature e flussi che li tengono anonimi.
Sei blocchi di esercizi fatti in diretta con l’aula. Davanti a dei professionisti la teoria la verificano mentre gliela racconti, quindi tanto vale provarla subito.
Da allievo
Executive Master “Intelligenza Artificiale e scelte manageriali”
Politecnico di Torino, con Deloitte
- 100 ore sull’integrazione dell’AI nelle strategie aziendali e nel modello di business.
- L’AI vista dal lato delle decisioni, che è il lato da cui si fa un audit.
Edizione 2026, coordinamento dei professori Emilio Paolucci ed Elisabetta Raguseo.
Da allievo
Percorso di carriera Machine Learning Engineer
Data Masters
- Il percorso intero: machine learning classico, reti neurali, deep learning e reinforcement learning, con sotto la matematica e la statistica che li reggono.
- E la parte che in azienda decide tutto: ML-Ops, cioè il momento in cui un modello smette di essere un esperimento e comincia a girare in produzione.
- Livello avanzato, con certificazione finale verificabile.
In un audit è la credenziale che conta di più: dire quanto costa davvero una strada prima di consigliarla, e quando conviene non prenderla.
Prima di tutto questo ci sono dieci anni passati a ottimizzare siti e dati di aziende vere. È da lì che so distinguere un’opportunità da una demo che fa scena.
Con cosa lavoro durante l’analisi
Non sono strumenti che dovete comprare: sono quelli che uso io per arrivare a una risposta motivata invece che a un’opinione.
Lucentix
Incrocio i vostri dati per capire quali attività pesano davvero e quali sembrano solo pesanti.
Otherwaise
Provo sul campo se un processo regge l’automazione, prima di consigliarvi di investirci.
Pyronyx
Prototipo un agente sul vostro caso reale: in mezza giornata si capisce se la strada esiste.
Il vantaggio è semplice: quello che vi propongo l’ho già provato, non l’ho letto da qualche parte.
Partiamo da mezz’ora di chiacchierata
Mi raccontate come lavorate e dove sentite che si perde tempo. Se già da lì capisco che un audit non vi serve, ve lo dico subito: è successo, e mi ha fatto risparmiare tempo quanto a voi.
Rispondo io, non un modulo automatico.