Assistenti AI su Misura per PMI: Guida Pratica

Ogni settimana parliamo con imprenditori che hanno già provato qualcosa legato all'AI. Hanno attivato un chatbot su un sito, magari collegato a ChatGPT, e dopo due settimane lo hanno spento. Perché? Perché rispondeva cose sbagliate. Perché non conosceva i loro prodotti. Perché un cliente ha ricevuto un'informazione errata sui prezzi e si è incazzato.

Questo è il problema numero uno: confondere l'AI generica con un assistente aziendale. Sono due cose completamente diverse.

ChatGPT, Claude, Gemini — sono modelli addestrati su miliardi di testi generici. Non sanno nulla della tua azienda, del tuo listino, delle tue politiche di reso, del tuo tono di voce. Se li usi senza configurazione, ti danno risposte plausibili ma spesso sbagliate. Nel servizio clienti, una risposta plausibile ma sbagliata è peggio del silenzio.

Il secondo problema è l'integrazione. Le PMI italiane usano CRM come HubSpot, Salesforce, Zoho, o spesso sistemi gestionali proprietari. I dati delle chiamate commerciali finiscono in note scritte a mano, o peggio, nella testa del commerciale. Quando quel commerciale lascia l'azienda, porta via anni di conoscenza. Nessun sistema AI generico risolve questo problema da solo.

Il terzo problema è la complessità percepita. Molti imprenditori pensano che implementare l'AI richieda un reparto IT interno, mesi di sviluppo, budget da grande azienda. Non è così — ma solo se sai cosa stai facendo. La maggior parte delle agenzie che si propongono come 'agenzie AI' in realtà rivendono abbonamenti SaaS con un layer di configurazione minima. Noi facciamo l'opposto: costruiamo su misura, partendo dal problema reale.

Un assistente AI che funziona per una PMI ha tre caratteristiche che i tool generici non hanno mai: conosce il contesto aziendale in profondità, è connesso ai sistemi già in uso, e migliora nel tempo grazie ai dati reali.

Per 'conoscere il contesto' non intendiamo caricare un PDF sul sito. Intendiamo costruire una knowledge base strutturata — prodotti, prezzi, FAQ, policy, tono di voce — che diventa il sistema nervoso dell'assistente. Ogni risposta viene generata a partire da quella base, non dall'oceano indifferenziato di internet.

Per 'connesso ai sistemi' intendiamo integrazione reale con WhatsApp Business API, CRM, calendari, sistemi di ticketing. Non un widget che galleggia su una pagina web e non sa nulla di ciò che succede nel resto dell'azienda.

Per 'migliora nel tempo' intendiamo che ogni conversazione, ogni chiamata, ogni interazione diventa un dato analizzabile. Le obiezioni ricorrenti dei clienti diventano input per migliorare gli script. Le domande frequenti che l'assistente gestisce male diventano occasioni per espandere la knowledge base.

Questo è l'approccio che abbiamo costruito in Skalo. Non vendiamo abbonamenti a tool esistenti. Sviluppiamo architetture custom in Next.js, integriamo API di modelli come GPT-4o o Claude 3.5 Sonnet, costruiamo pipeline di dati che connettono canali di comunicazione e CRM. Il risultato è un sistema che appartiene all'azienda, non a un vendor SaaS che può cambiare i prezzi domani.

Non esiste un template universale. Ogni PMI ha processi diversi, clienti diversi, sistemi diversi. Quello che abbiamo standardizzato non è la soluzione, ma il processo per arrivarci.

Fase 1 — Diagnosi dei flussi (1-2 settimane)
Prima di scrivere una riga di codice, mappiamo i flussi reali. Dove si perdono le informazioni? Quali domande riceve il servizio clienti ogni giorno? Quanto tempo passa tra una chiamata commerciale e il follow-up? Questa fase produce un documento di architettura che diventa la base di tutto il progetto. La maggior parte delle agenzie salta questa fase. È l'errore più costoso che si possa fare.

Fase 2 — Costruzione della knowledge base e del prompt system
Qui entriamo nel tecnico. Costruiamo la knowledge base aziendale in formato strutturato — tipicamente una combinazione di embedding vettoriali su database come Pinecone o Supabase pgvector, e dati strutturati su database relazionali. Progettiamo il sistema di prompt con layer distinti: system prompt con le regole invariabili, context injection con i dati recuperati dalla knowledge base, conversation history per mantenere la coerenza nel dialogo. Il prompt engineering non è 'scrivere istruzioni a ChatGPT'. È un'architettura software con logica condizionale, fallback, e meccanismi di guardrail per evitare risposte fuori contesto.

Fase 3 — Integrazione e connessioni
L'assistente deve vivere dove vivono i clienti. Per la maggior parte delle PMI italiane, questo significa WhatsApp. Integriamo tramite WhatsApp Business API (via provider come 360dialog o direttamente Meta Cloud API), costruiamo webhook in Next.js API routes per gestire i messaggi in entrata, e colleghiamo il tutto al CRM aziendale tramite API REST o, dove non esistono API native, tramite automazioni costruite con n8n o Make. Per le chiamate commerciali, utilizziamo pipeline di trascrizione basate su Whisper (OpenAI) o servizi come Deepgram, con analisi successiva tramite LLM per estrarre entità, sentiment, obiezioni e next steps.

Fase 4 — Testing, simulazione e ottimizzazione continua
Prima del go-live, ogni assistente passa attraverso una fase di simulazione intensiva. Testiamo centinaia di scenari, inclusi i casi limite: clienti aggressivi, domande fuori scope, richieste ambigue. Monitoriamo le conversazioni reali nelle prime settimane con un sistema di feedback loop che permette di identificare rapidamente le aree di miglioramento. Un assistente AI non è un prodotto che si consegna e si dimentica. È un sistema che cresce.

Caso 1 — Skalo AI Hub: la piattaforma SaaS per assistenti WhatsApp su misura

Il problema che ha generato questo progetto era semplice e diffuso: i chatbot tradizionali basati su alberi decisionali fissi (i classici 'premi 1 per X, premi 2 per Y') hanno un tasso di abbandono altissimo. Gli utenti li percepiscono subito come rigidi, li aggirano cercando un numero di telefono umano, e l'azienda ha speso soldi per uno strumento che peggiora l'esperienza cliente invece di migliorarla.

La risposta che abbiamo costruito è una piattaforma SaaS — Skalo AI Hub — che permette alle aziende di creare e gestire assistenti AI intelligenti connessi a WhatsApp, senza dover scrivere codice ma con un livello di personalizzazione che nessun tool generico offre.

L'architettura tecnica si basa su Next.js 14 con App Router per il frontend della dashboard, un backend Node.js per la gestione dei webhook WhatsApp, e un layer di orchestrazione AI che combina retrieval-augmented generation (RAG) con prompt management dinamico. La dashboard permette ai responsabili aziendali di definire la knowledge base (caricando documenti, inserendo FAQ, definendo policy), configurare il tono di voce e i limiti dell'assistente, e simulare conversazioni in tempo reale prima del deploy.

Il dato più interessante emerso dai test: gli assistenti configurati con una knowledge base strutturata e prompt engineering dedicato hanno un tasso di risoluzione autonoma delle richieste del 70-80% rispetto al 20-30% dei chatbot tradizionali. Questo si traduce in meno ticket aperti, meno chiamate al supporto, e clienti che ottengono risposte immediate anche fuori orario lavorativo.

Le competenze tecniche dimostrate in questo progetto includono: integrazione WhatsApp Business API, sistema di prompt management con versioning, costruzione di knowledge base con embedding vettoriali, e interfaccia di simulazione real-time.

---

Caso 2 — Call Recorder & Quality Analyzer: trasformare le chiamate in dati commerciali

Questo progetto nasce da una conversazione con un direttore commerciale di una PMI manifatturiera del Nord Italia. Il problema che descriveva era universale: ogni commerciale gestisce decine di chiamate a settimana, prende appunti sparsi, e alla fine della giornata aggiorna il CRM con informazioni parziali e soggettive. Le obiezioni ricorrenti dei clienti non vengono mai sistematizzate. I follow-up si perdono. Quando un commerciale lascia l'azienda, se ne va anche tutta la conoscenza accumulata nelle sue chiamate.

La soluzione che abbiamo sviluppato è un'applicazione desktop locale — scelta deliberata, non casuale. I dati delle chiamate commerciali sono spesso sensibili, e molte PMI hanno resistenze (comprensibili) a far transitare queste informazioni su server cloud di terze parti. L'app gira localmente, registra le chiamate direttamente dall'audio del sistema, e processa la trascrizione in locale o tramite API con crittografia end-to-end.

Il flusso tecnico è questo: la chiamata viene registrata in formato audio compresso, inviata alla pipeline di trascrizione basata su Whisper, e il testo trascritto viene poi analizzato da un LLM con un prompt specifico per estrarre entità strutturate — nome del cliente, prodotti discussi, obiezioni sollevate, impegni presi, next steps concordati, sentiment generale. Questi dati strutturati vengono poi sincronizzati automaticamente nel CRM aziendale tramite API, creando una nota dettagliata e standardizzata per ogni chiamata.

Il risultato pratico: i commerciali risparmiano 15-20 minuti di data entry per chiamata, il CRM diventa effettivamente uno strumento di analisi (non solo un archivio), e il management può finalmente vedere pattern aggregati — quali obiezioni ricorrono più spesso, quali prodotti generano più domande, quali fasi del processo commerciale hanno i tassi di conversione più bassi.

L'architettura dimostra una scelta tecnica precisa: Electron per il layer desktop cross-platform, integrazione con le API CRM più diffuse (HubSpot, Salesforce, Pipedrive), e un sistema di sincronizzazione asincrona che non blocca il flusso di lavoro del commerciale.