C'è un genere narrativo che a luglio si ripete in ogni azienda italiana: la riunione strategica in cui si decide che "a settembre faremo qualcosa di serio sull'AI". Si nomina un responsabile, si parla di consulenti, si stima un budget, si rinvia.
Settembre arriva, le priorità cambiano, "qualcosa di serio sull'AI" diventa "qualcosa di serio sull'AI nel Q1 2027". E così via.
Questo pezzo è per sabotare questo ciclo. Cinque esperimenti veri, che si possono lanciare in 5-7 giorni di lavoro effettivo. Non servono consulenti. Non serve un budget enterprise. Servono: una persona dell'azienda con tempo, un account di un LLM commerciale (ChatGPT Team, Claude Pro Team o Gemini Workspace), e la disciplina di chiudere il pilota entro la settimana — non aprirlo per chiuderlo a Natale.
Tre regole d'ingaggio.
Regola 1: un esperimento = un problema concreto. Niente "vediamo a cosa serve l'AI". Sì "vediamo se l'AI risolve questa cosa specifica". Regola 2: budget di sforzo dichiarato. 5-7 giorni di una persona. Se serve di più, il pilota è fallito (e va bene così — sapete che quella strada non funziona). Regola 3: criterio di successo binario. Sì o no. Niente "interessante ma da approfondire".
I cinque esperimenti, in ordine di facilità crescente.
Esperimento 1 — Analisi di 100 email cliente
Il problema: nel vostro inbox commerciale arrivano email di richiesta da clienti potenziali. Ogni email ha dentro segnali — settore, dimensione azienda, urgenza, problema specifico — ma nessuno li classifica. Vengono lette una a una.
Cosa fate in una settimana: prendete le 100 email più recenti, anonimizzate i dati personali, e date in pasto al modello in 5 batch da 20 il vostro template di classificazione (settore, dimensione, urgenza, tipo di richiesta). Il modello vi restituisce un Excel.
Cosa scoprite: probabilmente, due o tre segmenti dominanti che non avevate notato. Una concentrazione di richieste in un settore specifico, o un problema ricorrente che non sapevate fosse così diffuso. È la materia prima per riposizionare la comunicazione di settembre.
Successo se: emergono almeno due insights azionabili che prima non avevate.
Esperimento 2 — Audit dei contenuti del sito
Il problema: il sito ha 50-200 pagine. Alcune sono ottime, altre sono datate, alcune si sovrappongono. Nessuno ha mai fatto un audit vero perché ci vorrebbe una settimana di una persona senior.
Cosa fate in una settimana: scaricate i contenuti delle pagine (anche solo da una sitemap), date all'AI istruzioni precise — "valuta ogni pagina per: chiarezza del messaggio, freschezza dei dati, sovrapposizione con altre pagine, allineamento con il brand voice [allegato]" — e ricevete un report.
Cosa scoprite: di solito 10-15 pagine da rivedere subito, 3-5 da eliminare, 2-3 sovrapposizioni evidenti che generano confusione SEO.
Successo se: il report identifica almeno 5 azioni concrete da fare entro settembre.
Esperimento 3 — FAQ dinamica per l'help desk
Il problema: ricevete domande ripetitive in pre-vendita o assistenza. Quando arriva un'email, la risposta è praticamente sempre uguale. Il vostro team di customer care passa metà del tempo a copia-incollare.
Cosa fate in una settimana: prendete le ultime 200 conversazioni di assistenza clienti, fate categorizzare al modello le domande ricorrenti, generate una FAQ dinamica di 20-30 voci. Poi configurate un assistente AI sul sito che risponde a queste 30 domande, con escalation a umano se la domanda non rientra.
Cosa scoprite: tra il 60% e l'80% delle richieste rientra in queste 30 domande. Il chatbot non sostituisce il customer care, ma libera tempo per le richieste vere.
Successo se: dopo una settimana di test sul sito, almeno il 50% degli utenti che hanno usato il chatbot non hanno avuto bisogno di parlare con una persona.
Avvertenza: prima di pubblicare il chatbot, leggetevi il nostro pezzo sull'AI Act fase 2. C'è un obbligo di trasparenza.
Esperimento 4 — Briefing automatico per le call
Il problema: prima di una call con un cliente prospect, dovreste fare 30 minuti di ricerca su di lui: sito, ultimi LinkedIn post, news del settore. Nessuno lo fa mai.
Cosa fate in una settimana: create un prompt che, dato il nome del cliente e l'URL del sito, vi restituisca: cosa fanno, posizionamento, ultimi annunci pubblici, problemi tipici del loro settore, una bozza di 3 domande intelligenti da fare. Lo tenete in un favorite. Prima di ogni call, lo lanciate.
Cosa scoprite: la qualità delle call commerciali sale del 30% senza aver investito un'ora in più per call.
Successo se: dopo una settimana, le persone che lo usano dicono che è "scomodo non averlo".
Esperimento 5 — Generazione di varianti per le social ads
Il problema: la creativity team produce 3-4 varianti di una campagna social. Sono poche. I bandit algorithms di Meta hanno bisogno di 8-15 varianti per imparare bene.
Cosa fate in una settimana: prendete la variante che ha funzionato meglio nelle ultime campagne, e la usate come seed per generare 10 varianti con il modello AI — testo + descrizione di immagine (l'immagine la fanno i tool generativi, ma anche solo come brief per il designer interno funziona).
Cosa scoprite: 2-3 delle nuove varianti performano meglio dell'originale. Non è automatico, è statistico. Più volumi di test = più probabilità di trovare un winner.
Successo se: il CPA medio della campagna scende almeno del 10% dopo due settimane.
Il principio dietro a tutti e cinque
Avete notato la struttura comune?
- Problema specifico, non astratto
- Materiale che avete già (email, pagine, conversazioni, briefing, ads)
- Sforzo settimanale, non trimestrale
- Successo binario
Questa è la disciplina del pilota AI per il 2026. Le aziende che fanno AI sul serio non passano due trimestri a "valutare il mercato dei fornitori". Fanno cinque esperimenti in cinque settimane. Tre falliscono, due funzionano. Sui due che funzionano, scalano.
Tutto il resto è teatro.
Cosa serve davvero per partire? Un'ora di un decisore — voi — per scegliere quale dei cinque iniziare. E una persona disposta a fare i 5 giorni di lavoro effettivo. Costo totale dell'operazione, in busta: una settimana. In licenze: 30-50€ (account team di un LLM). Rischio: zero, o quasi.
Adesso non avete più scuse. Adesso, magari, avete anche tempo — è luglio, l'azienda viaggia a metà velocità, è il momento perfetto.
Giovedì 9 luglio torniamo al glossario: #ParoleDifficili: RAG (Retrieval-Augmented Generation). Perché tutti i fornitori AI vi stanno proponendo "una RAG sulla vostra documentazione" — e quando ne avete davvero bisogno.
A giovedì.
Volete uno dei cinque esperimenti fatto bene a quattro mani? Su intelligenza artificiale per il business facciamo piloti AI a tempo certo, prezzo certo, output certo. Parliamone.