AI per PMI Veneto: dalla teoria allo strumento operativo, settore per settore

La survey Fòrema fotografa imprese del Nord Est, prevalentemente padovane, con campione composto da piccole imprese (40,4%), medie (37,2%) e grandi (22,3%). Settori dominanti: metalmeccanico 37,2%, chimico-farmaceutico e gomma-plastica 10,5%, legno-arredo 8,5%. È il Veneto che produce e vende fuori, non quello che vive di terziario.

Il dato che fa pensare: il 64,9% delle aziende già usa AI per attività creative (testi, materiali di comunicazione) e il 62,8% per scrivere mail e documenti. Ma solo una su cinque ha integrato l’AI in processi strutturali. Significa che il salto da “uso individuale” a “uso aziendale” è ancora largamente da fare.

Le aree dove gli imprenditori vedono opportunità sono produzione, manutenzione, logistica, gestione documentale, pianificazione operativa, supporto alle risorse umane. Sono i punti in cui ogni PMI manifatturiera o distributiva spende ore di persone qualificate ogni settimana, e in cui un agente AI o un’automazione mirata produce un risultato misurabile.

Il problema è su cosa applicarla. Vediamo cinque comparti e i casi che reggono alla prova.

È il settore con la presenza più forte nel campione Fòrema (37,2%) ed è anche il cuore industriale veneto, dalla meccatronica vicentina alle valvole bresciane fino alle commesse navali. Tre aree dove vediamo l’AI lavorare oggi nelle PMI metalmeccaniche.

La manutenzione predittiva parte dai sensori sui macchinari, che raccolgono dati di vibrazione, temperatura, consumo. Un modello AI legge i pattern e segnala in anticipo quando una macchina sta per chiedere intervento. È statistica applicata a uno storico di rotture. Il risultato: meno fermi non programmati, meno costi di manodopera straordinaria, più vita utile dei macchinari.

Il controllo qualità con visione artificiale usa una telecamera e un modello che riconosce i difetti che l’occhio umano fatica a distinguere a fine turno. Si parte da pochi tipi di difetto noti (graffi, deformazioni, saldature irregolari) e si scala, ed è una strada che paga soprattutto in oreficeria e nella lavorazione delle lamiere, dove un pezzo difettato che arriva in spedizione vale un cliente perso.

Nella preventivazione assistita il preventivista riceve disegni in PDF o file CAD dai clienti. L’AI estrae dimensioni, materiali, lavorazioni richieste, e prepara la prima bozza di preventivo basata sulle commesse storiche simili. Il preventivista resta a decidere prezzo e margini, mentre un lavoro da due ore si comprime in venti minuti.

Tutti e tre i casi partono da dato che già esiste in azienda: sensori, immagini, file CAD. Risolvono un problema specifico che si ripete settimana dopo settimana. E in tutti e tre l’agente prepara la pratica, l’umano firma.

Il Veneto del food va dal Prosecco DOCG ai formaggi di Asiago, dalle conserve fino alle nicchie premium. Settore frammentato in tante PMI familiari, con vincoli normativi pesanti (HACCP, etichettatura, MOCA) e supply chain delicate, dove tre casi ricorrono.

Nella tracciabilità di lotto ogni materia prima porta con sé l’origine, il fornitore e il lotto da cui arriva. Un agente AI legge bolle, DDT e fatture in entrata, riconcilia con ordini, popola la traccia di lotto nel gestionale, così che quando arriva un richiamo o un controllo la ricostruzione richiede minuti invece delle ore passate a rincorrere i documenti cartacei.

Nell’etichettatura assistita il punto di partenza è che le regole cambiano spesso (allergeni, claim nutrizionali, origine). Un assistente AI, alimentato con regolamenti aggiornati, controlla un draft di etichetta e segnala i punti dubbi al responsabile qualità prima che vada in stampa. Riduce errori e cicli di revisione con il grafico.

Il forecast delle vendite stagionali parte da un fatto ovvio, cioè che il Prosecco di settembre non ha la stessa domanda di quello di gennaio. Un modello AI che incrocia storico vendite, eventi, clima, ordini ricorrenti dei clienti horeca, propone numeri di produzione settimanale al titolare. Decide il titolare, ma con un’ipotesi numerica costruita su tutto lo storico, non su intuizione del momento.

Per il food il punto critico è l’integrazione con il gestionale, spesso vecchio o customizzato, più della privacy del dato: i lotti restano informazioni interne. Lì serve una valutazione tecnica preliminare prima di promettere automazione.

Distribuzione di componentistica, materiali edili, prodotti specialistici B2B. È un settore dove la marginalità si gioca su acquisti e rotazione di magazzino, non su novità di prodotto, e due casi si ripetono quasi ovunque.

La gestione delle offerte fornitori è il caso che descriviamo nell’articolo sugli agenti AI: un ufficio acquisti riceve trenta-quaranta offerte settimanali via mail, in PDF o Excel, e una persona dedicata trascrive tutto a mano. Un agente AI legge le mail, estrae prezzo, lead time, condizioni, popola la tabella di confronto, segnala scostamenti dallo storico. Tempo da due giornate uomo a mezza, errori di trascrizione a zero.

Il magazzino predittivo risponde a una domanda sola: quante settimane di stock servono per il codice X, dato lo storico delle vendite, le promozioni in arrivo e i lead time dei fornitori? Un modello AI calcola il punto di riordino dinamico, non fisso. Il magazziniere vede i suggerimenti e decide. Risultato: meno rotture di stock sui codici critici, meno overstock sui codici lenti, capitale circolante più snello.

Per la distribuzione la regola vale più che altrove: il dato c’è già, sta nel gestionale, e spesso non viene letto perché manca il tempo di leggerlo. L’AI qui accelera la lettura, non la raccolta.

Distretti calzaturiero della Riviera del Brenta, eyewear bellunese, abbigliamento diffuso. Settore con stagionalità forti, mercati internazionali, ritorno qualità su volumi non sempre alti, e tre ambiti in cui l’AI sta entrando.

La pianificazione delle collezioni comincia da una domanda: quali modelli stanno andando bene, e in quale paese? Un agente AI legge dati di sell-in, sell-out e resi, propone al merchandiser un riepilogo che evidenzia best-seller, casi anomali e modelli a rischio. Il merchandiser firma, ma legge una sintesi già pronta invece di costruirla in tre giorni.

Nel customer service multilingua il reclamo arriva in tedesco da un cliente tedesco. Chatbot LLM con knowledge base prodotto risponde nelle prime 24 ore con la procedura di reso o sostituzione. Solo i casi fuori perimetro arrivano a una persona, già corredati del riepilogo del contesto, e il tempo medio di risposta si accorcia mentre il customer service resta libero per i casi complessi.

Nel riconoscimento dei difetti sui resi il cliente carica la foto del prodotto difettato. Un modello di visione classifica il tipo di difetto (cucitura, materiale, finitura) e indirizza la pratica al reparto giusto, accorciando la presa in carico e producendo dati strutturati che tornano utili al controllo qualità a monte.

Nel fashion il rischio specifico è sovra-promettere lato AI generativa: “ti facciamo il design della collezione con l’AI”. Quasi mai funziona come promesso, e i settori più esperti lo sanno. Il ritorno arriva altrove: pianificazione, customer service, qualità.

Studi tecnici, società di consulenza, agenzie, ICT, manutenzione industriale, servizi alle imprese. È il comparto dove “AI per la produttività individuale” ha trovato adozione spontanea, mentre l’AI di processo è ancora ai blocchi di partenza, con tre casi ricorrenti.

La qualifica dei contatti dopo una fiera o una campagna parte da duecento nominativi raccolti tra biglietti da visita scannerizzati, form di sito, registrazioni evento. Un agente AI arricchisce ciascun contatto con informazioni pubbliche (azienda, ruolo, settore), assegna priorità, prepara la prima bozza di mail personalizzata, e il commerciale apre la giornata con i contatti già lavorabili invece che con un foglio Excel da ripulire.

La reportistica direzionale settimanale nasce da un direttore finanziario o da un titolare che vuole gli indicatori consolidati ogni lunedì mattina: fatturato rispetto al budget, ore lavorate per commessa, scostamenti sui clienti principali. L’agente legge gestionale e fogli di lavoro, sintetizza, consegna un riepilogo che il direttore finanziario controlla in cinque minuti invece di costruire in due ore.

Nella knowledge base interna conversazionale le domande suonano così: “Come gestiamo il caso X?”, “Quale procedura applichiamo per il cliente Y?”. Il dipendente nuovo o quello che torna da una pausa lunga interroga in linguaggio naturale la documentazione interna invece di cercarla in cinque cartelle diverse, il che accorcia i tempi di inserimento delle persone nuove e rende uniformi le risposte che arrivano ai clienti.

Per i servizi il vantaggio è doppio: la qualità del dato è spesso buona (CRM gestionali ordinati) e la propensione a usare strumenti digitali è alta. Il rischio è il contrario del fashion: voler fare troppo subito, in più direzioni. Anche qui vale più un caso d’uso che regge che cinque sperimentazioni lasciate a metà.

Mettendo in fila gli scenari descritti, tre regole pratiche emergono ovunque, indipendentemente dal settore.

1. Il dato strutturato è il prerequisito. L’AI lavora su dati che esistono e sono leggibili: sensori che funzionano, gestionali popolati, mail archiviate, documenti scansionati.

È il principio su cui è costruita la piattaforma di monitoraggio realizzata da Newwave per Elettrostudio, dove i numeri arrivano dagli impianti già in funzione e nessuno li ridigita. Se invece i dati stanno in fogli Excel sparsi nelle cartelle dei dipendenti, prima si fa ordine e poi si automatizza: è un passaggio noioso e propedeutico.

2. Il pilota si sceglie circoscritto. Non si parte automatizzando l’intero customer service, l’intero ufficio acquisti, l’intera reportistica. Si parte da uno scenario specifico, misurabile, con un perimetro chiaro. Quando funziona produce l’evidenza che convince il resto dell’azienda, e da lì si scala.

3. I guardrail si scrivono prima del lancio. Cosa l’agente AI può decidere da solo, cosa propone all’umano, cosa non tocca mai. Questa parte sembra burocratica ed è quella che separa un sistema utile da uno che produce incidenti. Più i confini sono espliciti all’inizio, più si possono allargare in un secondo momento.

Per chi ha letto fin qui e si chiede da dove muovere, questi sono i passaggi che funzionano.

Passo 1: mappare tre processi candidati. Ripetitivi, cioè che succedono spesso; prevedibili, cioè con variazioni note; a basso rischio in caso di errore. Per il metalmeccanico sono manutenzione, controllo qualità, preventivazione; per il food tracciabilità, etichettatura, forecast; per la distribuzione offerte fornitori e rotazione di magazzino.

Passo 2: scegliere il più contenuto. La tentazione è automatizzare il problema più doloroso, ed è l’errore che vediamo ripetersi: il pilota deve produrre evidenza di funzionamento, non una rivoluzione. Da un caso piccolo che funziona si arriva a quello grande, mentre da un caso grande che funziona a metà non si arriva da nessuna parte.

Passo 3: verificare se serve un agente AI o se basta meno. Spesso un chatbot o un’automazione semplice risolve e costa molto meno. La domanda da porsi è una sola: il processo richiede solo conversazione (informare, raccogliere) oppure azione sui sistemi (leggere, aggiornare, comunicare)?

Passo 4: definire i guardrail prima del lancio. Cosa l’agente decide da solo, cosa propone, cosa non tocca: va messo per iscritto, ed è la parte che salva budget e reputazione.

Chiedi all’assistente quale processo della tua azienda è pronto per un primo agente AI: la risposta arriva da una conversazione, non da un preventivo.

Cinque errori ricorrenti nelle PMI venete che si avvicinano all’AI per la prima volta.

1. Comprare un agente AI prima di aver digitalizzato i processi. Senza dato strutturato, l’agente non lavora. Va fatta la pulizia preliminare, oppure si parte da scenari dove il dato c’è già nativamente (sensori, mail, gestionale).
2. Confondere AI generativa con AI di processo. ChatGPT che scrive una mail e un agente che gestisce l’ufficio acquisti sono due cose diverse, anche se sotto cofano usano gli stessi modelli. Confonderle porta a sottostimare il lavoro che il secondo richiede.
3. Affidarsi al fornitore “tutto incluso”. Soluzioni SaaS che promettono “AI per il tuo settore” pronta in due settimane spesso coprono una frazione del bisogno e bloccano il dato dentro il loro perimetro. Il dato proprietario è il vantaggio competitivo, e non conviene chiuderlo in una piattaforma di terzi.
4. Saltare la fase del pilota. Si parte direttamente in produzione su un processo critico, succede un incidente piccolo e l’organizzazione perde fiducia. Pilota su scenario non critico è la regola, non l’eccezione.
5. Pretendere di non coinvolgere le persone. L’AI non sostituisce le persone qualificate, le amplifica. Se il preventivista o il responsabile qualità non capiscono cosa fa l’agente e perché, il sistema viene aggirato. Coinvolgerli dall’inizio vale metà del lavoro di progetto.

Il Veneto delle PMI è arrivato all’AI con calma e con scetticismo, e in molti casi è stato un bene. Quella prudenza ha protetto da diversi cicli di entusiasmo tecnologico, e regge finché l’errore di partire tardi costa poco. Adesso il calcolo è cambiato: i casi d’uso esistono nei nostri settori e sono documentabili, e restare fermi un altro anno costa più che muoversi ora.

Per chi lavora nel metalmeccanico, nell’alimentare, nella distribuzione, nella moda o nei servizi B2B il primo passo è guardare i propri processi e chiedersi dove si perdono più ore di persone qualificate in attività ripetitive. Quel punto è il candidato per il pilota, e la mappa si può fare in una mattina con un foglio e i responsabili di funzione.

Per approfondire restano l’articolo sull’automazione dei processi aziendali e quello su l’AI nelle PMI italiane. Sul versante operativo, il servizio di AI e automazione e quello di business intelligence e controllo di gestione partono dai casi documentati, non dalle slide.

È così che Newwave lavora come agenzia AI in Veneto: si parte dalla mappa dei processi, non dallo strumento.
Racconta all’assistente settore, dimensione e problema e vedi da dove partire.