Quattro passi, un loop
-
Prima conversazione gratuita. Capiamo il problema reale, non il problema dichiarato. Identifichiamo dove vive il valore (un workflow specifico), dove vive il rischio (tecnico, organizzativo, di adozione), e definiamo la prima ipotesi di soluzione.
Output dello scoping: una proposta scritta breve con problema, ipotesi, output atteso, prezzo, timeline. Niente PowerPoint da 40 slide.
-
Costruiamo un prototipo funzionante, non un mockup. In due-quattro settimane il sistema esegue il task end-to-end su un dataset reale del cliente (sotto NDA). Il prototipo serve a rispondere a tre domande:
- Il modello capisce il dominio?
- Il workflow funziona end-to-end?
- Gli utenti reali lo accetterebbero?
Se le risposte sono no, ci fermiamo qui. È molto meno costoso scoprirlo ora che dopo sei mesi.
-
Sopra un prototipo che ha già funzionato, costruiamo il sistema di produzione. Significa: codice testato, observability strutturata, valutazione continuativa, gestione errori esplicita, documentazione, integrazione con i sistemi che già usate.
Questa fase dura tipicamente due-quattro mesi. È la parte dove il "demo che funziona" diventa "sistema che si può mantenere".
-
Il sistema in produzione genera dati. Quei dati ci dicono se funziona, dove fallisce, dove deve essere migliorato. Iteriamo in cicli brevi sopra evidenza, non sopra opinioni.
Il loop si chiude qui — measure → refine torna a research e build su nuove iterazioni o nuovi sistemi adiacenti.
Cosa rifiutiamo
- Demo che non vivranno mai in produzione. Sono un brutto modo di spendere il vostro budget e il nostro tempo.
- Vendita di tool. Non rivendiamo licenze software, non abbiamo partnership commerciali con vendor AI. La nostra incentive è costruire sistemi che funzionino, non vendervi qualcosa di altro.
- Stretching dello scope. Se durante un progetto emerge un altro problema, ne parliamo apertamente come progetto separato. Niente “tanto sono qui”.
Domande frequenti
-
Perché iniziate sempre con un prototipo invece che andare diretti in produzione?
Perché in AI applicata la fattibilità tecnica e il valore di business non sono ovvi a priori. Un prototipo costa una frazione del sistema di produzione e risponde alle domande importanti: il modello capisce davvero il dominio? Il workflow funziona end-to-end? Gli utenti lo accetterebbero? Andare diretti in produzione senza queste risposte è il modo più costoso di scoprirle. -
Cosa significa 'workflow misurabile'?
Un workflow è misurabile quando possiamo definire un numero — tempo risparmiato, accuratezza, throughput, costo per task — e tracciarlo prima e dopo l'introduzione del sistema AI. Senza misurabilità non abbiamo modo di dire se il sistema sta funzionando, e non possiamo migliorarlo. È il primo argomento che affrontiamo nello scoping. -
Costruite soluzioni custom o riutilizzate framework esistenti?
Riutilizziamo aggressivamente. La parte 'custom' di un sistema AI applicato bene è il prompt engineering, il retrieval, la valutazione, e l'integrazione con i sistemi del cliente. Il resto — orchestration, observability, deployment — usa strumenti maturi e open-source quando possibile (LangGraph, Graphiti, OpenTelemetry). Costruire framework da zero è quasi sempre la risposta sbagliata. -
Cosa succede dopo il rilascio?
I sistemi AI in produzione richiedono manutenzione attiva: i modelli cambiano, i dati cambiano, gli edge case emergono solo dopo settimane di uso reale. Offriamo retainer mensili leggeri per evoluzione e operations, oppure handoff strutturato con documentazione e training se il cliente ha team interno. Decidiamo insieme cosa ha senso.