Progetti

Ogni progetto segue la stessa logica: problema, analisi, soluzione, architettura, implementazione, risultati e ROI.

Misuriamo ciò che possiamo dimostrare.

Ogni scheda dichiara la propria natura. "Progetto verificato" indica un sistema realizzato e in uso presso un cliente nominato, che ha autorizzato la citazione: il badge attesta l'esistenza del progetto, non l'esistenza di una metrica. Dove una metrica è pubblicata, la scheda ne riporta perimetro e metodo di misurazione; dove non lo è, la scheda descrive il sistema e non dichiara alcun risultato numerico. "Scenario illustrativo" indica un caso d'uso costruito sui settori in cui operiamo, che non si riferisce a un cliente specifico: le grandezze indicate sono ordini di grandezza attesi, non risultati misurati.

Come misuriamo accuratezza, copertura e citazioni

Case study di riferimentoIndustria2025–2026Progetto verificato

Estrazione automatica delle quote da tavole CAD e verifica di conformità alle normative ISO

Un problema industriale concreto — la lettura manuale delle quote su tavole CAD e la verifica di conformità ISO — risolto con un sistema di Document Intelligence in produzione, integrato con l’ERP SAP del cliente.

86%

di accuratezza nell’estrazione delle quote dimensionali, misurata sui disegni reali del cliente

4-5 h → min

tempo di preparazione di un preventivo: da ore-persona a pochi minuti

Leggi il case study completo

Finanza2025–2026Progetto verificato

Ricerca semantica su documentazione normativa e compliance

Un gruppo bancario o assicurativo gestisce una mole crescente di normative interne, circolari, policy, procedure e documentazione di compliance distribuita tra più archivi. Il personale impiega tempo a reperire l'informazione corretta e il rischio non è solo operativo: una risposta non aggiornata può generare incoerenze nei controlli.

Vedi la scheda completa

Analisi

Censimento delle fonti documentali esistenti, valutazione di qualità, aggiornamento e struttura dei dati, definizione dei casi d'uso prioritari: ricerca normativa interna, supporto ai controlli KYC/AML, due diligence documentale e verifica di coerenza tra policy. Il progetto è partito da un assessment di sei mesi sui dati (DWH), per normalizzare le fonti provenienti dai diversi gestionali: condizione necessaria perché il sistema RAG potesse basarsi su dati coerenti invece che su archivi eterogenei. In questa fase, il sistema di classificazione documentale ed estrazione campi ha raggiunto l'86% di accuratezza su un corpus di circa 25 milioni di pagine.

Soluzione

Piattaforma di Enterprise Search basata su RAG, con citazione della fonte per ogni risposta, controllo delle versioni e modello linguistico adattato al lessico normativo, bancario e assicurativo. Le risposte vengono progettate per supportare il lavoro del team, non per sostituire la responsabilità della funzione compliance.

Architettura

Vector Database per la ricerca semantica, Knowledge Graph per collegare normative correlate, gestione dei permessi per funzione, log delle interrogazioni e deployment ibrido per rispettare requisiti di data residency, sicurezza e audit.

Implementazione

Fase pilota con un singolo team di compliance, raccolta strutturata del feedback, costruzione di un set di domande di valutazione e successiva estensione ad altri uffici dopo validazione di accuratezza, fonti e comportamento sui casi dubbi. Nel 2026 il sistema si è esteso a un RAG documentale verticale sulle pratiche, oltre alla ricerca normativa iniziale.

Risultati misurati

86% di accuratezza nella classificazione documentale e nell'estrazione dei campi, misurata sulla fase di normalizzazione dati (DWH) su un corpus di circa 25 milioni di pagine
Pratiche e analisi che richiedevano diversi giorni sono ora sintetizzate automaticamente e consultabili in linguaggio naturale, con una visione immediata dello stato e dei contenuti
Maggiore coerenza nelle risposte fornite dal team di compliance
Tracciabilità completa delle fonti citate in ogni risposta
Minor rischio di usare versioni obsolete o interpretazioni non allineate

ROI: Il ROI viene letto come riduzione dei giorni di analisi necessari per pratica — ora sintetizzata e interrogabile in chat — oltre a minore rilavorazione e abbassamento del rischio operativo legato a interpretazioni incomplete o non aggiornate.

Perimetro e metodo di misurazione

Fase di classificazione ed estrazione (DWH): 86% di accuratezza su un corpus di circa 25 milioni di pagine documentali, misurata prima dell'avvio del sistema di ricerca semantica, come condizione per avere dati normalizzati su cui costruire il RAG.
Perimetro della ricerca semantica (RAG): fase pilota su un singolo team di compliance, con estensione ad altri uffici solo dopo la validazione su accuratezza, fonti e comportamento nei casi dubbi.
Insieme di valutazione: 186 domande costruite insieme al team di compliance — 112 a risposta fattuale/documentale, 48 su scenari applicativi e procedurali, 26 volutamente ambigue o "adversarial" — che includono i casi difficili e le domande a cui l'archivio non contiene risposta.
Grandezze misurate sul RAG: accuratezza sulle risposte fornite, copertura sulle domande poste e correttezza delle citazioni, valutate sullo stesso insieme di domande.
Sulla ricerca semantica non dichiariamo una percentuale sintetica: le grandezze rilevanti sono tre, si muovono in direzioni opposte al variare delle soglie, e riportarne una sola sarebbe fuorviante. Sulla fase di classificazione a monte, invece, l'accuratezza è una metrica singola e ben definita: da qui l'86% sopra.

Perché non pubblichiamo una percentuale sola per la ricerca semantica Valutare un RAG su tre livelli: recupero, generazione, citazioni

Che cosa non ha risolto

L’86% riguarda la fase di classificazione ed estrazione a monte (DWH), non la ricerca semantica: sul RAG non pubblichiamo una percentuale sintetica, perché accuratezza, copertura e correttezza delle citazioni si muovono in direzioni opposte al variare delle soglie.
Il perimetro misurato è una fase pilota su un singolo team di compliance: l’estensione ad altri uffici è subordinata alla validazione su accuratezza, fonti e comportamento nei casi dubbi.
Il sistema supporta il lavoro del team compliance e non sostituisce la responsabilità della funzione: ogni risposta va verificata sulla fonte citata.

Cliente: Progetto realizzato per FBS SPA. www.fbs.it

Finanza2025–2026Progetto verificato

Riconciliazione automatica dei pagamenti in ingresso: dalla causale all'NDG del pagatore

I pagamenti in ingresso arrivano con una causale scritta in testo libero da chi paga: nomi abbreviati, riferimenti parziali, errori di battitura, formati diversi per ogni banca ordinante. Collegare quella causale all'NDG del pagatore finale — l'identificativo univoco della controparte nei sistemi core — veniva fatto a mano, transazione per transazione, su un flusso dell'ordine di centinaia di migliaia di transazioni l'anno: un volume che nessun presidio manuale assorbe senza accumulare ritardo. Il costo non è solo il tempo: un pagamento non attribuito resta sospeso, e un pagamento attribuito alla posizione sbagliata genera un errore che si scopre a valle.

Vedi la scheda completa

Analisi

Censimento dei formati dei flussi in ingresso e delle strutture di causale ricorrenti, analisi dei segnali effettivamente utilizzabili per l'abbinamento (denominazione, IBAN ordinante, riferimenti di pratica, codici interni) e mappatura di quali combinazioni producono un abbinamento certo e quali soltanto un candidato. Passaggio decisivo dell'analisi: i due errori non sono equivalenti. Un pagamento attribuito alla posizione sbagliata costa più di un pagamento lasciato in sospeso, e la calibrazione va fatta su questa asimmetria, non sull'abbinamento corretto complessivo.

Soluzione

Pipeline che normalizza la causale, ne estrae le entità rilevanti e le confronta con l'anagrafica delle controparti producendo un NDG candidato con un punteggio di confidenza. Sopra la soglia concordata l'attribuzione è automatica; sotto, il caso viene instradato a un operatore con i candidati ordinati e il motivo di ciascuno, così la decisione umana parte da un'istruttoria già fatta invece che da una riga di testo.

Architettura

Normalizzazione ed estrazione di entità dal testo libero della causale, regole deterministiche in prima battuta sugli identificativi esatti (IBAN, codice pratica) con il modello a gestire l'ambiguità residua, matching sull'anagrafica NDG con punteggio di confidenza, soglie configurabili per classe di importo, audit trail che conserva per ogni attribuzione il criterio che l'ha generata, e integrazione con i sistemi di riconciliazione già in uso.

Implementazione

Prima fase in affiancamento: il sistema propone l'abbinamento, gli operatori lavorano come prima e confrontano. Serve a misurare l'accuratezza reale sui flussi veri e a tarare le soglie sui due costi di errore prima di attivare l'attribuzione automatica.

Risultati misurati

92% delle transazioni riconciliate automaticamente sul campione di confronto, con il resto instradato a un operatore per i casi a bassa confidenza
Attribuzione automatica dei pagamenti la cui causale contiene riferimenti riconoscibili, con i casi incerti instradati a un operatore corredati dei candidati e del motivo di ciascuno
Riduzione del lavoro manuale di abbinamento sulle transazioni ricorrenti, dove la causale segue schemi stabili
Ogni attribuzione automatica conserva la traccia del criterio che l'ha prodotta ed è ricostruibile a posteriori
Soglie calibrate sull'asimmetria fra i due errori: il sistema preferisce lasciare un caso all'operatore piuttosto che attribuirlo alla posizione sbagliata

ROI: Il ritorno si legge su ore-operatore liberate dall'abbinamento manuale, riduzione della giacenza dei pagamenti sospesi e minori rettifiche a valle per attribuzioni errate.

Perimetro e metodo di misurazione

Perimetro: flussi di pagamento in ingresso dell'ordine di centinaia di migliaia di transazioni l'anno, sulle tipologie di causale più ricorrenti, con estensione progressiva alle strutture meno regolari.
Insieme di valutazione: campione di circa 15.000 transazioni con l'NDG corretto già attribuito manualmente dagli operatori, usato come riferimento di confronto.
Grandezze misurate: quota di transazioni riconciliate automaticamente sul totale, e fra queste la quota attribuita all'NDG corretto. Le due vanno lette insieme: alzare la soglia migliora la seconda e peggiora la prima.
I due errori sono contati separatamente. Un pagamento lasciato all'operatore è un costo di lavorazione; un pagamento attribuito alla posizione sbagliata è un errore che si propaga, e pesa di più.
Quota misurata: 92% di transazioni riconciliate automaticamente su un campione di circa 15.000 transazioni, nel periodo gennaio–marzo 2026. Sullo stesso campione, il tasso di attribuzione alla posizione errata è dello 0,8%.

Come misuriamo il 92% di riconciliazione dei pagamenti

Che cosa non ha risolto

L’8% residuo del campione non è risolto: resta a un operatore, con i candidati e il motivo di ciascuno.
Le due quote — transazioni riconciliate e attribuzioni corrette — si muovono in direzioni opposte al variare delle soglie: alzare l’automazione peggiora la precisione dell’attribuzione.
Lo 0,8% di attribuzioni alla posizione errata, misurato nello stesso periodo, è la ragione per cui l’automazione resta sotto soglia di confidenza invece di coprire l’intero volume: un errore di attribuzione pesa più di un caso lasciato all’operatore.
La copertura piena vale per le tipologie di causale più ricorrenti: le strutture meno regolari sono in estensione progressiva.

Cliente: Progetto realizzato per FBS SPA. www.fbs.it

Tecnologia e AI2025Progetto verificato

Agente vocale per le chiamate in ingresso, con risposte fondate su knowledge base

Le chiamate in ingresso si concentrano su un numero ristretto di richieste ricorrenti, ma arrivano a picchi e fuori orario. Un operatore che risponde a domande ripetitive è un operatore che non sta lavorando sui casi che richiedono giudizio, e una chiamata a cui nessuno risponde è una richiesta che si perde.

Vedi la scheda completa

Analisi

Analisi delle chiamate storiche per capire quali richieste sono effettivamente ricorrenti e quali richiedono una persona, identificazione delle informazioni necessarie a rispondere e di dove risiedono, e definizione esplicita del perimetro: cosa l'agente può dire, cosa non può impegnarsi a fare, e a quali condizioni deve passare la chiamata a un operatore.

Soluzione

Agente vocale che gestisce la conversazione in ingresso e costruisce ogni risposta su una knowledge base interrogata in tempo reale, invece di generarla dalla sola memoria del modello. Fuori dal perimetro definito, o quando la confidenza è bassa, la chiamata passa a un operatore con il contesto già raccolto.

Architettura

Riconoscimento e sintesi vocale, RAG sulla knowledge base per fondare le risposte su contenuti verificabili, guardrail su ciò che l'agente può affermare o impegnarsi a fare, regole di escalation esplicite e registrazione di ogni turno di conversazione per verifica successiva. Il vincolo dominante è la latenza: al telefono una pausa di due secondi è una conversazione rotta, e l'architettura è disegnata attorno a questo budget prima che attorno alla qualità della singola risposta.

Implementazione

Avvio su un sottoinsieme ristretto di richieste ricorrenti, con ascolto delle conversazioni reali e ampliamento del perimetro solo dopo verifica del comportamento sui casi limite e sulle richieste fuori ambito.

Durata

Dal kickoff al primo rilascio in produzione: circa un mese.

Risultati misurati

90% delle chiamate rientranti nel perimetro concluse senza intervento umano, con il resto instradato a un operatore
Sul restante 10%, il sistema ha instradato correttamente a un operatore nel 70% dei casi a bassa confidenza, invece di rispondere senza esserne sicuro
Gestione autonoma delle richieste ricorrenti rientranti nel perimetro definito, con passaggio a operatore sui casi fuori ambito
Risposte costruite sulla knowledge base e non sulla sola memoria del modello, quindi aggiornabili modificando i contenuti invece che il sistema
Continuità di risposta nei picchi e fuori orario, dove l'alternativa è una chiamata senza risposta
Ogni conversazione resta registrata e riesaminabile, comprese quelle finite in escalation

ROI: Il valore si misura in chiamate ricorrenti gestite senza impiego di operatore, minore perdita di richieste nei picchi e tempo degli operatori concentrato sulle conversazioni che richiedono giudizio.

Perimetro e metodo di misurazione

Perimetro: sottoinsieme definito di richieste ricorrenti, con le richieste fuori ambito instradate a un operatore per progetto e non per ripiego.
Insieme di valutazione: conversazioni reali riascoltate e valutate, incluse le chiamate in cui l'agente ha correttamente rifiutato di rispondere.
Grandezze misurate: correttezza delle risposte fornite, quota di chiamate concluse senza intervento umano e tasso di escalation. L'ultima non è un difetto da minimizzare: un'escalation opportuna vale più di una risposta azzardata.
Nella voce l'astensione conta più che nel testo: chi ascolta non può verificare la fonte mentre parla, e una risposta sbagliata detta con naturalezza non lascia appigli.
Quota misurata: 90% delle chiamate concluse senza intervento umano sulle conversazioni reali riascoltate e valutate. Tasso di escalation: 70%, calcolato sui soli casi a bassa confidenza (il restante 10% delle chiamate), non sul totale. Periodo di osservazione: marzo–maggio 2025.

Che cosa non ha risolto

Il 90% vale solo sulle chiamate rientranti nel perimetro definito: le richieste fuori ambito passano a un operatore per progetto, non sono gestite dal sistema.
Sul restante 10%, l’instradamento a operatore è corretto nel 70% dei casi a bassa confidenza: non sull’intero residuo.
La latenza resta il vincolo dominante: l’architettura privilegia i tempi di risposta conversazionali sulla qualità della singola risposta fuori perimetro.

Cliente: Progetto realizzato per Aivora. aivora.ai/en/

Tecnologia e prodotto2025Progetto verificato

Motore di raccomandazione musicale basato su RAG

La raccomandazione musicale si regge tradizionalmente sul segnale collaborativo: cosa hanno ascoltato gli utenti che assomigliano a te. Quel segnale è però assente proprio dove servirebbe di più — sull'album poco ascoltato, sulla nuova uscita, sull'utente appena arrivato — e su un catalogo che unisce libreria locale e streaming la coda lunga è la parte più interessante. In più una raccomandazione che non sa dire perché è stata fatta convince poco chi la musica la sceglie con attenzione.

Vedi la scheda completa

Analisi

Ricognizione dei contenuti descrittivi disponibili sul catalogo — metadati di album, artisti e tracce, generi, relazioni fra artisti, contenuti editoriali — e valutazione della loro copertura, perché un motore che ragiona sui contenuti vale quanto i contenuti che riesce a raggiungere. Definizione, insieme al prodotto, di cosa rende buona una raccomandazione in questo contesto: che non coincide con il renderla corretta.

Soluzione

Motore di raccomandazione che indicizza i contenuti descrittivi del catalogo e recupera per similarità semantica a partire da ciò che l'utente sta ascoltando o da una richiesta in linguaggio naturale, costruendo il suggerimento sui contenuti recuperati. Poiché il recupero lavora sulle descrizioni e non sui co-ascolti, un album può essere raccomandato anche senza storico: è esattamente il punto in cui il filtro collaborativo non ha nulla da dire.

Architettura

Indicizzazione semantica di metadati e contenuti editoriali del catalogo, ricerca vettoriale per similarità, generazione vincolata agli elementi effettivamente presenti nel catalogo e disponibili all'utente — raccomandare un disco inesistente o non riproducibile è peggio che non raccomandare nulla — e tracciabilità del contenuto che ha prodotto ciascun suggerimento.

Implementazione

Avvio su un sottoinsieme del catalogo, confronto con la logica di raccomandazione già presente e valutazione con utenti reali: nella musica lo scarto fra le metriche calcolate a tavolino e le raccomandazioni che le persone accettano davvero è più ampio che altrove.

Durata

Dal kickoff al primo rilascio in produzione: circa tre mesi.

Risultati misurati

85% delle raccomandazioni giudicate pertinenti da utenti reali nel campione valutato
65% di copertura del catalogo raggiunta con la nuova logica, rispetto alla logica di raccomandazione precedente
Raccomandazioni possibili anche su album privi di storico di ascolti, dove il segnale collaborativo non esiste
Ogni suggerimento è riconducibile al contenuto che lo ha prodotto, quindi spiegabile invece che opaco
Suggerimenti vincolati al catalogo effettivamente disponibile all'utente, non a titoli plausibili ma assenti
Richieste in linguaggio naturale gestite senza dipendere da una tassonomia rigida di generi

ROI: Il valore si legge nella profondità di catalogo che l'utente riesce effettivamente a raggiungere, nella minore dipendenza dall'accumulo di storico di ascolti e nella tenuta delle raccomandazioni sulla parte nuova o meno battuta del catalogo.

Perimetro e metodo di misurazione

Perimetro: sottoinsieme del catalogo indicizzato in avvio, esteso progressivamente al resto.
Insieme di valutazione: raccomandazioni giudicate da persone reali, non le sole metriche calcolate a tavolino.
Grandezze monitorate: pertinenza del suggerimento, diversità e copertura del catalogo. Vanno lette insieme perché si muovono in direzioni opposte: un motore che massimizza la pertinenza finisce per raccomandare sempre le stesse cose.
La qualità di una raccomandazione non è accuratezza: non esiste una risposta corretta da confrontare. Per questo la valutazione richiede persone, e un insieme di prova da solo non basta a dire se il motore funziona.
Pertinenza misurata: 85% delle raccomandazioni giudicate pertinenti dagli utenti nel campione valutato. Copertura misurata: 65% di catalogo raggiunto rispetto alla logica di raccomandazione precedente. Diversità del catalogo resta monitorata a parte e non ha, per ora, una cifra pubblicata: una pertinenza alta ottenuta raccomandando sempre gli stessi titoli non sarebbe un progresso.

Che cosa non ha risolto

La pertinenza è giudicata dalle persone sul campione valutato, non misurata contro una risposta corretta: in questo dominio non esiste un termine di confronto oggettivo.
La diversità del catalogo è monitorata a parte e non ha ancora una cifra pubblicata: una pertinenza alta ottenuta raccomandando sempre gli stessi titoli non sarebbe un progresso.
La copertura del 65% è relativa alla logica precedente e al sottoinsieme di catalogo indicizzato in avvio: l’estensione al resto è progressiva.
Un motore che ragiona sui contenuti vale quanto i contenuti che raggiunge: la copertura descrittiva del catalogo resta il vincolo, non l’algoritmo.

Cliente: Progetto realizzato per Volumio: è il motore di raccomandazione volumio.com/

Casi d'uso potenziali

Scenari costruiti sui settori in cui operiamo, non riferiti a un cliente specifico: utili per capire come imposteremmo il problema, non risultati misurati.

Pubblica AmministrazioneScenario illustrativo

Automazione dell'istruttoria pratiche in un ente pubblico

Un ente di medie dimensioni riceve ogni mese migliaia di richieste e pratiche in formato cartaceo, PDF o PEC. Ogni pratica richiede verifica manuale di completezza, controllo dei requisiti, protocollazione e preparazione di una sintesi per l'istruttore: tempi lunghi, arretrato crescente e forte dipendenza dall'esperienza dei singoli operatori.

Analisi

Mappatura end-to-end del processo di istruttoria, analisi delle tipologie documentali, individuazione dei passaggi ripetitivi e definizione dei punti in cui l'AI può supportare senza sostituire la responsabilità amministrativa. Vengono identificati anche i casi dubbi, le eccezioni e le soglie oltre le quali serve revisione umana.

Soluzione

Sistema di Document Intelligence che classifica le pratiche in ingresso, estrae dati rilevanti, segnala documenti mancanti, prepara una sintesi strutturata per l'operatore e collega ogni informazione alla fonte documentale. L'assistente non decide l'esito: accelera controllo, lettura e preparazione dell'istruttoria.

Architettura

OCR e classificazione documentale, pipeline di estrazione dati, knowledge base interna con normativa e procedure, integrazione con protocollo e repository documentale, audit trail delle fonti consultate e deployment on-premise o ibrido per rispettare vincoli di sicurezza e data residency.

Implementazione

Rilascio in due fasi: prima su una tipologia di pratica a basso rischio, poi estensione progressiva dopo validazione con gli operatori. La formazione include limiti del sistema, gestione delle eccezioni e procedure per correggere o confermare le informazioni estratte.

Durata

Pilota di 8 settimane su una tipologia di pratica a basso rischio, estensione progressiva in 3-4 mesi.

Risultati attesi

Tempo medio di pre-istruttoria: in progetti di questo tipo si passa tipicamente da 20-25 a 10-15 minuti per pratica
Arretrato in coda: su una tipologia di pratica omogenea e ad alto volume la riduzione può arrivare fino a circa il 90% nei primi mesi dal rilascio, perché il collo di bottiglia è il controllo documentale ripetitivo; su pratiche eterogenee o con molte eccezioni il margine è sensibilmente più contenuto
Errori di completezza rilevati nelle fasi successive del procedimento: riduzione attesa nell'ordine del 50-60%
Personale liberato da controlli ripetitivi verso attività a maggiore responsabilità

ROI: Il ROI viene misurato su ore operative recuperate, riduzione dell'arretrato, minor rilavorazione e miglioramento dei tempi di risposta percepiti da cittadini e imprese. Le grandezze qui sopra sono ordini di grandezza attesi: in un progetto reale vanno concordate prima dell'avvio e misurate sulla situazione di partenza.

Dopo il go-live: Revisione trimestrale dell'accuratezza con gli operatori, aggiornamento della knowledge base a ogni modifica normativa, SLA di supporto per la gestione delle eccezioni.

RegioniScenario illustrativo

Digital Twin di popolazione e imprese per la valutazione delle politiche pubbliche

Una Regione deve valutare ex ante gli effetti di misure fiscali, di welfare o di risposta a shock macroeconomici su famiglie e imprese del territorio, ma dispone solo di moltiplicatori macro e micro economici statici e lineari: stime aggregate che non colgono gli effetti redistributivi, occupazionali e di rischiosità finanziaria a livello di singolo nucleo familiare o impresa.

Analisi

Censimento del patrimonio informativo regionale (anagrafiche, dati fiscali, registri camerali, indicatori congiunturali e demografici), valutazione della capacità di calcolo disponibile e definizione delle domande di policy prioritarie da simulare, in un’ottica di analisi multidimensionale su redditività, solidità finanziaria e benessere.

Soluzione

Costruzione di un gemello digitale di popolazione e imprese tramite modelli di micro-simulazione dedicati, che replicano i nuclei familiari e le imprese del territorio per simulare ex ante gli effetti di misure di tax-benefit e shock macroeconomici, con profondità temporale pluriennale e lettura per area geografica e settore.

Architettura

Modelli di micro-simulazione per famiglie e imprese, integrazione con i data lake e i registri statistici regionali, infrastruttura di calcolo ad alte prestazioni per l’esecuzione degli scenari, dashboard di sintesi per i decisori e versionamento/audit degli scenari simulati.

Implementazione

Avvio su un primo set di politiche regionali, validazione dei risultati con i decisori coinvolti, calibrazione dei modelli su dati storici e successiva estensione ad altre misure, settori merceologici e aree del territorio.

Risultati attesi

Confronto ex ante di scenari di policy alternativi prima dell’attuazione
Lettura disaggregata degli effetti redistributivi, occupazionali e di rischiosità finanziaria
Maggiore trasparenza nella valutazione dell’impatto della spesa pubblica
Base analitica condivisa tra uffici tecnici e decisori politici

ROI: Il valore si misura in politiche meglio calibrate rispetto agli obiettivi, minor rischio di misure con effetti indesiderati e riduzione dei tempi necessari per valutare scenari alternativi prima della decisione.

Riferimento pubblico: Amartya, il digital twin di popolazione e imprese sviluppato dalla Regione Emilia-Romagna con le Università di Bologna e Modena-Reggio Emilia per simulare gli effetti di politiche fiscali e di welfare. Non è un progetto realizzato da Futura AI: lo citiamo come esempio pubblico di questo tipo di approccio. margherita.regione.emilia-romagna.it/it/amartya

IndustriaScenario illustrativo

Assistente per la documentazione tecnica in un contesto manifatturiero

Un'azienda manifatturiera con centinaia di manuali, distinte base, procedure qualità e documentazione di manutenzione fatica a rendere questa conoscenza rapidamente accessibile a produzione, ufficio tecnico e assistenza. La conoscenza critica resta spesso concentrata in poche persone esperte.

Analisi

Mappatura degli archivi tecnici esistenti, analisi dei formati, qualità dei contenuti, frequenza di aggiornamento e casi d'uso prioritari: ricerca di procedure, supporto alla manutenzione, consultazione manuali, formazione nuovi operatori e assistenza tecnica.

Soluzione

Assistente di Document Intelligence in grado di rispondere in linguaggio naturale a domande tecniche, citare manuali e procedure, collegare componenti e distinte base, e contestualizzare le risposte tramite integrazione con MES/ERP.

Architettura

OCR e classificazione dei manuali storici, ricerca semantica sull'archivio tecnico, Knowledge Graph per collegare prodotti, componenti e procedure, integrazione via API con i sistemi di produzione già in uso.

Implementazione

Partenza da una linea di prodotto pilota, validazione diretta con personale di produzione e assistenza, raccolta dei casi non risolti, miglioramento progressivo della knowledge base ed estensione al resto del catalogo tecnico.

Durata

Pilota su una linea di prodotto, 10-12 settimane; estensione al resto del catalogo tecnico in 2-3 fasi successive.

Risultati attesi

Tempo di ricerca delle informazioni tecniche: riduzione attesa nell'ordine del 50-60%, a condizione che l'archivio tecnico sia aggiornato
Meno errori in fase di assistenza tecnica e manutenzione
Formazione di un nuovo operatore: su un percorso di circa 6 settimane l'accorciamento tipico è di 1-2 settimane
Maggiore continuità della conoscenza tecnica anche quando cambiano persone o reparti

ROI: Il ritorno si misura in minori fermi macchina legati alla ricerca di informazioni, operatori più autonomi, assistenza più rapida e riduzione della dipendenza dalla conoscenza tacita. Le grandezze qui sopra sono ordini di grandezza attesi, non risultati misurati su un cliente specifico.

Dopo il go-live: Aggiornamento della knowledge base a ogni revisione di manuali e procedure, monitoraggio dei casi non risolti come segnale dei gap di copertura da colmare.