Durante un assessment di processo, un cliente ti racconta come lavora davvero.
Ti parla dei passaggi manuali, delle eccezioni, dei clienti, dei fornitori, dei problemi che non sono scritti da nessuna parte. Ti sta consegnando il suo vantaggio competitivo, anche se non lo chiama così.
Poi tu prendi tutto e lo incolli dentro un chatbot.
È una scena normale. Talmente normale che spesso smettiamo di farci la domanda più importante: dove finiscono quei dati?
Ne ho parlato con Giorgia Tamborrini , IT Project Manager e Head of AI di Nexid, durante la live di Audiocassetta. Giorgia arriva dalla psicologia, non dall’ingegneria, e proprio per questo la sua lettura mi è sembrata utile: l’AI non è una gara a chi installa il modello più grosso. È una decisione di processo, di persone e di responsabilità.
La soluzione locale non serve a tutti. Ma per alcuni dati, alcuni settori e alcuni team può essere la differenza tra usare l’AI oppure rinunciarci del tutto.
Da psicologa a Head of AI
Giorgia oggi guida progetti e sperimentazioni sull’AI in Nexid, ma il suo percorso è iniziato come project manager IT. Quasi tre anni fa, in azienda, è nato un laboratorio interno facoltativo.
Non un corso con le slide già pronte. Un gruppo multidisciplinare che ogni settimana provava qualcosa e poi si chiedeva se quella cosa servisse davvero: sviluppatori, UX e UI designer, project manager, persone con competenze diverse.
I primi obiettivi erano concreti: automatizzare pezzi del marketing, creare documentazione del codice, trasformare le interviste con i clienti in una mappatura più ordinata dei processi.
Il laboratorio ha portato a casa risultati, ma anche una domanda scomoda. Puoi sperimentare quanto vuoi con le chat. A un certo punto, però, devi inserire l’AI dentro i flussi aziendali. E devi sapere che cosa stai consegnando a quei sistemi.
Giorgia lo dice in un modo che mi trova completamente d’accordo: l’aspetto tecnico è fondamentale, ma se non capisci il contesto rischi di costruire automazioni che non servono a nessuno, non vengono usate e non risolvono il problema.
Prima il processo, poi l’AI.
L’AI locale spiegata senza complicarla
Partiamo da una distinzione semplice.
Se spegni internet e il sistema continua a funzionare, stai usando un modello locale. Il modello e i dati si trovano sulla macchina o sul server che controlli tu, invece di passare ogni volta da un servizio esterno.
Questo non significa che il modello locale sia automaticamente migliore. Significa che sai dove si muovono le informazioni, chi può vederle e quali parti del processo puoi governare.
LAiR nasce da questa esigenza. Non è un singolo chatbot e non è un modello proprietario. È uno stack che mette insieme diversi strumenti open source: un’interfaccia di chat, un sistema per far girare i modelli, automazioni, gestione dei documenti, ricerca nelle proprie informazioni e, quando serve, strumenti per immagini e sviluppo.
Il repository pubblico è Lair-ai/lair su GitHub. L’idea è rendere più accessibile una combinazione di strumenti che, presi singolarmente, richiederebbe a un team di smanettoni parecchio lavoro di installazione e integrazione.
La parte difficile, però, resta proprio questa: spiegarlo senza farlo sembrare una cosa magica.
LAiR non è “un ChatGPT privato con due click”. È un modo per comporre modelli e strumenti diversi dentro un ambiente aziendale, con la possibilità di decidere quali dati restano in casa e quali, eventualmente, possono passare da un’API esterna.
Open source non significa prodotto finito
Durante la live ho fatto a Giorgia la domanda che arriva sempre quando un’azienda pubblica un progetto su GitHub: perché rendere open source tutto questo lavoro?
La risposta non è stata “perché il codice è gratis”.
Nexid ha scelto di aprire il progetto perché una piattaforma di questo tipo migliora attraverso il confronto con chi la prova. Il feedback della community serve a capire se le guide sono chiare, se i passaggi funzionano, se il prodotto è davvero utilizzabile da persone con esigenze diverse.
Il codice pubblico è una parte del lavoro. Il valore che Nexid porta ai clienti sta anche nell’assessment, nella mappatura dei processi, nella formazione, nella manutenzione e nelle integrazioni con i sistemi già presenti in azienda.
È un modello che vale anche per molte PMI italiane: puoi condividere un pezzo di tecnologia e continuare a vendere la parte che richiede esperienza, contesto e responsabilità.
Il software open source non elimina il lavoro. Sposta il punto in cui quel lavoro crea valore.
Tre casi in cui il locale cambia la conversazione
Il primo caso riguarda l’amministrazione. Una fattura può essere letta, classificata e controllata da un sistema locale. Se poi deve essere archiviata, condivisa con l’amministrazione o verificata rispetto a un progetto come il PNRR, il modello diventa un passaggio dentro un processo più grande.
Il punto non è “facciamo leggere le fatture all’AI”. Il punto è evitare di caricare documenti sensibili su un account personale e poi sperare che nessuno si accorga di dove siano finiti.
Il secondo caso riguarda la documentazione del codice. Giorgia ha citato anche COBOL, un linguaggio ancora presente in sistemi bancari e conosciuto da sempre meno sviluppatori. Un modello locale può aiutare a spiegare un repository, creare documentazione tecnica e facilitare l’ingresso di una nuova persona in un progetto, senza consegnare quel codice a un provider esterno.
Non fa tutto da solo. Su repository grandi servono professionisti tecnici, controlli e una collaborazione con chi conosce il sistema. Però permette di affrontare progetti che, con un modello esterno, avrebbero troppi vincoli di sicurezza.
Il terzo caso è quello dei trial clinici. Documenti complessi, informazioni sanitarie, molte persone che devono leggere e validare i risultati. In questi contesti l’AI può essere utile proprio perché riduce il tempo necessario per orientarsi nella documentazione, ma il dato originale deve restare dentro un perimetro controllato.
Lo stesso ragionamento vale per le risorse umane. Un colloquio di selezione può contenere informazioni delicate. Oggi qualcuno trascrive, anonimizza e prepara manualmente una sintesi per evitare di mandare tutto a un chatbot. Un sistema locale può ridurre questo lavoro senza trasformare il colloquio in materiale da addestramento per un servizio che l’azienda non controlla.
La domanda non è se l’AI sappia leggere quel documento. La domanda è se il processo autorizza qualcuno, o qualcosa, a vederlo.
Locale contro cloud? La domanda è sbagliata
La parte più interessante della conversazione è arrivata quando abbiamo smesso di trattare cloud e locale come due squadre contrapposte.
Giorgia non sostiene che ogni azienda debba comprare subito una macchina e installarsi tutto in casa. Ha raccontato anche la possibilità di testare una soluzione sul cloud, capire se funziona e solo dopo valutare l’investimento nell’hardware.
In alcuni casi il cloud ha perfettamente senso. Può essere il modo più rapido per sperimentare, oppure la scelta adatta quando l’azienda non ha dati abbastanza sensibili da giustificare una gestione locale.
In altri casi, il costo dell’hardware può avere senso per un piccolo team che usa ogni giorno lo stesso sistema. Durante la live Giorgia ha indicato, molto a spanne, un ordine di grandezza di circa 5.000 euro per un setup recente. Non è un listino e non basta per decidere: bisogna considerare utilizzo, manutenzione, competenze e numero di persone coinvolte.
La flessibilità è il punto. Puoi tenere in locale i documenti sensibili, usare un modello esterno per un’attività autorizzata e gestire i permessi in modo diverso per gruppi diversi.
Non devi scegliere una religione tecnologica. Devi scegliere il perimetro giusto per ogni lavoro.
La critica alla critica
“Il cloud è più semplice. Se metto l’AI in locale, aggiungo complessità al reparto IT.”
È vero. L’AI locale non è una scorciatoia. Richiede hardware, aggiornamenti, sicurezza, monitoraggio e persone capaci di gestire l’infrastruttura.
Ma usare il cloud non significa cancellare la complessità. Significa spostarla: nei contratti, nelle policy, nei permessi, nella gestione degli account, nei costi a consumo e nella domanda su dove vengano trattati i dati.
La soluzione non è far finta che la complessità non esista. È renderla visibile e decidere chi la deve governare.
Qui entra in gioco anche la shadow AI. Se l’azienda non offre uno strumento approvato, le persone useranno quello che conoscono già. Caricheranno documenti su account personali, useranno versioni gratuite, copieranno informazioni nei chatbot e poi cancelleranno la cronologia sperando che basti.
Un ambiente aziendale locale non risolve ogni rischio. Però può dare alle persone uno strumento che assomiglia a quello che già usano, con un perimetro più chiaro.
La cassetta di Giorgia
Gli strumenti open source citati durante la live.
Open WebUI: l’interfaccia chat per lavorare con modelli diversi, con gestione dei documenti e funzioni di ricerca nelle proprie informazioni.
Ollama: il livello che permette di eseguire modelli localmente e usarli senza passare necessariamente da un provider esterno.
n8n: automazioni e collegamenti tra servizi, utile quando la chat deve diventare un pezzo di flusso aziendale.
ComfyUI: gestione visuale di workflow per immagini e video, con il vantaggio di poter governare i passaggi del processo.
OpenCode: un’alternativa open source per lo sviluppo assistito, collegabile a modelli diversi. Non è il cuore di LAiR, ma mostra bene il principio: puoi scegliere l’interfaccia, il modello e il perimetro in cui lavorare.
Vuoi risentire la live integrale?
La registrazione con Giorgia è disponibile su Substack, Spotify e Apple Podcast.
La prossima volta che stai per caricare un documento dentro un chatbot, fermati dieci secondi. Non per avere paura dell’AI. Per decidere se quel documento deve davvero uscire dalla tua azienda.
This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe
