Portare l'AI in una PMI: Come Introdurre LLM, MCP e RAG in Azienda Senza Spaventare Nessuno

L'AI in Azienda Non Parte dalla Tecnologia

Quando si parla di intelligenza artificiale nelle aziende, l'immaginario va subito a grandi progetti: modelli addestrati su misura, team di data scientist, budget importanti. La realtà delle piccole e medie imprese è diversa. Le persone hanno già troppo lavoro, l'IT è spesso composto da pochissime figure, e ogni novità viene accolta con una domanda legittima: "a cosa mi serve?"

Lavorando in un'azienda retail con più negozi e diversi reparti, ho imparato che portare l'AI in una PMI è soprattutto una questione di fiducia e di casi d'uso concreti. La tecnologia, oggi, è la parte più facile.

Ecco il percorso che consiglio, in cinque tappe.

Tappa 1: Partire dai Problemi, Non dagli Strumenti

Il primo passo non è scegliere un modello o una piattaforma, ma ascoltare. Ogni reparto ha attività ripetitive, noiose e a basso valore che nessuno ama fare:

• l'amministrazione che riscrive le stesse email ai fornitori;
• il marketing che deve produrre descrizioni prodotto per l'e-commerce;
• il commerciale che cerca informazioni sparse in documenti e fogli di calcolo;
• l'IT che risponde sempre alle stesse domande sui software aziendali.

Una buona domanda da fare è: "qual è la cosa che fai ogni settimana e che vorresti non fare più?". Le risposte sono una miniera di casi d'uso, e hanno un vantaggio enorme: nascono dalle persone, non vengono imposte dall'alto.

Tappa 2: Prime Prove con un Assistente Generico

Il modo più rapido per far toccare con mano l'AI è un assistente conversazionale come Claude o ChatGPT, usato per compiti che non richiedono dati aziendali sensibili:

• riscrivere un testo in un tono diverso;
• riassumere un documento lungo;
• preparare una bozza di email o di procedura;
• spiegare una formula di Excel o scriverne una nuova.

In questa fase servono due cose. La prima è un po' di formazione pratica: brevi sessioni in cui si mostra come scrivere una buona richiesta (contesto, obiettivo, formato desiderato) e, soprattutto, come verificare la risposta. La seconda è una policy chiara sull'uso: quali dati si possono inserire e quali no, quali strumenti sono approvati, chi contattare in caso di dubbi.

Una policy semplice, scritta in linguaggio non tecnico, fa più per l'adozione di qualsiasi demo: rassicura chi è diffidente e mette dei confini a chi è troppo entusiasta.

Tappa 3: Gestire le Paure

Ogni introduzione di AI si scontra con alcune preoccupazioni ricorrenti. Ignorarle è il modo migliore per far fallire il progetto.

"Mi sostituirà?" È la paura più profonda. La risposta più onesta è mostrare l'AI per ciò che fa davvero in una PMI: toglie lavoro ripetitivo, non persone. Quando qualcuno vede che una attività da un'ora ne richiede dieci minuti, e che quel tempo torna a lui, la percezione cambia.

"Sbaglia." Vero. I modelli linguistici possono produrre risposte convincenti ma errate. Il messaggio giusto non è negarlo, ma insegnare a lavorare con questo limite: l'AI produce bozze, la persona verifica e decide.

"Dove finiscono i nostri dati?" È una domanda legittima, soprattutto con dati di clienti, dipendenti e fornitori. Va affrontata scegliendo piani aziendali che escludono l'uso dei dati per l'addestramento, valutando soluzioni locali dove serve e definendo con chiarezza cosa non va mai condiviso.

Tappa 4: Collegare l'AI ai Dati Aziendali con RAG

Dopo qualche mese di uso generico, emerge sempre la stessa richiesta: "bello, ma non conosce le nostre cose". È il momento della RAG (Retrieval Augmented Generation).

L'idea è semplice: invece di sperare che il modello sappia, gli si forniscono i documenti giusti al momento della domanda. Procedure interne, manuali dei software, regolamenti, schede prodotto vengono indicizzati in un database vettoriale; quando qualcuno fa una domanda, il sistema recupera i passaggi più pertinenti e li passa al modello, che risponde citando le fonti.

Per una PMI i primi casi d'uso RAG più efficaci sono quasi sempre:

• un assistente sulle procedure interne ("come si registra un reso da un altro negozio?");
• un help desk di primo livello sui software aziendali;
• la ricerca in documentazione tecnica di fornitori e prodotti.

Il segreto del successo è la qualità dei documenti: una RAG su documenti vecchi, contraddittori o incompleti produrrà risposte vecchie, contraddittorie o incomplete. Spesso il primo beneficio di un progetto RAG è proprio costringere l'azienda a mettere ordine nella propria documentazione.

Tappa 5: Agire sui Sistemi con MCP

L'ultimo passo è permettere all'AI non solo di leggere documenti, ma di interrogare i sistemi aziendali. Il Model Context Protocol (MCP) è lo standard che rende questo possibile in modo ordinato: un server MCP espone strumenti specifici (ad esempio "cerca le giacenze di un articolo" o "estrai le vendite di un negozio in un periodo") che l'assistente può invocare.

Con un server MCP collegato al Data Warehouse, una responsabile commerciale può chiedere "quali articoli della collezione invernale hanno più di 8 settimane di copertura nei negozi del centro?" e ottenere una risposta basata su dati reali, senza scrivere una riga di SQL.

Qui la parola d'ordine è prudenza:

• partire con strumenti in sola lettura;
• esporre viste e query predefinite invece di dare accesso libero al database;
• registrare ogni chiamata per poter verificare cosa è stato chiesto e cosa è stato restituito;
• introdurre le azioni di scrittura solo dopo, e sempre con conferma umana.

Le Lezioni Imparate

Pochi casi d'uso, fatti bene. Meglio un assistente sulle procedure che tutti usano ogni giorno che dieci prototipi abbandonati.

Gli ambasciatori contano. In ogni reparto c'è qualcuno più curioso degli altri. Coinvolgerlo per primo, farlo diventare il riferimento per i colleghi, accelera l'adozione molto più di qualsiasi comunicazione ufficiale.

Misurare il tempo risparmiato. Anche stime approssimative ("questa attività richiedeva due ore, ora mezz'ora") sono fondamentali per giustificare l'investimento e decidere dove proseguire.

L'infrastruttura dati viene prima. RAG e MCP funzionano solo se i dati sono accessibili e affidabili. Un Data Warehouse ordinato e una documentazione aggiornata sono i veri abilitatori dell'AI aziendale.

Restare aggiornati, senza inseguire ogni novità. Il settore cambia ogni settimana. Conviene fissare dei momenti periodici in cui valutare nuovi strumenti, invece di cambiare direzione a ogni annuncio.

Conclusioni

Introdurre l'AI in una PMI non richiede grandi budget né team dedicati, ma richiede metodo. Partire dai problemi reali, iniziare con usi semplici e sicuri, affrontare apertamente le paure, e solo dopo collegare l'AI ai dati aziendali con RAG e MCP: è un percorso graduale che costruisce fiducia passo dopo passo. Alla fine, il successo non si misura in quanta tecnologia si è introdotta, ma in quante persone, ogni giorno, lavorano un po' meglio grazie a essa.