Cosa cambia davvero, dove sta il valore, in che tempi.
Per imprenditori e direzioni di PMI manifatturiere e di distribuzione B2B
Andrea Pellizzari · pratica e diffusione di architetture AI nelle PMI manifatturiere · andreapellizzari.it
Cliente chiama: "voglio una cucina 60, cassetti pesanti, lavastoviglie scomparsa, cerniere ammortizzate". Cosa fa il vostro commerciale?
Tutti i vostri concorrenti hanno gli stessi costi. Per ora.
Domani: 30 secondi.
Stessa offerta. Stesso cliente. Stessa qualita' tecnica. Tempo di esecuzione: 30 secondi.
Il commerciale apre la chat aziendale, scrive: "cucina 60 cliente Bianchi, cassetti pesanti LEGRABOX, lavastoviglie 60 classe A, cerniere ammortizzate". L'assistente:
30 secondi. Il commerciale rilegge, conferma, invia.
Ma c'e' una condizione: che la vostra azienda sia "agentizzata" bene.
"AI" non e' la soluzione.
"AI" e' una tecnologia.
La differenza e' enorme. La tecnologia da sola e' commodity (la trovate ovunque, costa poco). La soluzione e' come la organizzate dentro la vostra azienda.
In questi mesi sento imprenditori che dicono: "ho comprato l'abbonamento a ChatGPT per i miei commerciali, vediamo cosa esce". Non esce nulla. O peggio: esce uno strumento che inventa codici, sbaglia prezzi, da consigli a caso. Perche' ChatGPT generico non sa nulla del vostro catalogo, dei vostri clienti, delle vostre regole.
Quello che funziona e' un sistema costruito attorno alla vostra azienda specifica. Lo chiamiamo "agentizzazione". Non si compra: si costruisce.
Dolore: il sapere tecnico vive nelle teste delle persone. Quando l'esperto va in ferie o in pensione, l'azienda perde know-how.
Risposta AI: il sapere viene scritto in un sistema editabile dall'esperto, che il bot legge e applica. Esperto in pensione = bot continua a "parlare" come l'esperto.
Dolore: il commerciale deve mettere insieme prodotti tecnici diversi, verificare compatibilita', applicare regole. Lento, errori frequenti.
Risposta AI: il bot configura in tempo reale, applica regole verificate, segnala incompatibilita' ("la lavastoviglie X non sta nei cassetti Y").
Dolore: il cliente fa domande tecniche complesse (es. "che cerniera per anta da 18 kg in vetro?"). Il commerciale junior brancola, il senior interrompe il suo lavoro.
Risposta AI: il bot risponde con ragionamento tecnico documentato, citando il manuale fornitore. Il commerciale junior diventa autonomo in settimane, non in mesi.
Notate cosa non sono questi tre dolori: "fare presentazioni piu' belle", "scrivere email piu' veloci", "tradurre testi". Tutte cose utili, ma non strategiche. I tre dolori sopra sono strategici: spostano il punto di valore competitivo della vostra azienda.
Brand: ferramenta di precisione per cucine (cassetti, cerniere, ante). Manuale fornitore: 758 pagine, 1.936 codici, regole tecniche dense. I commerciali e i tecnici di showroom dovevano sfogliarlo a mano per ogni richiesta cliente.
I commerciali nostri agenti di vendita, gli addetti showroom. Su rete aziendale interna.
Configurazione cassetti completa, scelta cerniere giusta, regole tecniche di montaggio, codici da listino verificati, foto prodotto, citazione pagina del manuale.
Non inventa nulla. Se mancano dati chiave (es. "non hai detto la portata"), chiede prima di rispondere.
~3 mesi di lavoro part-time di 1 sviluppatore + 5-10 ore settimanali del nostro esperto interno per validare le regole.
Il commerciale digita una richiesta abbreviata, anche con typo (succede). L'assistente:
Questa e' la differenza tra "bot generico che inventa" e "assistente consulenziale che ragiona".
Il commerciale clicca "40 kg" o "70 kg" senza dover digitare nulla. L'assistente riprende.
Per assemblare la distinta del cassetto LEGRABOX con NL 500 mm mi serve un dato chiave: la portata.
Quale portata ti serve?
L'assistente compone la distinta completa: 9 componenti con codici verificati, foto del prodotto, citazione della pagina del manuale fornitore (cliccabile, si apre l'immagine in grande).
Importante: ogni codice citato esiste davvero nel catalogo. L'esperto interno ha verificato di persona. Il sistema ha anche un controllo automatico anti-allucinazione che blocca la risposta se cita codici inesistenti.
Stessa qualita' di un'offerta fatta dall'esperto senior. Tempo di esecuzione: 5 secondi (la versione del bot risponde in streaming).
Distinta cassetto LEGRABOX 500 mm 40 kg:
+7 altri componenti elencati...
Stima costo annuo: ~120 EUR infrastruttura + ~500-1500 EUR AI a token (dipende dal volume) = ~1000-2000 EUR/anno per tenere il sistema vivo. Investimento iniziale: ~15.000-25.000 EUR per costruzione + ~4-6 ore/mese di manutenzione (aggiornamento wiki, monitoraggio).
Per metterlo in prospettiva: il costo di 3 mesi di un commerciale junior. E il sistema dura per anni, scala su tutti i commerciali insieme.
Da 1.5-2 ore a 30 secondi per offerta complessa.
Effetto: piu' offerte/giorno, piu' clienti serviti, piu' fatturato a parita' di team.
Codici sbagliati, prezzi sbagliati, incompatibilita' meccaniche: quasi azzerati.
Effetto: meno reclami, meno re-lavorazioni, meno costi di garanzia.
Nuovo commerciale autonomo in 2 settimane invece di 6 mesi.
Effetto: cresci piu' veloce, riduci dipendenza dall'esperto unico.
Il cliente puo' fare domande tecniche al bot 24/7, anche di sera o nel weekend.
Effetto: customer experience moderna senza assumere customer care.
Il sapere dell'esperto vive nel sistema, non nella sua testa.
Effetto: l'esperto va in pensione, il sistema continua. Asset aziendale capitalizzato.
Notate che 4 leve su 5 hanno effetto scalabile: piu' commerciali avete, piu' clienti avete, maggiore e' il ritorno. La leva 5 e' diversa: e' un'assicurazione contro il rischio di perdere know-how.
| Costruzione sistema base | 15.000-25.000 EUR |
| Onboarding primo brand/dominio | 5.000-8.000 EUR |
| Tempo esperto interno (~50h) | ~2.500 EUR |
| Infrastruttura + AI tokens (anno 1) | ~2.000 EUR |
| TOTALE anno 1 | 25.000-37.000 EUR |
| Tempo commerciale risparmiato (5 comm × 2h/giorno × 200 giorni × 25 EUR/h) | 50.000 EUR |
| Errori in offerta evitati (stima -50% su anno 1) | ~10.000 EUR |
| Offerte aggiuntive servite (capacity +30%) | variabile (margine *10-30k) |
| TOTALE risparmio anno 1 | ~60-90.000 EUR |
Nota: numeri indicativi per PMI distribuzione B2B con catalogo tecnico denso. Vostro caso puo' variare. Vedere assessment specifico prima di decidere.
Se prendete ChatGPT generico e gli date in pasto i vostri PDF, il bot risponde con sicurezza ma inventa codici, prezzi, regole nel 10-30% dei casi. In B2B con offerte vere, inaccettabile. La soluzione esiste (sistema costruito attorno alla vostra azienda) ma costa: vedete slide precedenti.
Il sistema non e' "lo costruisci e va per 10 anni". Catalogo cambia ogni anno, regole evolvono, errori emergono. Budget manutenzione: ~10-20% dell'investimento iniziale, ogni anno. Senza, il sistema invecchia male.
Il sapere tecnico del vostro brand non lo conosce un consulente esterno. Lo conosce il vostro tecnico senior. Se non lo coinvolgete (5-10h/sett per 2-3 mesi), il sistema parte sbagliato e voi spendete il doppio per rifarlo.
Il commerciale non sparisce: diventa piu' produttivo e si concentra sulle cose che AI non fa (relazione, negoziazione, customer experience). Se il vostro modello business e' "ridurre il personale", state guardando il problema sbagliato.
Probabilmente vi ha detto qualcuno: "facciamo carico tutti i tuoi cataloghi PDF in un sistema AI e basta". Si chiama RAG (Retrieval Augmented Generation). E' la tecnica AI piu' diffusa del 2024-25. Funziona bene per Q&A semplice su documenti: "cosa dice il manuale del prodotto X?".
Per un sistema agentico B2B serio (CPQ multi-brand), da solo NON BASTA. Quattro motivi pratici, tutti dolorosi:
Cliente chiede "lavastoviglie 60 classe A". Il RAG cerca "60 classe A" nei chunks dei PDF e puo' confondere il "60" con altri "60" (60 watt, 60 db). Risposta: prodotti sbagliati.
Regola "se cassetto > 40 kg usa codice 753.*". Il RAG legge la regola e prova ad applicarla, ma nel 10-30% dei casi sbaglia. In B2B con offerte vere, inaccettabile.
Il RAG e' "smemorato": ogni domanda parte da zero. Il bot non puo' dire "rispetto alla tua cucina di 5 giorni fa, questo prodotto non si incastra".
Il RAG ti mostra "i documenti rilevanti" ma non "perche' il bot ha proposto questo specifico prodotto". Per AI Act EU 2026 e' un problema legale.
Il sistema agentico vero (quello che vi descrivo) USA il RAG come uno dei tanti pezzi (per cercare nei manuali narrativi del brand), ma e' molto piu' di RAG. E' RAG + database strutturato attributi + motore di regole + memoria progetto + integrazione gestionale. La differenza e' tutta li'.
Tre fonti di "intelligenza" del bot:
Cosa: anagrafica clienti, articoli, prezzi, sconti, disponibilita'. Vivono nel vostro gestionale (Mexal, ad esempio).
Come si collega al bot: il bot interroga il gestionale in tempo reale tramite un "ponte" tecnico (MCP).
Cosa: PDF dei brand che distribuite, schede prodotto, decision tree dell'esperto interno, regole di compatibilita' meccanica.
Come si collega al bot: estrazione automatica + cura manuale via interfaccia web (l'esperto modifica testi senza toccare codice).
Cosa: chi e' il cliente, classe sconto, storico ordini, configurazione progetto in corso (es. "cucina cliente Bianchi").
Come si collega al bot: il bot ricorda lo stato del progetto (anche giorni dopo) e applica regole personalizzate.
Il "miracolo" e' nella combinazione: senza UNA delle tre fonti, il bot perde efficacia. Ad esempio senza il gestionale collegato, non sa il prezzo cliente. Senza i manuali curati, inventa codici. Senza il contesto progetto, non puo' applicare vincoli.
A un livello piu' tecnico, le "3 fonti di intelligenza" della slide precedente diventano 4 fonti di "verita'" distinte. Niente di esoterico: ognuna ha un ruolo chiaro nella vostra organizzazione.
| Fonte | Cosa contiene (in pratica) | A che domanda risponde |
|---|---|---|
| 1. Il vostro gestionale (Mexal o equivalente) |
Anagrafica clienti, codici prodotto, prezzi, sconti, disponibilita', storico ordini | "Quanto costa per il cliente Rossi? Quanti pezzi ho a magazzino?" |
| 2. Le schede prodotto strutturate (database tecnico cross-brand) |
Per ogni prodotto: attributi tecnici normalizzati (larghezza, classe energetica, profondita', ecc.) | "Quali lavastoviglie hanno larghezza 60 cm e classe A?" |
| 3. Il sapere consulenziale del brand (wiki editabile dall'esperto) |
Decision tree, distinte canoniche, regole tecniche, schede narrative del singolo brand | "Come si sceglie una cerniera per un'anta in vetro pesante?" |
| 4. Lo stato del progetto cliente (memoria della sessione) |
Configurazione progetto in corso (es. "cucina cliente Rossi": cassetti, lavastoviglie, vincoli attivi) | "A che punto siamo della cucina cliente Rossi? Cosa c'e' di gia' configurato?" |
Quella prima e' la vista manageriale ("dati, regole, contesto"). Questa e' la vista operativa per quando vi sederete col fornitore tecnico a definire il progetto. La fonte "schede prodotto strutturate" e' un investimento separato dal vostro gestionale: e' lo strato che permette di rispondere a "quali prodotti soddisfano X+Y+Z" che il gestionale italiano tipicamente non struttura bene.
Le 4 fonti del bot non nascono dal nulla. Sono popolate da 3 source originali che gia' esistono nella vostra azienda o si creano in fase di setup.
| Source originale | Cosa contribuisce | A quale fonte va | Effort iniziale tipico |
|---|---|---|---|
| 1. Il vostro gestionale Mexal o equivalente, gia' in casa |
Anagrafica clienti, codici prodotto, prezzi, sconti, disponibilita' | Mexal MCP (lookup runtime, niente duplicazione) | 1-2 settimane di sviluppatore per esporre il gestionale come MCP |
| 2. PDF catalogo brand Manuale fornitore, voluminoso |
Estratto in 2 modi: (a) attributi tecnici tipizzati (b) narrativa + decision tree |
(a) → schede prodotto strutturate (PIM) (b) → wiki consulenziale del brand |
Estrazione automatica: 1 giornata. Curation top 100-200 codici: 2-3 settimane |
| 3. Esperto interno del brand Il commerciale tecnico senior |
Sapere "perche' si fa cosi'", regole non scritte in nessun manuale, decision tree mentali | Valida attributi PIM + scrive regole eseguibili + decision tree + schede narrative wiki | 5-10 ore/settimana per 2-3 mesi durante onboarding |
Lo "stato del progetto cliente" (es. cucina configurata cliente Rossi) non viene popolato in fase di setup. Si crea automaticamente quando un commerciale apre una sessione e configura un progetto. Persiste in DB, riprendibile 5-30 giorni dopo. Nessun lavoro iniziale richiesto.
Lo stesso prodotto del catalogo finisce in due posti diversi: nelle schede prodotto strutturate (PIM) come riga di tabella con attributi tipizzati, e nella wiki consulenziale del brand come scheda narrativa "quando consigliarla, quando NO, attenzione a...". Stessa fonte, due rappresentazioni complementari.
| Manca... | Cosa succede | Risultato |
|---|---|---|
| I dati strutturati (no collegamento gestionale) | Il bot risponde "consulta il listino per il prezzo" oppure inventa prezzi medi. | Il commerciale deve comunque aprire Mexal a mano. Il bot e' un giocattolo. |
| I manuali curati (estrazione automatica solo, no esperto) | Il bot inventa codici, applica male le regole, da consigli sbagliati. | I commerciali smettono di usarlo dopo 2 settimane. Investimento perso. |
| Il contesto cliente (no memoria progetto) | Ogni domanda parte da zero, il bot non collega le scelte tra loro. | Per offerte multi-prodotto serve il commerciale comunque. Solo lookup. |
Il 90% dei progetti AI in PMI fallisce per UNA di queste 3 ragioni. Non per problemi tecnologici: per problemi di scope. La tecnologia c'e', il framework c'e'. Manca la disciplina di fare i 3 collegamenti tutti e tre, in ordine giusto.
Sembra che agentizzare un'azienda richieda un team di 10-20 ingegneri. Non e' piu' cosi'. Il pattern reale e' diverso, e cambia tutto.
Per costruire un assistente AI tecnico per la vostra azienda, servivano:
Costo tipico: 50-100k EUR per primo modulo, 6-12 mesi di sviluppo.
Lo sviluppatore lavora dentro a un'AI di sviluppo (es. Claude Code) per ogni passo: estrazione PDF, scrittura parser, generazione schede prodotto, definizione regole, test, deploy. L'AI fa il grosso del lavoro tecnico, lo sviluppatore guida e valida.
Costo tipico: 15-25k EUR per primo brand, riusabile per i successivi (3-5k EUR ognuno).
Riduzione costi 5-10x rispetto al pattern tradizionale. La complessita' tecnica si comprime nel codice (developer + AI di sviluppo). La conoscenza del vostro dominio resta dove e' (nelle teste dei vostri esperti). Le due cose si incontrano in 2-3 mesi di lavoro part-time, non 6-12 mesi di team dedicato.
Il vostro esperto interno NON deve diventare programmatore: corregge testo (markdown semplice), aggiunge le regole "che ha in testa" via dialogo. Il developer NON deve diventare esperto del vostro settore: scrive codice (con AI) che processa i dati. Le due cose si incontrano nel sistema finale.
Esempio reale: il caso BlumCat (vedi atto 3) e' stato costruito con questo pattern in 3 mesi di lavoro part-time di 1 sviluppatore + 5-10h/settimana di esperto interno. Senza l'AI di sviluppo come "team virtuale", sarebbero stati ~9-12 mesi di team dedicato.
Le PMI manifatturiere e di distribuzione italiane hanno un asset enorme che le grandi multinazionali non hanno: il sapere "perche'" si fa cosi'. Non solo "cosa" si fa.
Questo "lo so io" e' l'asset. Il vostro tecnico esperto, il vostro commerciale senior, il vostro responsabile prodotto: dentro le loro teste c'e' un sapere che nessun fornitore esterno puo' replicare, perche' non lo conosce.
Agentizzare bene significa mettere quel sapere dentro a un sistema che continua a parlare anche quando l'esperto va in pensione. E' la cosa piu' preziosa che un'azienda possa fare oggi col proprio know-how.
"Deleghiamo tutto al consulente AI esterno"
"Co-costruiamo: fornitore AI + nostro esperto interno"
La differenza non e' tecnologica, e' organizzativa. Decidete in anticipo che il vostro esperto interno sara' co-protagonista, non utente passivo. Mettetelo nel contratto col fornitore.
Il rischio piu' grande in un progetto AI: lock-in. Tu paghi, lui costruisce, ma il "sapere" finisce nel suo formato proprietario. Il giorno che cambi fornitore, perdi tutto.
La domanda da fare al fornitore in trattativa: "Mostrami in 5 minuti come uno dei miei dipendenti puo' modificare una regola tecnica del bot, senza chiamarti." Se non sa rispondere, cambiate fornitore.
Scegliete UN brand o UNA categoria di prodotto del vostro catalogo dove la consulenza tecnica e' piu' importante. Quello e' il vostro pilota. Coinvolgete il vostro esperto interno: chiedete se e' disponibile a 5-10h/sett per 3 mesi.
Investimento: 0 EUR + tempo decisionale.
Mettete in contratto un fornitore AI (interno se avete sviluppatori, esterno altrimenti) per costruire il sistema base + onboarding del primo brand. Pretendete il pattern co-costruzione: il vostro esperto deve poter modificare le regole tecniche.
Investimento: 20.000-30.000 EUR + tempo esperto interno.
Date il bot a 2-3 commerciali "early adopter". Raccogliete feedback ogni settimana. Il bot migliora ogni 2 settimane sulla base dei dolori reali. Misurate: tempo offerta, errori, soddisfazione commerciale, primi contatti positivi cliente.
Investimento: tempo di feedback + correzioni minori.
Dal mese 6 in poi, decidete se scalare (estendere a tutti i brand, a tutti i commerciali) o aggiustare il tiro. Avete dati reali per decidere, non promesse del fornitore.
| Mese | Cosa succede | Indicatore di successo |
|---|---|---|
| 1-2 | Setup tecnico, integrazioni col gestionale, infrastruttura cloud | Il bot risponde a domande tecniche di base sul brand pilota |
| 3 | Onboarding del brand pilota: estrazione manuale + cura wiki + regole | L'esperto interno modifica una regola via web e il bot la applica subito |
| 4 | Test con 2-3 commerciali early adopter | I commerciali usano il bot 5-10 volte/giorno, feedback positivo >70% |
| 5-6 | Iterazioni rapide, risoluzione bug, miglioramento risposte | Tempo offerta complessa: -50% misurato (es. da 2h a 1h) |
| 7-12 | Estensione ad altri brand, ad altri commerciali, a clienti finali (opzionale) | Payback finanziario raggiunto. Decisione di scaling formale. |
Segnale di "stop": se al mese 5 i commerciali non lo usano spontaneamente (devono essere "obbligati"), il sistema e' sbagliato. Non investite di piu', tornate indietro e capite cosa non funziona prima.
Il vero rischio non e' adottare male.
E' non adottare per nulla.
"Aspettiamo di vedere come va, poi decidiamo" e' la tentazione naturale di chi prende decisioni in PMI. Per AI agentica, e' la decisione sbagliata. Ecco perche':
L'alternativa ad "adottare male" non e' "non adottare". E' "adottare bene": pilota piccolo, esperto coinvolto, fornitore co-costruttore, misurazione rigorosa. Il framework esiste. La paura e' l'unico ostacolo reale.
Sono tutti benvenuti. Soprattutto i dubbi.
Andrea Pellizzari
pratica e diffusione di architetture AI nelle PMI manifatturiere
Sito + studi tecnici: andreapellizzari.it
Email: info@andreapellizzari.it
Se volete approfondire l'aspetto tecnico (questa presentazione e' deliberatamente "manageriale"): trovate i 4 studi tecnici dettagliati su andreapellizzari.it/studio/
Questa presentazione: andreapellizzari.it/presentazioni/agentizzare-azienda-imprenditore.html