Ho testato 6 mesi di AI generativa in azienda. Ecco cosa ha prodotto risultati e cosa era solo rumore

Introduzione

Sei mesi fa ho deciso di smettere di parlare di AI e iniziare a usarla davvero — dentro Fabrika 06, nei processi quotidiani, nelle interazioni con i clienti.

Non come esperimento da laboratorio. Come scelta operativa concreta, con obiettivi misurabili e un criterio semplice: o porta valore reale, o si spegne.

Quello che ho trovato non assomiglia quasi per niente al dibattito che si legge online. Alcune cose hanno funzionato così bene da cambiare il modo in cui lavoriamo. Altre erano puro rumore — promesse che non reggono al contatto con la realtà di una PMI italiana.

In questo articolo ti racconto tutto. Use case per use case, con i dati che ho raccolto, i tempi di implementazione reali e l'impatto concreto sul lavoro.

Il punto di partenza: perché ho deciso di testare davvero

Prima di entrare nel vivo, è importante capire il contesto.

Fabrika 06 è una struttura snella. Poche persone, molti clienti, processi che devono girare bene per forza. Non ho il lusso di sprecare tempo su strumenti che promettono molto e consegnano poco.

Ho iniziato il test con una domanda precisa: qual è il costo reale di non usare AI generativa oggi, rispetto al costo di integrarla male? Entrambe le opzioni hanno un prezzo. Volevo capire quale fosse più alto.

Ho selezionato sei aree operative da testare in altrettanti cicli da circa tre-quattro settimane ciascuno. Per ognuna ho definito in anticipo cosa avrebbe significato "funziona" — una soglia minima di miglioramento misurabile. Niente impressioni soggettive, solo numeri o osservazioni documentate.

Ecco cosa è successo.

Use case #1: Produzione di contenuti per il marketing — ✅ Funziona, con riserve

Questo è il primo use case che quasi tutti provano, e spesso il primo che delude perché le aspettative sono sbagliate.

L'obiettivo: ridurre il tempo necessario per produrre contenuti (articoli, post, email) senza abbassare la qualità.

Cosa ho fatto: ho usato modelli generativi per costruire bozze su brief strutturati — non per scrivere al posto mio, ma per partire da un punto più avanzato. Ogni contenuto usciva da un brief dettagliato: angolo, tono, pubblico, obiettivo, punti chiave.

Il risultato: il tempo medio di produzione di un articolo è sceso da circa tre ore e mezza a poco meno di un'ora e mezza. Non perché l'AI scriva al posto mio — scrive bozze che vanno comunque riviste, tagliate, riscritte in parti. Ma elimina il blocco iniziale e la strutturazione da zero.

La riserva: se usi l'AI per fare contenuti senza una voce editoriale chiara, quello che ottieni è testo generico. Funziona solo se sai già cosa vuoi dire. L'AI non sostituisce la strategia, accelera l'esecuzione.

Tempo di implementazione: circa una settimana per costruire un sistema di brief strutturati riutilizzabili. Poi è diventato routine.

Use case #2: Risposta alle email ricorrenti — ✅ Risultato sorprendente

Questo è il use case che mi ha sorpreso di più, e che ho sottovalutato all'inizio.

L'obiettivo: ridurre il tempo che io e il team passiamo a gestire email ricorrenti — richieste di informazioni, follow-up standard, risposte a domande frequenti.

Cosa ho fatto: ho classificato le tipologie di email più frequenti (una quindicina di categorie) e ho costruito template base da cui l'AI genera bozze contestualizzate. Non risposte automatiche inviate senza revisione — bozze che vengono lette e, nella maggior parte dei casi, inviate con minime modifiche.

Il risultato: da una media di 45 minuti al giorno su questo tipo di email a circa 12-15 minuti. Il risparmio reale non è solo nel tempo — è nella carica cognitiva. Rispondere alla ventesima email simile non ti esaurisce più allo stesso modo.

Un dettaglio importante: la qualità percepita delle risposte non è scesa. In alcuni casi è migliorata, perché le bozze sono più complete e strutturate di quello che avrei scritto di fretta.

Tempo di implementazione: due settimane per classificare, costruire i template e trovare il flusso giusto.

Use case #3: Analisi e sintesi di documenti — ✅ Alta utilità, bassa difficoltà

Contratti, brief, report di mercato, documenti tecnici dei fornitori: nelle PMI si passa molto tempo a leggere roba che non si riesce a leggere davvero, perché il tempo non c'è mai.

L'obiettivo: ridurre il tempo di analisi documentale e aumentare la qualità delle decisioni basate su quei documenti.

Cosa ho fatto: ho usato modelli generativi per estrarre punti chiave, identificare clausole rilevanti nei contratti, sintetizzare brief lunghi. Sempre con una verifica umana finale sui punti critici.

Il risultato: la fase di primo passaggio su un documento lungo è scesa da 40-60 minuti a 10-15 minuti. Arrivavo alla revisione umana con un punto di partenza già strutturato. Ho stimato un risparmio di circa 4-5 ore a settimana solo su questo.

Limite da tenere presente: l'AI può sbagliare su documenti tecnici molto specifici o legali. Non si sostituisce a un professionista. Ma come primo filtro, per capire dove concentrare l'attenzione, funziona molto bene.

Tempo di implementazione: quasi zero. È un uso diretto degli strumenti esistenti, senza automazioni custom.

Use case #4: Generazione e personalizzazione di offerte commerciali — ⚠️ Promettente ma complesso

Questo è un use case dove il potenziale è alto, ma la realtà di implementazione è più impegnativa di quanto sembri.

L'obiettivo: ridurre il tempo di produzione delle offerte commerciali e aumentare il tasso di personalizzazione — ovvero offerte meno generiche, più aderenti al contesto specifico del cliente.

Cosa ho fatto: ho costruito un sistema in cui le note del primo incontro con il cliente venivano elaborate da un modello per generare una bozza di offerta personalizzata, partendo da una struttura base.

Il risultato parziale: la bozza iniziale è migliorata — più coerente con il linguaggio del cliente, più pertinente ai problemi emersi nel brief. Ma il tempo di produzione totale non è sceso quanto speravo, perché la revisione su un'offerta commerciale è più delicata che su altri documenti.

Dove ha funzionato davvero: nelle offerte standardizzate, con poca variabilità. Lì il risparmio è netto — circa il 35-40% in meno di tempo.

Dove ha faticato: nelle offerte su misura per clienti con esigenze molto specifiche. Lì la bozza AI era un punto di partenza utile, ma richiedeva riscritture sostanziali.

Tempo di implementazione: tre settimane, e il sistema è ancora in evoluzione.

Use case #5: Assistenza alla ricerca e benchmarking — ❌ Più rumore che risultato

Questo è uno dei casi in cui devo essere onesto: non ha funzionato come speravo, almeno non nel modo in cui l'avevo impostato.

L'obiettivo: usare l'AI per accelerare la ricerca di mercato, il benchmarking competitivo e la raccolta di dati di settore.

Cosa ho fatto: ho provato a usare modelli generativi per sintetizzare lo scenario competitivo di alcuni settori dei nostri clienti, identificare benchmark di settore e raccogliere dati rilevanti.

Il problema: i modelli generativi non sono strumenti di ricerca affidabile su dati recenti. I dati erano spesso imprecisi, datati, o plausibili ma non verificabili. Ho passato più tempo a verificare quello che l'AI produceva che a farlo direttamente.

Il risultato: nessun risparmio reale. In alcuni casi, un costo aggiuntivo in termini di verifica.

Cosa ho imparato: l'AI generativa non è un motore di ricerca e non dovrebbe essere usata come tale. Per la ricerca di dati reali servono strumenti diversi — aggregatori, database di settore, fonti primarie. L'AI può aiutare a strutturare l'analisi dopo che i dati ci sono, non a trovare i dati.

Aggiustamento fatto: ho spostato l'uso dell'AI sulla fase di interpretazione e strutturazione dei dati, non sulla raccolta. Lì funziona.

Use case #6: Onboarding e formazione interna — ✅ Impatto a lungo termine

Questo è il use case meno visibile nel breve periodo, ma probabilmente quello con l'impatto più duraturo.

L'obiettivo: ridurre il tempo che il team senior dedica all'onboarding di nuove risorse e alla trasmissione di procedure operative.

Cosa ho fatto: ho usato l'AI per trasformare le procedure operative non scritte in documentazione strutturata. Note di briefing, registrazioni di call, flussi di lavoro impliciti — tutto è diventato materiale documentato, organizzato e consultabile.

Il risultato: l'onboarding di una nuova risorsa che prima richiedeva 8-10 ore di affiancamento diretto si è ridotto a 3-4 ore, con il resto coperto da materiale di consultazione autonoma.

Il valore nascosto: la documentazione ha reso esplicite delle procedure che erano nella testa di una sola persona. Questo riduce il rischio operativo e rende il sistema meno dipendente dalle singole persone.

Tempo di implementazione: quattro settimane per documentare i processi principali. Investimento alto all'inizio, ritorno continuo nel tempo.

Il bilancio complessivo: cosa mi ha detto davvero questo test

Dopo sei mesi, ho un quadro abbastanza chiaro. Non perfetto, ma onesto.

Cosa funziona:

Produzione e accelerazione dei contenuti, quando c'è una strategia editoriale solida dietro
Gestione della comunicazione ripetitiva, con un sistema di template ben costruito
Analisi e sintesi documentale, come primo filtro e acceleratore
Documentazione interna e formazione, con un impatto silenzioso ma profondo
Offerte commerciali standardizzate, con risparmio di tempo netto

Cosa non funziona (o non ancora):

Ricerca di dati di mercato e benchmarking — l'AI non è una fonte di dati affidabili
Offerte complesse su misura — il risparmio è marginale e il rischio di bozze fuorvianti è reale
Qualsiasi contesto in cui la verifica è più costosa del lavoro originale

Il numero che mi ha colpito di più: sommando i use case che hanno funzionato, ho stimato un recupero di circa 11-13 ore operative a settimana tra me e il team. Non è un dato di una ricerca esterna — è il mio dato, sul mio contesto. Potrebbe essere diverso per te. Ma è concreto, e mi ha convinto a investire di più nell'integrazione sistematica.

Cosa ho sbagliato all'inizio

Sarebbe disonesto non dirlo: ho fatto degli errori, soprattutto nelle prime settimane.

Il primo errore: aspettarmi che l'AI lavorasse bene con input poveri. I modelli generativi restituiscono output proporzionali alla qualità del brief che gli dai. Input vago, output generico. Ho dovuto imparare a costruire prompt strutturati — non è un'abilità naturale, si costruisce.

Il secondo errore: testare troppi strumenti contemporaneamente. Nei primi tre mesi ho usato quattro o cinque piattaforme diverse, cercando di trovare quella "migliore". Risultato: confusione e difficoltà nel capire cosa funzionava. Poi ho scelto un setup minimo e ci ho lavorato in profondità.

Il terzo errore: non misurare da subito. Ho perso le prime due settimane senza baseline. Poi ho iniziato a tracciare i tempi e tutto è diventato più chiaro.

Una cosa che nessuno dice abbastanza

Integrare l'AI generativa in azienda non è un problema tecnologico. È un problema di design dei processi.

Puoi avere accesso agli stessi modelli che usa chiunque altro — sono accessibili, costano poco. La differenza non la fa lo strumento. La fa il modo in cui sei riuscito a integrarlo nel flusso di lavoro reale, con regole chiare, qualità dell'input alta e revisione umana nei punti che contano.

Le PMI che stanno già ottenendo risultati concreti dall'AI non sono quelle che hanno adottato più strumenti. Sono quelle che hanno preso due o tre use case, li hanno implementati bene, e li hanno resi routine.

Questo è il punto di partenza. Non l'hype, non la sperimentazione infinita.

Conclusione: dove ha senso partire

Se sei un imprenditore di una PMI e stai valutando come integrare l'AI generativa nel tuo lavoro quotidiano, questo è il consiglio più pratico che posso darti dopo sei mesi di test reali.

Inizia da un solo use case. Scegli quello che ti costa più tempo adesso, costruisci un sistema anche semplice, misurane l'impatto per quattro settimane. Poi decidi se espandere.

Non serve una trasformazione digitale totale. Serve un primo risultato concreto — che ti convinca che vale la pena andare avanti, e che ti insegni come farlo.

Il resto viene dopo.

Se questo articolo ti è stato utile, condividilo con un imprenditore che conosci e che sta affrontando le stesse domande. È il modo migliore per far arrivare questo tipo di contenuto a chi ne ha bisogno.

Iscriviti alla newsletter di Fabrika 06 per ricevere ogni settimana riflessioni operative sull'AI, sull'automazione e sulla crescita delle PMI italiane — senza hype, solo sostanza.