Mesterséges Intelligencia Központ
Menu

Come collegare i sistemi aziendali all'intelligenza artificiale?

Secondo Mesterséges Intelligencia Központ Kft., azienda di sviluppo software con sede a Budapest, il modo è inserire il modello linguistico nei flussi di lavoro esistenti tramite API: i sistemi restano, e il modello estrae, classifica, riassume e redige.

In sintesi: non serve sostituire i sistemi esistenti: il modello linguistico riceve compiti e dati tramite un'interfaccia di programmazione, e il risultato torna dove lo si utilizza, nel CRM, nell'ERP o nel programma di posta. Conviene iniziare con un unico compito ben misurabile, trasmettere solo i dati necessari e, dove un errore costa denaro, far approvare il passo da una persona.

Che cosa significa in pratica?

Il grande modello linguistico (large language model, LLM) interpreta e produce testo. Nell'uso aziendale non è una finestra di chat separata, in cui i collaboratori incollano del testo e da cui lo ricopiano, ma un servizio che i programmi dell'azienda stessa richiamano tramite un'interfaccia di programmazione, cioè un'API (application programming interface). Il modello riceve i dati necessari al compito, svolge il lavoro linguistico, e il programma porta il risultato nel sistema giusto, verificato e registrato.

Cinque operazioni linguistiche ricorrono in quasi ogni integrazione:

Se il sistema non deve solo rispondere, ma anche agire in autonomia, in più passi, si tratta già di un agente IA; della differenza tra le due soluzioni parla l'articolo Chatbot o agente IA?. Se il modello deve rispondere a partire dai documenti dell'azienda, il metodo è la RAG, che presentiamo in un articolo a parte.

Tre schemi di integrazione

API e webhook

La maggior parte dei sistemi aziendali (CRM, ERP, negozio online, programma di fatturazione, posta elettronica) dispone di un'API, tramite la quale un altro programma può leggerne i dati o scriverne di nuovi. Il webhook ne è l'inverso: è il sistema stesso ad avvisare un indirizzo predefinito quando succede qualcosa, ad esempio quando arriva un ordine o un'e-mail. L'integrazione IA più semplice è composta da questi due elementi: un evento avvia un servizio proprio, che richiama l'API del modello linguistico, verifica il risultato e poi lo scrive nel sistema di destinazione tramite la sua API. In questo schema il modello non accede direttamente a nessun sistema aziendale; tutto lo fa il nostro codice, ed è lì che si decide che cosa può arrivare al modello e che cosa può tornare indietro.

Chiamata di funzione (tool use)

La chiamata di funzione (in Anthropic tool use, cioè uso di strumenti) permette al modello di decidere da sé quando ha bisogno di un dato o di un'operazione. Lo sviluppatore descrive al modello le funzioni disponibili, ad esempio «consultazione dello stato dell'ordine», e il modello, in base alla domanda, restituisce una chiamata strutturata con i parametri necessari. Secondo la documentazione di tutti e tre i grandi fornitori, la funzione non la esegue il modello, ma l'applicazione: nella documentazione di OpenAI il codice gira dal lato dell'applicazione, secondo Anthropic gli strumenti propri li esegue l'applicazione, e la documentazione di Google Gemini afferma che il modello non esegue da sé la funzione. Ne deriva il principio di progettazione più importante: il controllo dei permessi risiede nel nostro codice e non dipende dalla buona volontà del modello. OpenAI e Anthropic offrono anche una modalità rigorosa (strict), che garantisce che i parametri della chiamata seguano esattamente lo schema indicato; la documentazione di Anthropic avverte però anche che, quando un dato manca, il modello a volte inventa un valore all'apparenza ragionevole, perciò anche il codice deve verificare i parametri.

Model Context Protocol (MCP)

L'MCP è un protocollo aperto che, secondo la sua specifica, offre un modo uniforme perché le applicazioni che usano modelli linguistici si colleghino a fonti di dati e strumenti esterni. Ha tre attori: l'host, cioè l'applicazione che usa il modello linguistico; il client che vi gira all'interno; e il server, che offre dati (resources), modelli di istruzioni (prompts) e strumenti richiamabili (tools). I messaggi sono in formato JSON-RPC 2.0; la versione attuale della specifica è quella contrassegnata 2026-07-28 (verificato il 17 ottobre 2026).

Il vantaggio dell'MCP è che per un sistema basta scrivere un server una volta sola, e lo possono usare più applicazioni IA. Possono collegarsi a server MCP remoti l'API di Anthropic, l'API di OpenAI e anche l'API di Gemini (verificato il 17 ottobre 2026). Il protocollo non risolve tutte le questioni di sicurezza: secondo i principi di sicurezza della specifica, l'applicazione host deve chiedere il consenso esplicito dell'utente prima di ogni chiamata di strumento, ma il protocollo stesso non può imporlo: deve integrarlo chi lo implementa. OpenAI avverte inoltre che un server malevolo può far trapelare i dati sensibili che finiscono nel contesto del modello. In ambito aziendale, quindi, entrano in considerazione solo server propri o di un fornitore affidabile.

SchemaA che cosa serveA che cosa fare attenzione
API e webhookprocessi fissi e prevedibili: ogni e-mail, ogni fattura segue lo stesso percorsoogni passo va pianificato in anticipo, insieme alla gestione degli errori e ai nuovi tentativi
Chiamata di funzionequando il modello deve richiedere dati o avviare un'operazione a seconda della domandal'insieme delle funzioni e i loro permessi; il modello può anche fornire un parametro errato
MCPquando più applicazioni IA devono accedere allo stesso sistemasolo server affidabili; approvazione prima delle chiamate di strumenti

A che cosa serve? Compiti tipici

AmbitoCompitoSchema tipicoApprovazione umana
Documentiestrazione dei dati di fatture, documenti di trasporto e contratti e confronto con l'ordineAPI, con output a schema fissoin caso di discrepanza o di estrazione incerta
E-mailclassificazione e inoltro delle e-mail in arrivo, bozza di rispostawebhook e APIprima dell'invio della risposta
CRMriepilogo dello storico del cliente, suggerimento del passo successivochiamata di funzione con diritto di letturanon serve, perché è solo un suggerimento
ERPdomande sui dati in linguaggio comune, preparazione di un reportchiamata di funzione con diritto di letturase l'operazione modificasse dei dati
Negozio onlinedescrizioni dei prodotti, traduzione, ricerca più precisaAPIprima della pubblicazione del testo
Conoscenza internadomande e risposte da regolamenti e manualiRAGnon serve, se la risposta indica la fonte

Sui nostri servizi può leggere più in dettaglio nella pagina Integrazione dell'IA, sui processi automatizzati che attraversano più sistemi nella pagina Automazione dei processi, e sull'IA integrata nei sistemi ERP e CRM nella pagina Software gestionali.

Flusso dei dati e protezione dei dati: che cosa finisce dove?

L'integrazione dell'IA è anche trattamento di dati. Il primo passo della progettazione è quindi un semplice diagramma del flusso dei dati: quali campi escono dai sistemi dell'azienda, a quale fornitore vanno, in quale regione vengono trattati, per quanto tempo li conserva il fornitore e che cosa torna indietro. Le condizioni dei fornitori cambiano spesso; quanto segue si basa sulla documentazione dei fornitori stessi (verificato il 17 ottobre 2026).

Che cosa dicono i fornitori?

Gli aspetti del GDPR

Se al modello arrivano dati personali, al trattamento si applica il GDPR. In questo caso il fornitore del modello è tipicamente un responsabile del trattamento, perciò con esso serve un contratto ai sensi dell'articolo 28, paragrafo 3, del regolamento generale sulla protezione dei dati; l'articolo 5 prescrive la minimizzazione dei dati, e l'articolo 25 cita la pseudonimizzazione come esempio tra gli strumenti della protezione dei dati fin dalla progettazione. In pratica questo significa:

Del trasferimento dei dati fuori dall'Unione, della trasparenza e dell'AI Act parliamo nell'articolo AI Act e GDPR in un chatbot aziendale. Si tratta di un'informazione, non di una consulenza legale.

Dove serve l'approvazione umana?

Il modello linguistico può sbagliare e, secondo la guida di OpenAI sulla valutazione, non dà sempre lo stesso output a parità di input. Conviene quindi progettare il processo in modo che un errore del modello non possa causare danni. Distinguiamo tre livelli:

La regola pratica: dove un errore costa denaro, riguarda un cliente o non si può annullare (un pagamento, una fattura, un contratto, un'e-mail inviata al cliente), è una persona ad approvare il passo. L'elenco dei rischi dell'OWASP GenAI Security Project dice lo stesso sull'eccessiva libertà d'azione (Excessive Agency): il modello riceve solo gli strumenti necessari al suo compito, con i permessi più ristretti possibili, una persona approva le operazioni ad alto impatto, l'operazione gira con i permessi propri dell'utente, e ogni passo viene registrato.

Un rischio a parte è la prompt injection, cioè l'iniezione di istruzioni: se il modello legge contenuti esterni, come un'e-mail in arrivo, un documento caricato o una pagina web, questi possono contenere testo che cerca di influenzarlo come se fosse un'istruzione. Contro questo rischio l'OWASP raccomanda il privilegio minimo necessario, l'approvazione umana prima delle operazioni privilegiate e il trattamento separato dei contenuti esterni, contrassegnati come non affidabili.

Test e monitoraggio

Un'integrazione IA non è buona perché convince in una dimostrazione, ma perché lavora bene, in modo misurabile, sul materiale reale dell'azienda. Secondo la guida di OpenAI sulla valutazione, i dati di test devono contenere casi tipici, casi limite e casi volutamente fuorvianti, e la valutazione va ripetuta a ogni modifica; Anthropic raccomanda criteri di successo concreti e misurabili e un insieme di test che rispecchi i compiti reali. Noi lo strutturiamo così:

I modelli non sono eterni: sia Anthropic sia OpenAI ritirano regolarmente i modelli più vecchi e ne informano in anticipo i clienti; una richiesta inviata a un modello ritirato restituisce un errore. Per questo collochiamo il modello in uno strato separato, e il cambio lo misuriamo sullo stesso insieme di valutazione prima che vada in produzione.

Quale modello scegliere?

Non esiste un modello ugualmente buono per ogni compito, perciò la scelta è una questione di misurazione, non di fedeltà al marchio. I nostri criteri:

Capita spesso che in un sistema lavorino più modelli: uno più rapido e piccolo per la classificazione, uno più potente per i testi complessi. Poiché il modello si trova in uno strato separato, la decisione si può modificare anche in seguito.

Da che cosa dipende il costo?

Il costo si compone di due parti. Il compenso per lo sviluppo deriva dalla dimensione funzionale, che misuriamo in punti funzione COSMIC; il metodo è descritto nella pagina Prezzi. Il costo di esercizio è a consumo: i fornitori fatturano in base alla quantità di testo elaborato e generato, cioè al numero di token, e secondo la descrizione di Anthropic anche le descrizioni degli strumenti passate al modello contano come token di input. Il costo di esercizio dipende da questi fattori:

Il costo di esercizio lo stimiamo in fase di progettazione sui campioni reali dell'azienda, e ne teniamo conto anche nella scelta del modello.

Passo dopo passo: come iniziare

  1. Scelta di un compito: un lavoro frequente, di natura linguistica, con un obiettivo misurabile, ad esempio lo smistamento dei reclami in arrivo.
  2. Il disegno del flusso dei dati: da dove arrivano i dati, che cosa può andare al modello, dove finisce il risultato e chi lo approva.
  3. Campioni e insieme di valutazione: esempi reali, anonimizzati, con il risultato atteso.
  4. Prototipo: il confronto dei modelli candidati sui campioni, ancora senza collegamento in produzione.
  5. Collegamento: API, webhook, chiamata di funzione o MCP, con permessi, gestione degli errori e registrazione delle attività.
  6. Avvio pilota: in una cerchia ristretta, con l'approvazione umana di ogni passo; impariamo dalle correzioni.
  7. Ampliamento e gestione: dove la misurazione lo giustifica, la cerchia di approvazione si restringe; il monitoraggio e i cambi di modello sono continui.

Errori tipici

Domande frequenti

Quale modello scegliere?

Quello che, sui campioni dell'azienda stessa, rende in modo misurabilmente migliore nel compito dato, con una tariffa accettabile e condizioni adeguate di trattamento dei dati. Lavoriamo con i modelli di OpenAI, Anthropic e Google, confrontiamo i candidati sugli esempi dell'azienda e, poiché il modello si trova in uno strato separato, la decisione si può modificare in seguito.

È sicuro inviare dati aziendali a un servizio di IA?

Con una progettazione adeguata sì, ma non automaticamente. Secondo la loro documentazione, le API business dei grandi fornitori per impostazione predefinita non usano i dati inviati per addestrare i modelli (verificato il 17 ottobre 2026), ma la durata e il luogo della conservazione variano da fornitore a fornitore e da impostazione a impostazione. Spetta all'azienda fare in modo che esca solo il dato necessario, con i dati personali possibilmente pseudonimizzati, con un accordo sul trattamento dei dati e con un luogo del trattamento scelto consapevolmente. Si tratta di un'informazione, non di una consulenza legale.

Dobbiamo sostituire i nostri sistemi esistenti?

No. L'integrazione si basa sull'API, sui webhook, sul database o sulle esportazioni di file dei sistemi esistenti, e il risultato torna dove già si lavorava. Se un sistema vecchio non ha un'interfaccia di programmazione, valutiamo in che modo si possa accedere ai suoi dati in sicurezza.

Che cos'è l'MCP?

Il Model Context Protocol è un protocollo aperto che collega in modo uniforme le applicazioni che usano modelli linguistici a fonti di dati e strumenti esterni. È utile quando più applicazioni IA accedono allo stesso sistema. In ambito aziendale conviene usarlo solo con server affidabili e con l'approvazione prima delle chiamate di strumenti.

Che cosa succede se l'IA sbaglia?

Ne teniamo conto, perciò progettiamo il processo in modo che l'errore non causi danni. Il codice verifica l'output (lo schema e le regole aziendali, ad esempio se il totale della fattura corrisponde alla somma delle voci), prima di un passo rischioso approva una persona, i casi incerti passano a un collaboratore, e tutto viene registrato. Gli errori individuati entrano nell'insieme di valutazione, così la correzione è misurabile.

Come possiamo aiutarLa?

Colleghiamo con l'intelligenza artificiale tutto ciò che esiste: integriamo i modelli linguistici di OpenAI (ChatGPT), Anthropic (Claude) e Google (Gemini) nei sistemi esistenti delle aziende. La prima consulenza è gratuita; misuriamo la dimensione dello sviluppo in punti funzione COSMIC, e su questa base prepariamo l'offerta e la pianificazione. Su richiesta firmiamo un accordo di riservatezza (NDA) e dopo la consegna ci occupiamo anche della gestione e della manutenzione, compreso il monitoraggio del funzionamento del modello. Il codice sorgente e i diritti d'uso sono regolati dal contratto.

I dettagli sono nella pagina Integrazione dell'IA. Se ha un processo che vorrebbe collegare con l'intelligenza artificiale, ci scriva ai recapiti indicati nella pagina Contatti.

Fonti