Quattro situazioni in cui costruire da zero rende piu di adottare una piattaforma esistente.
- AIl processo e il tuo vantaggio competitivo. Una piattaforma rivenduta ai tuoi concorrenti livella il campo. Un sistema costruito sui tuoi flussi specifici lo amplifica. Se quello che fa la differenza nella tua azienda e come fai le cose, non ha senso comprare uno strumento che riduce il "come" a quello degli altri.
- BI dati non possono uscire. Settori regolati (sanitario, finanziario, legale, brevettuale) o industrie dove la proprieta intellettuale e il core: i dati devono restare nel tuo perimetro. Le piattaforme SaaS spesso non offrono questa garanzia in modo realmente verificabile.
- CLe piattaforme non capiscono il problema. Quando il tuo flusso ha vincoli specifici (regolamentari, contrattuali, operativi) che nessuna piattaforma "general purpose" sa gestire senza customizzazioni infinite che alla fine costano piu di una build dedicata.
- DL'IA e il prodotto, non un add-on. Quando l'intelligenza artificiale deve essere parte centrale dell'esperienza utente, non un bottone in piu. Le piattaforme white-label producono "AI moments" che si sentono incollati sopra; un'app costruita con l'IA dentro sente diversa.
Se invece il caso e "abbiamo gia un gestionale che funziona, vogliamo solo aggiungerci l'intelligenza artificiale dove serve", la risposta giusta non e il custom. E Integrazione Sistemi: si parte dal tuo software esistente e si innestano i punti IA mirati.
Custom non significa partire dal foglio bianco. Significa scegliere i pezzi giusti e comporli nel modo che serve a te.
Il 70-80% di un progetto IA custom moderno usa componenti gia pronti: modelli pre-addestrati (Claude, GPT, Llama, Mistral), librerie open source (LangChain, LlamaIndex, Pydantic AI), infrastruttura cloud o on-premise. Il valore custom sta nel resto: come componi i pezzi, come modelli i prompt e i tool, come integri con i tuoi dati e sistemi, come costruisci l'interfaccia che il tuo team usera davvero.
Sviluppo custom vs alternative
Quando un caso d'uso e nuovo o specifico, le tre alternative reali sono comprare una piattaforma SaaS, usare strumenti no-code, o costruire su misura. Il confronto sintetico:
| SaaS | No-code AI | Custom | |
|---|---|---|---|
| Tempo al primo risultato | giorni | settimane | 4 settimane (prototipo) |
| Costo iniziale | basso | medio | medio-alto |
| Costo TCO 36 mesi | alto (canone × utenti) | alto (limiti di scala) | medio |
| Adattabilita al tuo processo | bassa | media | alta |
| Proprieta del codice | no | parziale | si |
| Lock-in vendor | alto | alto | nullo |
| Dati on-premise | raro | raro | si, sempre possibile |
| Performance su casi edge | media | bassa | alta |
Nessuna delle tre vince sempre: la SaaS funziona quando il tuo caso e standard e i volumi contenuti, il no-code quando serve solo un prototipo o un workflow leggero. Il custom diventa la scelta giusta quando il valore del processo, i vincoli sui dati o le performance su casi specifici lo richiedono.
Quasi tutto cio che chiamiamo "intelligenza artificiale custom in azienda" rientra in quattro famiglie. Si combinano spesso, si confondono qualche volta.
Agenti operativi
Sistemi che eseguono decisioni o azioni al posto delle persone, sui dati reali della tua azienda. Un agente operativo non risponde alle domande: agisce. Riceve un input (una richiesta, un evento, un trigger), valuta cosa fare, esegue.
Gli agenti hanno senso quando un processo e ripetitivo, regolato, ma non meccanico al punto da poter essere automatizzato con un workflow tradizionale. La parte "valutare cosa fare" e quella che fanno bene oggi i modelli linguistici moderni.
Copiloti per il team
Assistenti interni che leggono i tuoi documenti, le tue procedure, lo storico. Rispondono al posto delle persone su domande ripetitive, cercano nei documenti senza che tu li apra, riassumono chiamate e mail. Non agiscono: spiegano, recuperano, sintetizzano.
Il copilot tipico sostituisce un'ora al giorno di "cerca quel documento, leggilo, riassumilo, mandami il pezzo che mi serve" per ogni persona del team. Il ritorno e quasi sempre nelle decine di ore al mese per team di 10-30 persone.
Modelli predittivi
Sistemi che stimano costi, tempi, rischi, fabbisogni a partire dallo storico. Sono la famiglia piu antica e piu "noiosa" dell'IA aziendale, ma anche quella con il ritorno piu prevedibile quando i dati ci sono. Non e magia: e statistica fatta bene, su dati pertinenti.
I modelli predittivi hanno senso quando una persona oggi stima "a occhio" qualcosa di importante (un preventivo, un fabbisogno, un rischio) e dispone di centinaia o migliaia di casi storici per imparare. Niente da fare se i dati storici non esistono o sono sporchi.
App e portali con IA integrata
Interfacce web e dashboard dove l'intelligenza artificiale e parte del flusso, non un add-on. Non un bottone "Chiedi all'IA" appiccicato sopra un gestionale, ma un prodotto pensato fin dall'inizio per essere usato con l'IA come superficie principale.
E la famiglia che richiede piu cura di product design: il modello fa una parte, l'interfaccia fa il resto. Un copilot in un editor, un configuratore guidato da IA, una dashboard che genera report in linguaggio naturale sono esempi di prodotti dove il valore nasce dalla combinazione delle due parti.
Cinque fasi, nessuna sorpresa. Ogni fase finisce con qualcosa di toccabile, mai con una promessa.
Discovery
Veniamo da te. Mappiamo il processo come gira davvero, intervistiamo chi fa il lavoro, identifichiamo i tre o quattro punti dove l'IA cambia il risultato.
Prototipo
Versione minima del sistema che gira sui tuoi dati reali (anche solo un sottoinsieme). Non slide, non mockup: codice che funziona davvero.
Pilota
Versione utilizzabile da pochi utenti reali nel loro lavoro vero. Misuriamo cosa cambia (tempo, errori, soddisfazione), raccogliamo feedback, sistemiamo prima di scalare.
Produzione
Sistema integrato nei tuoi flussi: deployato sull'infrastruttura definitiva, sicuro, monitorato, documentato. Codice e infrastruttura tuoi.
Evoluzione
Il software cresce con te. Manutenzione, nuove funzioni, aggiornamento dei modelli quando arriva qualcosa di meglio. Un canale diretto con chi l'ha costruito.
La tecnologia e una conseguenza del problema, non un punto di partenza. Lavoriamo con quello che oggi conviene davvero, non con quello che e di moda questa settimana.
5.1 Modelli linguistici e fondazionali
Usiamo i modelli giusti per il caso d'uso, non quelli piu nuovi o piu noti. La scelta dipende da costo per token, latenza richiesta, qualita sul tuo specifico problema, e dove devono girare i dati.
Anthropic Claude
Ragionamento complesso, scrittura codice, agenti. Default per la maggior parte dei nuovi progetti.
OpenAI GPT
Ecosistema ampio, ottimo function calling, modelli multimodali. Scelta valida quando serve il loro stack.
Mistral, Meta Llama
Quando il dato deve restare in casa o serve fine-tuning verticale. Self-hosting con vLLM o Ollama.
Modelli specialistici
CodeLlama per codice, modelli verticali per medicina o legale quando il caso lo giustifica.
5.2 Backend
Python per la parte agentica e ML, TypeScript per orchestrazione API e logica applicativa, Go quando serve performance su servizi specifici.
Python
FastAPI, LangGraph, Pydantic AI. Ecosistema ML completo (numpy, pandas, scikit-learn, PyTorch).
TypeScript
Node.js, Hono o Express. Buono per orchestrazione di servizi e gestione utenti.
Go
Quando serve un servizio veloce e leggero (proxy IA, gateway, processi di ingestione).
PostgreSQL
Database operativo standard. pgvector per vector search inline quando i volumi lo permettono.
5.3 Dati e vector store
Il database operativo e sempre PostgreSQL. Per il vector store la scelta dipende dai volumi: pgvector se sono milioni, Qdrant o Weaviate se sono decine di milioni o piu. ClickHouse per analytics. S3 o compatibili per asset.
5.4 Frontend
React + TypeScript di default per le app con IA integrata. Streaming delle risposte per ridurre la latenza percepita, ruoli e permessi, integrazione SSO quando il contesto enterprise lo richiede.
5.5 Infrastruttura
Cloud sulla preferenza del cliente (AWS, Azure, GCP). On-premise quando i dati devono restare in casa: stack completo Kubernetes + vLLM per modelli locali. Tutto containerizzato, infrastruttura come codice con Terraform per garantire ripetibilita.
5.6 Sicurezza e osservabilita
Autenticazione OAuth2 / OpenID Connect, SAML in contesti enterprise. Logging strutturato con audit trail di ogni decisione IA. Monitoring con OpenTelemetry + Prometheus + Grafana. Tracking dei costi delle chiamate ai modelli in tempo reale, con alert su anomalie.
Quello che dovrebbe essere ovvio, e troppo spesso non lo e. Lo facciamo dal primo giorno, non lo "valutiamo" alla fine.
- I tuoi dati non addestrano modelli pubblici. Quando usiamo modelli SaaS (Anthropic, OpenAI), usiamo gli endpoint enterprise con clausola di non-training. Quando il rischio non e accettabile, modelli locali.
- Il codice e tuo. Repository su un account tuo (GitHub, GitLab, Azure DevOps), accesso intestato a te dal commit zero.
- L'infrastruttura e tua. Account cloud intestati alla tua azienda, non a noi. Quando ti consegnamo il sistema, ti consegnamo le chiavi.
- Niente lock-in. Nessuna libreria proprietaria che ti obbliga a tenerci. Lavoriamo con stack standard, documentati pubblicamente, sostituibili.
- GDPR by default. Minimizzazione dei dati, base giuridica esplicita per ogni trattamento, DPIA quando rilevante. ISO 27001 e SOC2 quando il cliente lo richiede.
- Audit completi. Ogni decisione presa dall'IA e loggata con contesto, input, prompt usato, output. In settori regolati questo non e un di piu, e un requisito.
Dove abbiamo lavorato di piu, e come l'intelligenza artificiale custom si applica nei vari settori.
Edilizia, costruzioni, gare
- Stima automatica costi di cantiere da progetto
- Verifica conformita documentale automatica (DURC, SOA, CCNL)
- Chatbot interno su normativa e procedure
- Riassunto offerte tecniche concorrenti
- Estrazione dati da capitolati e disciplinari di gara
Manifatturiero e industria
- Controllo qualita su foto e video di linea
- Manutenzione predittiva su dati IoT
- Ottimizzazione planning di produzione
- Assistente alla scrittura di procedure tecniche
Servizi e consulenza professionale
- Assistenti per ricerca su documenti e archivi
- Generazione bozze di documenti standard
- Riassunto e categorizzazione chiamate clienti
- Estrazione dati strutturati da PDF e mail
Sanitario e farmaceutico
- Ricerca semantica su letteratura medica
- Codifica automatica diagnosi (ICD-10, ICPC)
- Assistenza alla compilazione documentale
- Riassunto cartelle cliniche con citazioni
Retail ed e-commerce
- Raccomandazione prodotti basata su contesto
- Generazione descrizioni prodotto da scheda tecnica
- Assistenza clienti automatizzata con escalation
- Forecasting domanda per gestione magazzino
Finanza e assicurazioni
- Estrazione dati da contratti e polizze
- Anomaly detection su transazioni
- Riassunto comunicazioni clienti
- Assistenti compliance e antiriciclaggio
Quelle che ci fanno tutti, all'inizio. Risposte dirette, senza condizionali.
Q1Quanto costa un progetto di sviluppo custom?
Dipende dalla complessita del problema, non da un listino. Dopo la fase di Discovery (1-2 settimane) sai esattamente prezzo e tempi, prima di firmare nulla per la fase successiva.
Indicativamente, un sistema in produzione si colloca tra le decine e le centinaia di migliaia di euro, suddiviso in tranche legate alle fasi. La Discovery iniziale ha un costo contenuto e definito in anticipo, ed e l'unica fase che si paga "al buio".
Q2Quanto tempo serve per vedere qualcosa di concreto?
La Discovery dura 1-2 settimane. Un prototipo funzionante e provabile in altre 2-3 settimane. Un sistema in produzione tra i 3 e i 6 mesi, a seconda di dati e integrazioni.
Risultati visibili molto prima della fine: dopo il prototipo hai gia in mano qualcosa che gira sui tuoi dati, prima di impegnare la maggior parte del budget.
Q3Il codice e la proprieta intellettuale di chi sono?
Tuoi. Tutto. Repository, account cloud, chiavi API: intestati a te dal giorno uno. Ti consegniamo un sistema che puoi continuare a far evolvere anche senza di noi, con qualunque altro team.
E un punto su cui non trattiamo: niente lock-in, niente codice che gira solo sui nostri server, niente librerie proprietarie chiuse.
Q4E se alla fine il progetto non funziona?
Per questo facciamo Discovery prima e Prototipo subito dopo. Se i numeri non tornano, ce lo diciamo prima di mettere in produzione qualcosa che non porta valore. Onesta sopra il fatturato.
Nella nostra esperienza, l'80% dei progetti che si fermano lo fa nella fase di Discovery o Prototipo, dove la perdita e contenuta e l'apprendimento porta in genere a un secondo tentativo riuscito.
Q5I miei dati sono al sicuro? Posso tenerli in azienda?
Si, sempre. Per progetti con dati sensibili (sanitari, finanziari, brevettuali) usiamo modelli che girano on-premise o in cloud privato, dove il dato non lascia il tuo perimetro.
Quando i modelli pubblici vanno bene, gestiamo i contratti per assicurarci che i dati non vengano usati per addestrarli. Il principio: i tuoi dati restano un tuo asset, mai una merce di scambio.
Q6Che differenza c'e con una piattaforma SaaS gia pronta?
Una SaaS e veloce ma livella il tuo processo a quello del fornitore. Lo sviluppo custom parte dal tuo flusso reale, lo modella nel software, e ti lascia proprieta del codice e indipendenza dal fornitore.
Costo iniziale piu alto, TCO sui 24-36 mesi spesso minore, soprattutto se cresci in utenti o dati. La SaaS resta la scelta giusta quando il caso e standard e i volumi contenuti.
Q7Possiamo iniziare con un budget ridotto e crescere a tappe?
Si, e il modo in cui lavoriamo. Le cinque fasi servono esattamente a non chiedere un impegno grosso prima di aver validato che funziona.
Si entra con budget contenuto sulla Discovery, si decide se procedere fase per fase. Niente contratto totale firmato al buio. Ogni fase ha il suo go/no-go.
Q8Cosa serve dalla mia azienda per partire?
Niente di tecnico. Alla prima call basta sapere quale processo vorresti semplificare, anche in due righe.
Per la Discovery serviranno: una mezza giornata di interviste con chi fa il lavoro, accesso a un campione di dati reali (anche piccolo), allineamento con l'IT su dove potra girare il sistema. Al resto pensiamo noi.
Q9Come gestite gli aggiornamenti dei modelli?
Il software e costruito in modo che il modello sottostante sia sostituibile senza riscrivere tutto. Quando esce un modello migliore (succede ogni 3-6 mesi) lo testiamo sul tuo caso, misuriamo se conviene cambiarlo, e in caso aggiorniamo nella fase di Evoluzione.
Niente di automatico, sempre con benchmark prima e tu in controllo del go.
Q10Lavorate solo a Padova o anche in tutta Italia?
Sede a Padova, lavoriamo con clienti in tutta Italia. Le interviste di Discovery le facciamo preferibilmente in presenza nella tua sede: succede tutto la, e' li che le cose vere emergono.
Il resto del progetto e ibrido, con call settimanali di allineamento e visite in sede ai check di fase.
Iniziamo con una mezz'ora.
Trenta minuti gratuiti, senza impegno. Ci racconti il processo, ti mostriamo dati alla mano se e dove l'IA puo togliere fatica.