Casi: impianti, produzione, negozi e sicurezza

Perché conta: un'impresa di impianti incassa solo quando qualcuno ricostruisce cosa è stato fatto. Qui il tecnico racconta l'intervento a voce, il cliente firma sul telefono e la fattura nasce dal rapportino firmato: niente fogli da ricopiare la sera, niente lavori extra dimenticati.

Prima: rapportini di carta ricopiati la sera, firme da rincorrere, materiale che spariva dai furgoni, fatture in ritardo perché prima bisognava ricostruire cosa era stato fatto.

Cosa è stato costruito: iTER7 con agenda degli interventi, rapportino dettato a voce dal telefono, firma del cliente sullo schermo, magazzino per furgone con QR, PDF con il logo e fattura elettronica dal rapportino firmato.

Cosa è cambiato: il rapportino è pronto a fine intervento, con la firma, e la fattura nasce da lì. Niente fogli da ricopiare. I tempi prima e dopo si stanno misurando con il cliente: i numeri compaiono qui quando saranno misurati, non stimati.

L'intelligenza artificiale dentro: un assistente a cui si parla o si scrive in italiano ("i miei interventi di questa settimana", "quanto c'è di questo articolo nel furgone 2", "chiudi la commessa"): cerca da solo clienti, commesse, magazzino e distinte, e prepara l'azione. Il rapportino dettato diventa una bozza con i materiali presi dal catalogo, e il sistema segnala da solo i materiali usati oltre il preventivo. Anche il preventivo si detta a voce. I messaggi WhatsApp e le email dei clienti arrivano già smistati: cosa chiedono, a quale commessa si riferiscono, cosa conviene fare. I documenti fotografati o in PDF si leggono da soli.

Sicurezza dell'AI: l'AI propone, una persona conferma, e resta scritto chi e quando. L'assistente può fare solo le azioni di un elenco chiuso, con un tetto di proposte ogni dieci minuti; i tentativi di manipolarlo (prompt injection) vengono filtrati; email, IBAN, codice fiscale e numeri di carta non finiscono nei registri. La copertura dei rischi OWASP per le applicazioni con modelli linguistici è documentata voce per voce, comprese quelle non coperte.

Dati e AI: istanza dedicata all'impresa, dati esportabili in ogni momento. I modelli AI si scelgono e si cambiano da configurazione (l'interfaccia è compatibile anche con modelli installati in azienda); la lettura delle bollette usa un servizio in regione europea. Per l'AI Act rientra, con ogni probabilità, nel rischio limitato: l'assistente dichiara di essere automatico e che niente viene eseguito senza conferma, e non valuta mai le persone.

Chi sono: un'azienda in provincia di Padova che tratta rifiuti, pericolosi e non. Arrivano camion con big bag, fusti, cisternette e bancali; poi cernita, sconfezionamento, triturazione e pressatura.

Il problema: per carico, scarico e RENTRI usano il gestionale di settore che hanno quasi tutti gli impianti. È vecchio, alcune funzioni sono fatte male e l'assistenza di fatto non c'è: mi hanno detto che per una funzione nuova si aspetta anche due anni. E nei rifiuti un errore può finire in una denuncia penale, anche solo per un'etichetta che manca su una big bag.

Cosa ho fatto: un gestionale su misura per tutta la movimentazione interna dei rifiuti, una specie di magazzino: i conferimenti si leggono dal gestionale di settore, ogni collo ha la sua etichetta con QR, e si sa dove sta, quali lavorazioni ha fatto e chi le ha fatte. Si collega al gestionale di settore, che continua a tenere carico, scarico e RENTRI.

Com'è andata: è in produzione, e il cliente mi ha detto che è venuto un bel lavoro.

Perché conta: il regolamento europeo sulle batterie chiederà la storia completa di ogni pacco. Qui c'è già: cartoni di celle, misure di sorting, collaudi, foto, difetti e passaporto digitale in PDF, su una linea da 7.500 pacchi l'anno.

Prima: test funzionali, fine linea e foto delle postazioni in sistemi separati; i difetti non avevano una storia e ogni scarto si spiegava a voce.

Cosa è stato costruito: MES su misura con tracciabilità per seriale, eventi di difetto strutturati, passaporto digitale del pacco, statistiche per postazione e per fase, in lettura e scrittura con il gestionale esistente.

Cosa è cambiato: ogni pacco ha il suo passaporto e ogni scarto una causa per postazione. Il progetto è la base della proposta europea BattWISE sulle istruzioni di lavoro adattive (valutata 12,3 su 15) e dello studio di controllo qualità visivo su 23.194 foto reali di saldature: studio e proposta, non sistemi consegnati.

Dati: gira sul server dell'azienda, in rete con le postazioni: foto e misure non escono dallo stabilimento.

Perché conta: nel legno il margine si perde tra piazzale, essiccatoio e taglio. Qui ogni carico diventa un lotto con il suo codice e ogni lavorazione registra ingresso, uscita e scarto: si vede dove sta ogni bancale e quanto materiale si perde a ogni passaggio.

Prima: distinta base, ordini di produzione e lotti per commessa su fogli separati, con il gestionale amministrativo che in reparto nessuno apriva.

Cosa si sta costruendo: distinta base, ordini di produzione e tracciabilità dei lotti per commessa, con lo stesso schema (ingresso, lotto, lavorazione, uscita, etichetta) già in produzione nei due casi qui sopra.

Stato: in sviluppo, con demo funzionante ogni due settimane. Altri sistemi in sviluppo, non ancora raccontati qui: metalmeccanica, meccanica industriale, energia solare.

Dati: sul server dell'azienda, codice e dati del cliente.

Perché conta: quando arriva un cliente urgente, la risposta sulla data di consegna arriva in un minuto, non in un giorno: si inserisce l'ordine ipotetico e si vede subito quando esce e quali lavori slittano, senza toccare il piano vero. E il sistema dice in anticipo quanti ordini aspettarsi il mese prossimo.

Il problema: in produzione il piano si rifà a mano a ogni ordine nuovo, e nessuno sa dire in anticipo se una data di consegna regge con le macchine e i turni che ci sono.

Cosa fa: ordini di produzione con fasi, distinta base e postazioni; il piano rispetta turni, fermi per manutenzione, tempi di attrezzaggio e dipendenze tra le fasi, e si vede su un Gantt per giorno, settimana o mese. La simulazione "cosa succede se" inserisce un ordine ipotetico e mostra subito l'effetto su tutto il calendario, senza toccare il piano vero. La previsione della domanda usa lo storico degli ordini (smorzamento esponenziale di Holt) e l'OEE misura disponibilità, prestazioni e qualità di ogni postazione.

Dove è nato: per una fabbrica di lamiere, poi adattato a un'azienda metalmeccanica. Si collega ai macchinari di reparto. È anche la base della proposta ZenithCore al bando europeo AID4SME. Il video usa dati di prova.

Dati e AI: gira sul server dell'azienda. Previsione, OEE e simulazione sono calcoli statistici fatti in casa: nessun dato di produzione esce verso servizi esterni, e il piano lo decide sempre una persona.

Perché conta: con più negozi il problema non è vendere, è sapere cosa c'è dove. Qui ogni capo che si muove è una riga di un registro unico: la sede vede in tempo reale giacenze e vendite di ogni negozio, e ogni negozio vede solo quello che gli serve.

Quando: 2012, il mio primo gestionale, per una catena di negozi di moda di Castelfranco Veneto, con sede centrale e negozi affiliati. È rimasto in uso fino alla vendita della catena.

Prima: sede centrale e negozi lavoravano su fogli di calcolo separati; giacenze, vendite e documenti si ricostruivano a mano.

Cosa è stato costruito: un solo gestionale per sede e negozi. Ogni movimento di merce tra negozi e verso i clienti è una riga di un registro unico, da cui escono le giacenze di ogni negozio in tempo reale. Cassa con IVA corretta, fatture, DDT, note di credito e resi numerati per negozio e per anno, listini per negozio, carte fedeltà con punti e coupon, riordino proposto dalla velocità di vendita, conto economico per negozio e per giorno, venduto per gruppo e colore, chat interna tra i negozi. Dal 2015 c'è anche un assistente vocale: si parla al computer per fare i calcoli di IVA e sconti, aprire le schermate e prendere appunti.

Cosa è cambiato: sede e negozi guardano gli stessi numeri, i documenti escono dal gestionale e nessun negozio vede i costi della sede.

Dati: gestionale installato per la catena, codice e dati del cliente.

Perché conta: in un'azienda con più sedi un attacco raramente si vede da un'allerta sola: si vede nel comportamento. Qui il sistema impara com'è il normale di ogni computer, per ora del giorno e giorno della settimana, segnala quello che esce dalla norma e un assistente AI propone da dove cominciare l'indagine.

Il mio ruolo: team leader dello sviluppo, in una startup della sicurezza informatica.

Prima: in un'azienda industriale con più sedi le allerte di sicurezza arrivavano da strumenti diversi, senza una vista unica, e ogni indagine si faceva a mano.

Cosa è stato costruito: un pannello unico con i dispositivi sulla mappa, lo stato di ciascuno, le allerte, la storia dei processi, l'analisi degli eseguibili sospetti, il controllo degli indirizzi IP su fonti di threat intelligence e regole di automazione per rispondere da soli agli eventi ripetuti. Un assistente AI legge il contesto dell'allerta e suggerisce cosa controllare e come intervenire.

Cosa è cambiato: le allerte stanno in un posto solo, il rumore di fondo si filtra con le regole e chi indaga parte già da un suggerimento.

Dati e AI: la raccolta dei dati e l'apprendimento del comportamento normale girano sui server dell'azienda; l'assistente AI suggerisce, le azioni le decide chi indaga.

Perché conta: le vendite si perdono meno per le chiamate non fatte che per le risposte arrivate tardi. Qui ogni mattina il CRM dice a chi rispondere prima, cosa scrivere e perché, con i consigli presi da studi citati; l'AI prepara la bozza con le parole del cliente e la persona controlla e invia.

Prima: un'azienda di servizi gestiva contatti e appuntamenti su fogli di calcolo e calendari separati, con appuntamenti accavallati, contatti persi e nessuna misura su come andavano le campagne.

Cosa è stato costruito: un CRM con anagrafica unica dei contatti e prenotazione degli appuntamenti direttamente sulle agende della rete commerciale, senza sovrapposizioni. Dopo ogni chiamata l'operatore registra l'interesse del contatto e le note, che restano per le fasi successive della vendita.

L'intelligenza artificiale dentro: ogni mattina la pagina "Oggi" mette in fila le cose da fare, prima chi aspetta una risposta, con consigli presi da studi citati e dai dati del contatto. L'AI scrive la bozza del messaggio partendo dalle parole del cliente, ma a mandarlo è la persona. Un agente risponde a domande sui dati del CRM e propone modifiche che si applicano solo dopo conferma. Le email di primo contatto partono da quello che il contatto pubblica sul suo sito, con i controlli GDPR prima dell'invio, e le risposte in arrivo si classificano da sole. La pipeline mostra il valore di ogni trattativa pesato per la sua probabilità.

Cosa è cambiato: niente più appuntamenti doppi, lo storico di ogni contatto è in un posto solo e ogni campagna ha i suoi numeri.

Dati e AI: il CRM si installa sul server dell'azienda. Il modello AI si collega a un fornitore scelto dal cliente (l'interfaccia è compatibile anche con modelli installati in azienda), nessun messaggio parte senza la conferma di una persona e le modifiche proposte dall'agente si applicano solo dopo il via.

Perché conta: l'esperienza del collaudatore più bravo diventa un suggerimento per tutti i turni, e le foto che il reparto scatta già diventano un controllo qualità. Il progetto è stato valutato 12,3 su 15 dagli esperti del bando europeo AID4SME.

Il problema: in una linea di pacchi batteria il controllo automatico trova il difetto, ma decidere cosa fare dipende dall'esperienza di chi è in turno, e quell'esperienza si perde tra un turno e l'altro.

Cosa fa: ogni collaudo fallito apre da solo un caso difetto; l'operatore registra controlli, azione ed esito, e vede quali azioni hanno risolto i casi simili nella stessa fase. Le istruzioni di lavoro mostrano più o meno passi secondo l'esperienza misurata di chi le usa, e difetto, decisione ed esito finiscono nel passaporto digitale del pacco. Per le saldature sono state analizzate 23.204 foto reali della linea: un classificatore costruito su DINOv2 smista le foto in cinque classi con il 99,4% di accuratezza su pacchi mai visti. La catena completa (filtri di qualità, localizzatore dei giunti, modelli di anomalia, verdetto con mappa di calore e conferma di una persona) è progettata.

Valutazione: presentato al bando europeo AID4SME (Open Call 2, sfida C3.3). Gli esperti l'hanno valutato 12,3 su 15, con la soglia a 9: realizzazione 5/5, innovazione 4/5, impatto 4/5, team 3,5/5. Il video usa dati di prova. Leggi la valutazione degli esperti (PDF, 2 pagine)

Dati e AI: tutto gira in azienda: le foto non escono. Il sistema segnala, la persona decide; non valuta mai i lavoratori (AI Act e articolo 4 dello Statuto dei lavoratori) e ogni decisione resta nel registro. Gli esperti hanno riconosciuto la privacy by design e l'aderenza ai principi dell'AI Act.

Perché conta: prima di mettere l'AI in azienda bisogna sapere cosa chiede la legge, non dopo. In dieci minuti lo strumento dice il ruolo (fornitore o utilizzatore) e il livello di rischio secondo l'AI Act, gli obblighi che valgono davvero, ognuno con l'articolo e la data da cui si applica, e quali carte servono: valutazione d'impatto, informativa, registro della formazione.

Cosa c'è dietro: un registro dei fornitori europei di modelli AI con le informazioni che decidono una valutazione GDPR: dove girano i dati, chi è il contraente, se il fornitore addestra i modelli sui dati dei clienti, l'esposizione al CLOUD Act americano. Venti fornitori europei e sei extra-UE con regione europea, ognuno con il livello di prova della fonte.

Dati: gira tutto nel browser, le risposte non escono dal computer. Non è una consulenza legale: dice cosa serve e perché; le carte le firma chi se ne assume la responsabilità.