La sintesi in 60 secondi
Integrare Claude o ChatGPT nei processi aziendali non significa "dare l'accesso ai dipendenti": significa mettere il modello dentro un processo con input automatici, output strutturati e supervisione umana. Il metodo che usiamo nei progetti reali ha 5 fasi: individuare il processo, definire input e output, progettare il prompt per la macchina (non per l'umano), costruire il workflow e misurare. Il principio di sicurezza non negoziabile: i dati non escono dall'infrastruttura aziendale; è il modello che arriva ai dati.
Perché la chat non basta
C'è una differenza strutturale tra i due modi di usare l'AI:
| Chat individuale | Integrazione nel processo | |
|---|---|---|
| Input | Copia-incolla manuale | Automatico dal sistema |
| Output | Testo libero | Strutturato (JSON, CSV, campi) |
| Ripetibilità | Dipende dall'umano | Identica ogni volta |
| Qualità | Non misurabile | Metriche e log |
| Sicurezza | Dati incollati ovunque | Politiche a livello di codice |
| Valore | Improvvisato | Processo che scala |
Il 95% del valore aziendale dell'AI generativa sta nella colonna di destra. Un report automatico che "scrive da solo" vale centinaia di ore; dieci dipendenti con la chat valgono dieci modi diversi di fare la stessa cosa, nessuno documentato.
La scelta del modello: un metodo, non una recensione
La domanda "Claude o ChatGPT?" ha una risposta solo se collegata al task. Il metodo di scelta:
- Raccogli 20-50 esempi reali del task (email da classificare, fatture da estrarre, domande da rispondere);
- Prepara un test identico per entrambi i modelli: stessi input, stesse istruzioni;
- Valuta su criteri oggettivi: precisione, aderenza al formato, tasso di errori gravi;
- Misura anche latenza e costo per il tuo volume;
- Scegli, e rivaluta ogni 6 mesi: i modelli cambiano velocemente.
Linee guida empiriche dai nostri progetti:
- Testi lunghi e ragionamento complesso (report narrative, analisi documenti, contratti): Claude ha generalmente vantaggio su contesto e precisione;
- Ecologia di strumenti e integrazioni (assistenti che usano tool, plugin, ecosistema): ChatGPT ha più strumenti pronti;
- Sensibilità dei dati: per dati molto sensibili, modelli open source (Llama, Mistral) installati in proprio, con qualità leggermente inferiore ma zero trasferimento dati.
Le 5 fasi del metodo
Fase 1: individua il processo (1 settimana)
Scegli un processo con le caratteristiche già note: ripetitivo, frequente, con dati strutturati o documenti. Definiscine i confini: dove inizia, dove finisce, chi controlla l'output.
Esempi reali: triage email commerciali, estrazione dati da fatture, risposta alle domande dei clienti su una knowledge base, narrative dei report settimanali.
Fase 2: definisci input e output (con la macchina, non con l'umano)
Il prompt per un processo non è una chat: è una specifica di input-output.
Input: cosa riceve il modello (dati, testo, PDF convertito), in quale formato, con quali metadati. Esempio: "Ogni nuovo ticket in Zendesk, con soggetto, corpo, nome cliente e piano".
Output: cosa deve restituire, in formato strutturato. Esempio: "JSON con campi: categoria (una di 5), urgenza (alta/media/bassa), riassunto (max 100 parole), azione suggerita (una di 3)".
Regola di qualità: definisci anche il comportamento nei casi limite: input illeggibile, categoria incerta, dati mancanti. Il modello deve essere istruito a segnalare il dubbio invece di inventare.
Fase 3: progetta il prompt come specifica tecnica
I prompt per i processi si scrivono come documenti tecnici:
- Ruolo: "Sei un assistente di back office. Il tuo compito è classificare le email in arrivo."
- Contesto: includi le regole aziendali (cosa conta come urgente, quali prodotti esistono);
- Formato output: JSON schema esatto, con esempi positivi e negativi;
- Istruzioni negative: "Non inventare informazioni. Se il dato manca, usa 'non disponibile'."
- Esempi: 3-5 casi completi input→output, presi dai dati reali.
Il prompt migliore è quello che un collega nuovo arrivato seguirebbe senza fare domande. Se il prompt è ambiguo, l'output è ambiguo.
Fase 4: costruisci il workflow (2-6 settimane)
Con il processo e il prompt definiti, la costruzione è quasi meccanica. Due strade:
- No-code/piattaforme: n8n (consigliato, anche self-hosted), Make o Zapier con nodi AI. Adatta a quasi tutte le PMI;
- Sviluppo su misura: per volumi alti, integrazioni complesse o requisiti di sicurezza stringenti.
L'architettura tipica:
- Trigger (nuova email, nuova riga, webhook);
- Preparazione input (estrazione, pulizia, deduplicazione);
- Chiamata API al modello con prompt + input;
- Validazione output (schema JSON, soglie di fiducia);
- Azione sul sistema (CRM, email, dashboard);
- Log e metriche (tasso di successo, errori, tempo).
Fase 5: misura e supervisiona (continua)
- Definisci le metriche a monte: precisione, tempo risparmiato, casi gestiti automaticamente;
- Log tutto: input, output, decisioni umane. È anche la base per la compliance AI Act;
- Revisione mensile: campione casuale di output, upgrade del modello quando serve, manutenzione del prompt quando il processo cambia;
- Ciclo di feedback: in produzione, gli output respinti dagli umani diventano esempi per migliorare il prompt.
Sicurezza: le regole che non si discutono
- I dati non escono mai: per dati sensibili, self-hosted o cloud UE; per dati normali, API con accordi che escludono il training (entrambi i vendor li offrono);
- Accessi per ruolo: l'API usa credenziali dedicate, mai account personali;
- Log: ogni chiamata è tracciata con input, output e chi ha supervisionato;
- Supervisione umana: nei punti di decisione automatica c'è un controllo umano (soglie, review dei casi dubbi);
- Red line: nessun dato biometrico, sanitario o finanziario sensibile su modelli cloud senza valutazione specifica.
L'articolo sull'AI Act spiega perché queste regole non sono solo buona pratica: dal 2 dicembre 2026 sono anche obbligo di legge.
Casi reali
- Distributore B2B: narrative AI dei report settimanali su dati di vendita e margine. Il modello scrive, la direzione decide. Caso completo
- Studio legale: bozze di preventivo semistrutturate; l'avvocato compila un questionario, il modello prepara la bozza, l'avvocato approva e invia. Caso completo
- Piattaforma legal-tech: knowledge base AI che risponde con fonte citata; risposte "dubbie" girate al supporto umano. Caso completo
Costi realistici
| Voce | Range |
|---|---|
| Progetto di integrazione singola | 4.500 - 9.000 € |
| Integrazione + knowledge base | 12.000 - 25.000 € |
| Costi API mensili (PMI tipica) | 20 - 300 € |
| Retainer di manutenzione | 900 - 2.500 €/mese |
Conclusione
Integrare Claude o ChatGPT nei processi aziendali è il progetto con il miglior rapporto valore/sforzo che una PMI possa fare nel 2026: il modello non sostituisce nessuno, toglie le ore di lavoro ripetitivo e rende l'esperienza dei dipendenti misurabile e migliorabile. Il metodo in 5 fasi vale per qualunque processo: definisci il confine, specifica input/output, scrivi il prompt come documento tecnico, costruisci, misura.
Il primo passo pratico è l'audit di automatizzabilità: in 5-7 giorni mappiamo i processi della tua azienda, identifichiamo i candidati all'integrazione AI e stimiamo il ROI. Se vuoi prima capire quali strumenti usare, la guida a n8n vs Make vs Zapier è il punto di partenza giusto.