IA per le operazioni di un’azienda di servizi

Un’azienda madrilena di pulizie, manutenzione e giardinaggio: circa 60 dipendenti e centinaia di clienti, quasi tutti condomini. Le informazioni per lavorare erano sparse tra l’ERP, contratti in Word e PDF, preventivi, rapportini, fogli di calcolo, scansioni cartacee e anni di email.

Prima di cercare qualsiasi cosa bisognava sapere di chi parla ogni documento. Lo stesso condominio compare come «C. P. Olmo 14», «Calle del Olmo, 14 – portal», «Comunidad Olmo n.º 14» o semplicemente «Olmo» nell’oggetto di un’email. Un normale motore di ricerca tratta quei quattro nomi come quattro cose diverse, e un modello linguistico, se riceve frammenti di due condomini simili, mescola i dati senza avvisare.

Per questo il pezzo centrale non è il modello, ma un registro dei condomini: ogni condominio ha un codice canonico e un elenco di alias (oltre 5.000), e ogni documento è collegato al condominio a cui appartiene. I collegamenti sono stati verificati sul database di produzione.

1. Identificare. Prima riconosce di quale condominio parla la domanda e lo riconduce al suo codice.
2. Recuperare in due modi insieme. La ricerca è ibrida: per parole chiave (BM25 su SQLite FTS5, con un peso diverso per ogni campo del documento) e per significato (embedding text-embedding-3-small di OpenAI). Le parole chiave colgono ciò che gli embedding sfumano, come indirizzi, numeri civici o il gergo dell’ufficio. Il significato coglie ciò che le parole non hanno in comune.
3. Isolare. Se la domanda riguarda un condominio, entrano solo i documenti di quel condominio. Nel dubbio, il sistema preferisce restituire meno risultati piuttosto che uno sbagliato.
4. Rispondere con le fonti. Il modello scrive solo con ciò che è stato recuperato e cita da dove viene ogni dato. Se non lo trova, lo dice.

Lancia tre ricerche in parallelo per non far aspettare l’utente, tiene in cache gli embedding delle domande ripetute e ha un tetto di spesa sugli embedding perché una reindicizzazione non faccia esplodere la fattura.

• Scansioni: le pagine cartacee passano per l’OCR e vengono revisionate; le pagine di uno stesso documento sono raggruppate perché il sistema le legga insieme e non come frammenti sparsi.
• Email etichettate: ogni email importata viene classificata (aziendale, riservata del personale) per trattarla con il livello di riservatezza che le spetta.
• Rilasci controllati: ogni versione pubblicata porta un manifesto con l’impronta SHA-256 di ogni file, così si sa sempre cosa c’è sul server e si può tornare indietro.

Il secondo strumento scrive e impagina i preventivi dell’ufficio. La decisione chiave è stata separare la scrittura dal calcolo: il modello scrive il testo, ma i numeri e l’impaginazione (PDF e Word) sono codice deterministico. Con gli stessi dati esce sempre lo stesso documento, e un errore dell’IA non può mai cambiare un prezzo.

Inoltre propone i prezzi partendo dallo storico reale dell’ERP e calcola costo e margine con le tariffe del personale, così chi prepara il preventivo vede se il lavoro è redditizio prima di inviarlo.

Una suite d’ufficio con IA (email, riassunti, analisi dei capitolati di gara, revisione di contratti ed estrazione di fatture) e il primo ottimizzatore di percorsi dell’azienda, che è diventato RouteOpt.

In un’azienda vera la parte difficile non è il modello. È rendere affidabile il dato di partenza (indirizzi, nomi, versioni dello stesso documento) e fare in modo che il sistema sappia dire «non lo so» invece di inventare.