IA locale per la tua attività: 5 casi d'uso pratici

La prima domanda che arriva quando si parla di IA locale in un'azienda è sempre la stessa: «A chi serve? Ai hobbisti?». La risposta breve: serve a te. Un'IA locale — un modello di linguaggio che gira su un hardware che possiedi, nella tua rete — non è più una curiosità da laboratorio. Per un'azienda piccola o media è uno strumento utilizzabile subito, e lo è proprio per le cose noiose, ripetitive e burocratiche che mangiano ore ogni giorno.

In questo articolo ti mostriamo 5 casi d'uso concreti che puoi mettere in produzione con tool già disponibili e con hardware che magari possiedi già, senza abbonamenti a consumo e con dati che non lasciano mai la tua rete.

Perché l'IA locale ha senso in azienda

Tre vantaggi precedono tutti gli altri:

• I tuoi dati restano da te. Email dei clienti, preventivi, documenti interni: non escono dal tuo server. Per un'azienda che gestisce informazioni sensibili, è la differenza tra un'opzione reale e un nodo contrattuale.
• Il costo è una spesa unica, non un canone. Compri l'hardware una volta — o ne riprendi uno che già hai. Ogni risposta dopo non "costa" niente.
• Funziona anche senza internet. Se la connessione cade o il provider ha un'interruzione, l'assistente continua a rispondere.

La regola che vale per tutti e 5 i casi d'uso: il modello bozza, un umano decide. L'IA locale fa il lavoro pesante, la verifica finale resta a una persona. È così che si ottengono risultati nel primo mese, senza fidarsi ciecamente della macchina.

Caso d'uso 1 — Supporto clienti sui tuoi documenti

La domanda più frequente del supporto è anche quella a cui hai già la risposta: è nei documenti prodotto, nelle FAQ, nella policy di reso. Ma ogni volta qualcuno deve rovistare in 30 PDF per trovare il paragrafo giusto.

Con il RAG — la tecnica che esploreremo in un articolo dedicato — l'assistente legge i tuoi documenti e risponde a partire da quelli. In pratica: installi Ollama con un modello come Qwen 2.5 14B, ci metti davanti un'Open WebUI con una base di conoscenze caricata. L'operatore scrive "il cliente chiede la garanzia sul modello X" e ottiene una risposta bozzata con i passaggi del documento rilevanti. La rilegge, la manda.

Il guadagno: i tempi di risposta scendono da ore a minuti, e il sapere che era "nella testa di qualcuno" diventa disponibile a tutti.

Caso d'uso 2 — Elaborare i documenti: dal PDF ai dati strutturati

Ogni ufficio affoga in documenti: fatture, contratti, ordini, preventivi. Gran parte del lavoro è identico: leggere, estrarre i numeri, copiarli in un foglio di calcolo.

L'IA locale è molto brava a questo. Il flusso: converti il PDF in testo, passi il testo al modello e chiedi un'uscita JSON strutturata:

Estrai da questo documento: fornitore, totale, data di scadenza, partita IVA.
Rispondi solo in JSON con le chiavi: fornitore, totale, scadenza, partita_iva.

Un modello Qwen 2.5 14B — o Mistral 7B se vuoi più leggero — gira comodo su una macchina da 32 GB e produce un'output pulita e parsabile. Poi puoi automatizzare tutto: una cartella riceve i PDF, uno script li converte, il modello compila il CSV. Nessuno tocca più la tastiera.

Limite pratico: per documenti manoscritti o scansionati male serve un passo OCR prima del modello. Per i PDF "nati digitali", l'estrazione diretta del testo basta.

Caso d'uso 3 — Ricerca interna sui tuoi documenti

"Qual è la policy attuale di sconto sugli ordini grandi?" "Dov'è il contratto di quel cliente?" "Chi gestisce i resi della zona Y?" — domande a cui la risposta è in un documento, da qualche parte.

La ricerca interna è la versione evoluta del caso d'uso 1: invece di una base di conoscenze per il supporto, è un assistente per tutti i dipendenti. Il meccanismo è lo stesso — RAG con embedding e database vettoriale — ma il corpus è più largo: policy aziendali, processi interni, storico clienti, decisioni passate.

Il vantaggio è più sulla coerenza che sul documento stesso: tutti rispondono alla stessa domanda con gli stessi numeri, e nessuno lavora su un PDF del 2023 che non esiste più.

Caso d'uso 4 — CRM: dalla pila di note al lead ordinato

Commerciale e vendite passano molto tempo a scrivere: note di riunione, email di follow-up, aggiornamento del CRM. E i dati del CRM valgono esattamente quello che ci metti dentro.

Con l'IA locale si automatizza la parte noiosa:

1. Note di riunione → dati strutturati. Incolla le note, ottieni un riepilogo con le prossime azioni, gli accordi presi e i punti aperti.
2. Email in entrata → classificazione e risposta bozza. Il modello legge l'email, la tagga (preventivo, reclamo, domanda) e bozza la risposta nel tuo tono.
3. Workflow. n8n — piattaforma di automazione self-hosted — tiene insieme il tutto: arriva un'email, il modello locale la riepiloga e la classifica, la scheda va nel CRM, la notifica al venditore. Senza che un singolo email parta verso un servizio esterno.

È il caso d'uso che richiede più allestimento, ma anche quello con il miglior rapporto impatto/ora investita.

Caso d'uso 5 — Contenuti e generazione con la tua voce

Marketing, descrizioni prodotto, comunicazioni interne: contenuti che vanno prodotti in continuazione, con un tono riconoscibile.

Qui la tecnica è lo system prompt — un set di istruzioni che dai una volta al modello e che governa ogni risposta: tono del brand, parole da usare e da evitare, formato. Lo scrivi una volta, lo salvi, lo usi per ogni contenuto: descrizioni prodotto, newsletter, post.

Due consigli che funzionano davvero:

• Genera 3 varianti, non 1. La qualità del modello oscilla; scegliere la migliore di 3 costa meno che rifare un bozza brutta.
• Dagli il contesto. Per una descrizione prodotto, incolla la scheda tecnica nel prompt. Una descrizione senza le specifiche vere è generica; con le specifiche è concreta.

Se usi già LM Studio o Open WebUI, è il primo test che fai in 10 minuti: scrivi lo system prompt e genera la stessa descrizione prodotto 3 volte.

Che hardware serve?

Per questi 5 casi d'uso non serve una workstation con GPU da server. Puntate pratiche:

Hardware	Modello	Uso adatto
16 GB RAM	7B (Mistral 7B)	Supporto, documenti brevi
32 GB RAM	14B (Qwen 2.5 14B)	Tutti e 5 i casi d'uso
64 GB RAM / GPU dedicata	30B+	Grossi volumi di documenti

Conta la qualità del modello sul compito: un 14B quantizzato in Q4 batte un 70B che non puoi permetterti nel 90% dei casi d'uso aziendali. Se vuoi approfondire la scelta, c'è un articolo su GPU o CPU: quando la CPU basta, e una serie di articoli sulla scelta del modello.

Come iniziare in 30 minuti

1. Installa Ollama su una macchina con almeno 16 GB di RAM.
2. Scarica il modello: ollama run qwen2.5:14b (o mistral:7b se la macchina è modesta).
3. Installa Open WebUI, puntalo su Ollama, crea una base di conoscenze con i tuoi 5 documenti più richiesti.
4. Prova il caso d'uso 1: scrivi una domanda vera di un cliente e guarda se la risposta cita i tuoi documenti.

Se in 30 minuti hai una risposta bozzata che cita il documento giusto, hai già in mano un sistema che può crescere verso gli altri 4 casi d'uso. È questo che rende l'IA locale per aziende diversa da un progetto: una serie di passi da 30 minuti, non una scommessa.

Articolo generato con IA