Caso studio AI: PMI manifatturiera da 35 dipendenti

400 ore all’anno perse in attività che nessuno voleva misurare

In una PMI manifatturiera da 35 dipendenti, specializzata in lavorazioni meccaniche di precisione per il settore dell’automazione industriale, c’era un problema che tutti conoscevano ma nessuno quantificava. Il tempo perso ogni giorno in attività ripetitive — offerte commerciali riscritte da zero, report di turno disomogenei, email di assistenza tecnica riformulate ogni volta, passaggi di consegna fatti a voce — si accumulava in silenzio.

Quando il titolare ha deciso di misurare davvero, il risultato è stato più pesante del previsto: oltre 400 ore all’anno distribuite tra area commerciale, produzione e servizio clienti. L’equivalente di quasi tre mesi di una persona a tempo pieno, spesi a rifare lavoro che qualcuno aveva già fatto il giorno prima.

Questo caso studio racconta come quell’azienda — la Torneria Galbiati, nome fittizio per proteggere l’identità reale — ha recuperato quelle ore in meno di 90 giorni, senza assumere, senza comprare software costosi e senza stravolgere i processi esistenti. Ha usato l’intelligenza artificiale come acceleratore di metodo, non come sostituto delle persone.

Se gestisci una PMI manifatturiera e hai la sensazione che il tuo team passi troppo tempo a rifare cose già fatte, qui trovi numeri reali, errori commessi e lezioni applicabili.

Il contesto: un’azienda manifatturiera come tante

La Torneria Galbiati è un’azienda del Nord Italia con 35 dipendenti. Produce componenti meccanici di precisione per clienti dell’automazione industriale, prevalentemente B2B. Il fatturato è stabile intorno ai 5 milioni di euro, con margini sotto pressione per la concorrenza sui prezzi e i tempi di consegna sempre più stretti.

L’organigramma è tipico di una PMI manifatturiera italiana:

• Area produzione: 18 operatori su due turni, un responsabile di produzione e un addetto al controllo qualità
• Area commerciale: 4 persone (un direttore commerciale, due commerciali senior, un junior)
• Ufficio tecnico: 3 persone tra progettazione e preventivazione
• Amministrazione e servizio clienti: 5 persone
• Direzione: il titolare e un responsabile operativo

Non è un’azienda tecnologica. Prima dell’intervento, il livello di digitalizzazione era nella media: un gestionale ERP per la produzione, email e telefono per i clienti, Excel per quasi tutto il resto. Nessuno in azienda aveva competenze specifiche sull’intelligenza artificiale.

Il punto di partenza era quello che il libro Intelligenza Artigianale definisce “caos ordinato”: l’azienda funzionava, i clienti erano soddisfatti, ma sotto la superficie c’era una quantità enorme di lavoro ripetitivo che nessuno aveva mai provato a standardizzare.

Il problema: tre aree, tre sprechi diversi

Prima di toccare qualsiasi strumento AI, il responsabile operativo ha dedicato due settimane a mappare dove andava il tempo. Ha chiesto a ogni area di annotare, per dieci giorni lavorativi, le attività ripetitive che richiedevano più di 15 minuti ciascuna. Il risultato ha evidenziato tre aree critiche.

Area commerciale: offerte lente e disomogenee

I quattro commerciali producevano in media 28 offerte al mese. Ogni offerta richiedeva tra i 90 e i 210 minuti, a seconda della complessità e dell’esperienza del commerciale. Il junior impiegava quasi il doppio dei senior e produceva bozze che richiedevano 2-3 giri di revisione prima dell’invio.

Il processo era sempre lo stesso: cercare un’offerta simile nel gestionale, copiarla, modificare i dati tecnici, riscrivere l’approccio proposto, riformulare le condizioni economiche, far rivedere al direttore commerciale. Ogni volta da capo, perché non esisteva un template strutturato né un metodo condiviso.

Tempo stimato perso: circa 160 ore all’anno solo in riscritture evitabili e iterazioni di revisione.

Area produzione: report di turno illeggibili

Il passaggio di consegna tra i due turni avveniva con un foglio compilato a mano, dove ogni capomacchina annotava fermi, anomalie, pezzi scartati e note varie. Il problema non era la buona volontà, ma la totale disomogeneità: ognuno scriveva a modo suo, con abbreviazioni personali, dettagli mancanti e nessun formato standard.

Il responsabile di produzione passava almeno 30 minuti ogni mattina a decifrare i report del turno precedente e spesso doveva richiamare il capoturno per farsi spiegare cosa fosse successo davvero. Le non conformità venivano segnalate in ritardo o non venivano segnalate affatto perché “tanto lo sa già Marco”.

Tempo stimato perso: circa 130 ore all’anno tra ricostruzione contesto, telefonate e segnalazioni ritardate.

Servizio clienti: risposte tecniche riscritte ogni volta

L’ufficio che gestiva le richieste post-vendita riceveva circa 45 richieste a settimana, tra domande tecniche, stato ordini, reclami e richieste documentali. Il 60% di queste domande era ricorrente, ma ogni operatore rispondeva a modo suo, riscrivendo ogni volta spiegazioni che erano già state date decine di volte.

Non esisteva una knowledge base, un archivio di risposte modello o una tassonomia delle richieste. Il risultato era una variabilità enorme nei tempi di risposta — da 10 minuti a oltre un’ora per richieste sostanzialmente identiche — e un tasso di escalation al tecnico del 35%, spesso inutile.

Tempo stimato perso: circa 140 ore all’anno in risposte duplicate e escalation evitabili.

La decisione: un pilota stretto, non una rivoluzione

Di fronte a 400 ore annue di spreco documentato, la tentazione era affrontare tutto insieme. Il titolare voleva “digitalizzare l’azienda con l’AI”. Il responsabile operativo lo ha fermato con una domanda semplice: “Se partiamo da tre fronti contemporaneamente, chi controlla la qualità?”

La risposta onesta era: nessuno. E questa è esattamente la trappola che il libro Intelligenza Artigianale descrive come la più comune nelle PMI: confondere l’urgenza con la capacità di gestire il cambiamento. Chi prova ad automatizzare tutto insieme finisce per non automatizzare nulla bene.

La scelta è stata partire da un solo processo per area, con un owner nominato, una baseline misurata e un perimetro stretto. Il piano prevedeva tre fasi da 30 giorni ciascuna, con una regola ferrea: si passa alla fase successiva solo se la precedente regge.

Gli strumenti scelti

L’azienda non ha comprato software dedicati. Ha usato strumenti già disponibili o con costi contenuti:

• ChatGPT Team (già in uso da due commerciali per usi sporadici): esteso a tutte le aree coinvolte
• Un foglio Google condiviso per tracciare baseline, tempi e risultati
• Il gestionale esistente come fonte dei dati storici

Il costo aggiuntivo è stato di circa 150 euro al mese per le licenze ChatGPT Team, più il tempo delle persone dedicate alla configurazione. Nessun consulente esterno, nessun progetto IT complesso.

Fase 1 (giorni 1-30): l’area commerciale

Il primo pilota ha riguardato le offerte commerciali, per una ragione precisa: era il processo con la baseline più chiara (28 offerte/mese, tempo medio tracciabile) e l’owner più motivato (il direttore commerciale).

Settimana 1: raccolta e standardizzazione

Il team ha raccolto 15 offerte vinte negli ultimi 18 mesi e le ha analizzate per estrarre la struttura comune. Tutte le offerte efficaci contenevano gli stessi sei elementi:

1. Riepilogo della richiesta del cliente
2. Soluzione tecnica proposta
3. Materiali e lavorazioni previste
4. Tempi di consegna e condizioni
5. Prezzo e modalità di pagamento
6. Esclusioni e limiti di responsabilità

Da questa analisi è nato un template unico, non un documento rigido ma uno schema con sei sezioni fisse e un campo libero per le specificità tecniche.

Settimana 2: creazione del prompt e test

Il direttore commerciale ha costruito un prompt strutturato che prendeva in input le note della call con il cliente (cinque campi obbligatori: azienda, esigenza, specifiche tecniche, vincoli di tempo, budget indicativo) e produceva una prima bozza di offerta secondo il template.

I primi risultati erano mediocri. Il prompt tendeva a:

• ammorbidire le clausole di esclusione (“potrebbe non includere” invece di “non include”)
• inventare specifiche tecniche plausibili ma non verificate
• usare un linguaggio troppo formale rispetto allo stile dell’azienda

Settimana 3-4: correzione e rodaggio

Il team ha corretto il prompt aggiungendo tre regole esplicite:

1. “Riporta le esclusioni verbatim dall’input, senza parafrasarle”
2. “Non aggiungere mai specifiche tecniche non presenti nell’input — scrivi [DA VERIFICARE]”
3. “Usa lo stesso tono delle offerte modello allegate”

Dopo queste correzioni, la qualità delle bozze è migliorata drasticamente. Il direttore commerciale ha introdotto un passaggio di review obbligatorio prima dell’invio, concentrato su tre punti: promesse, pricing e condizioni non standard.

I risultati della Fase 1

Il dato più rilevante non era il tempo risparmiato in sé, ma la riduzione della variabilità. Il commerciale junior produceva ora bozze qualitativamente comparabili a quelle dei senior, riducendo drasticamente la dipendenza dalle persone più esperte. Questo risultato riflette esattamente quanto documentato nel caso della PMI manifatturiera da 24 persone che ha ottenuto risultati analoghi sulle offerte commerciali.

Fase 2 (giorni 31-60): la produzione

Con il pilota commerciale stabilizzato, l’azienda è passata ai report di turno. L’owner era il responsabile di produzione, una persona pragmatica e inizialmente scettica.

Il problema tradotto in numeri

Ogni giorno venivano compilati due report di turno (mattina e pomeriggio). In un mese, 44 report. Di questi, circa il 40% era incompleto o ambiguo al punto da richiedere un chiarimento telefonico il giorno dopo.

Il costo non era solo il tempo del responsabile (30 minuti al giorno per decifrare i report), ma soprattutto il rischio operativo: una non conformità non segnalata correttamente poteva propagarsi al turno successivo, con scarti aggiuntivi e ritardi di consegna.

L’intervento: prima il template, poi l’AI

L’errore che molte aziende commettono — e che il libro Intelligenza Artigianale segnala con insistenza — è usare l’AI per accelerare un processo caotico. Il responsabile di produzione ha fatto il contrario: prima ha definito un formato standard per il report di turno, poi ha usato l’AI per aiutare i capoturno a compilarlo.

Il template prevedeva sei campi obbligatori:

1. Pezzi prodotti: quantità per codice articolo
2. Scarti e non conformità: descrizione, quantità, causa presunta
3. Fermi macchina: durata, causa, azione correttiva
4. Materiali: consumi anomali o riordini necessari
5. Sicurezza: segnalazioni o quasi-incidenti
6. Note per il turno successivo: priorità e avvisi

I capoturno compilavano i campi con note rapide (anche vocali, dettate e trascritte). Un prompt dedicato trasformava quelle note in un report strutturato e leggibile, che il responsabile poteva revisionare in 5 minuti invece di 30.

I risultati della Fase 2

L’effetto collaterale più prezioso è stato culturale. Con un formato standard, i capoturno hanno iniziato a prestare più attenzione a cosa scrivevano. Il template li costringeva a pensare in modo strutturato, e questo ha migliorato la qualità delle segnalazioni indipendentemente dall’AI.

Fase 3 (giorni 61-90): il servizio clienti

L’ultimo pilota ha riguardato le risposte alle richieste tecniche post-vendita. L’owner era la responsabile amministrativa, che coordinava anche il servizio clienti.

Mappatura delle richieste ricorrenti

Il primo passo è stato classificare le 45 richieste settimanali per tipo. Dopo due settimane di raccolta dati, il quadro era chiaro:

Il 60% delle richieste (stato ordine, domande tecniche ricorrenti e richieste documentali) seguiva schemi prevedibili. Erano le stesse domande, con le stesse risposte, riscritte ogni volta da persone diverse in modi diversi.

Costruzione della base di risposte

Il team ha raccolto le migliori risposte date negli ultimi sei mesi per le 20 domande più frequenti. Con l’AI ha trasformato quel materiale in template di risposta standardizzati, ciascuno con:

• Saluto e riferimento alla richiesta
• Risposta tecnica o informazione richiesta
• Eventuali documenti allegati
• Invito a contattare per ulteriori chiarimenti

Per le domande tecniche più complesse, il team ha creato una mini knowledge base con 25 schede prodotto che includevano specifiche, tolleranze, materiali e risposte alle domande più comuni. Questo approccio segue lo stesso metodo descritto nell’articolo sulla knowledge base aziendale con AI: non creare contenuti dal nulla, ma rendere utilizzabile la conoscenza che già esiste.

Le regole di confine

Non tutte le risposte potevano essere assistite dall’AI. Il team ha definito tre casi in cui la review umana era obbligatoria e non delegabile:

1. Reclami e contestazioni: qualsiasi richiesta con tono negativo o menzione di difetti
2. Richieste con implicazioni contrattuali: penali, resi, condizioni speciali
3. Clienti strategici: i primi 10 clienti per fatturato, indipendentemente dal tipo di richiesta

Per tutte le altre richieste, l’operatore riceveva una bozza di risposta che poteva approvare, modificare o scartare. L’invio restava sempre manuale.

I risultati della Fase 3

I numeri complessivi: 400 ore recuperate, 90 giorni

Dopo tre mesi, il quadro complessivo era questo:

Il costo delle licenze software per il primo anno era di circa 1.800 euro. Il costo del setup, calcolato sul costo orario medio aziendale di 32 euro, era di circa 3.200 euro. Il beneficio annuo stimato, calcolato sulle ore risparmiate allo stesso costo orario, era di circa 13.280 euro.

Il ROI dell’intelligenza artificiale non si misura solo in ore risparmiate. In questo caso, il valore aggiuntivo includeva: meno errori nelle offerte, passaggi di consegna più affidabili in produzione e tempi di risposta dimezzati per i clienti. Benefici difficili da quantificare ma evidenti a chiunque lavorasse in azienda.

Cinque lezioni che valgono per qualsiasi PMI manifatturiera

1. Standardizzare prima, automatizzare poi

La lezione più importante di tutto il progetto è questa: l’AI ha amplificato un metodo, non lo ha creato. In ogni area, il valore è arrivato prima dalla definizione di uno standard (template offerta, formato report, tassonomia richieste) e solo dopo dall’accelerazione con l’AI.

Chi salta il primo passaggio e prova a dare in pasto all’AI un processo caotico ottiene caos più veloce. Chi prima ordina e poi accelera ottiene risultati misurabili in poche settimane.

2. Un processo alla volta, con un owner nominato

Ogni fase aveva una persona responsabile che non era il titolare. Il direttore commerciale per le offerte, il responsabile di produzione per i report, la responsabile amministrativa per il servizio clienti. Senza un owner operativo, i prompt invecchiano, i template non vengono aggiornati e il progetto muore in silenzio.

3. La review umana non è un costo: è il guardrail

In tutte e tre le aree, la review umana è rimasta obbligatoria. Il direttore commerciale controllava ogni offerta prima dell’invio. Il responsabile di produzione validava ogni report. Gli operatori del servizio clienti approvavano ogni risposta prima di spedirla.

Questo ha un costo? Certo, circa 5-8 minuti per review. Ma è il costo che impedisce all’AI di mandare un’offerta con il prezzo sbagliato, un report con una non conformità inventata o una risposta tecnica imprecisa a un cliente strategico.

4. Misurare la baseline prima di toccare qualsiasi strumento

Le due settimane di mappatura iniziale sono state l’investimento più redditizio dell’intero progetto. Senza una baseline, ogni miglioramento è un’opinione. Con una baseline, anche imperfetta, il team può dire con certezza: prima ci volevano 150 minuti, ora 48. Non servono dashboard complesse: bastano un foglio e la disciplina di annotare i tempi reali.

5. Partire con strumenti già disponibili

L’azienda non ha comprato un software verticale per il manifatturiero, non ha ingaggiato una società di consulenza e non ha costruito integrazioni custom. Ha usato uno strumento generico (ChatGPT Team) con prompt ben strutturati e template definiti internamente. Il valore non era nello strumento, ma nel metodo.

Cosa non ha funzionato (e cosa farebbero diversamente)

Nessun caso studio è completo senza gli errori.

Il prompt per le offerte era troppo “gentile”. Tendeva ad ammorbidire clausole di esclusione e limiti di responsabilità. Il team ha impiegato due settimane per accorgersene e correggerlo con regole esplicite. La lezione: testare sempre il prompt su casi reali con implicazioni contrattuali, non solo su esempi facili.

I capoturno compilavano il template come il vecchio foglio. I primi giorni scrivevano “Tutto ok” nel campo non conformità e “niente” nel campo sicurezza. Il responsabile di produzione ha dovuto fare tre sessioni di affiancamento per mostrare cosa significasse compilare davvero ogni campo. Il cambiamento ha richiesto circa due settimane.

Il tecnico non era coinvolto fin dall’inizio nel servizio clienti. La knowledge base per le risposte tecniche è stata costruita senza il suo contributo diretto. Risultato: tre schede prodotto contenevano tolleranze obsolete, inviate a due clienti prima che qualcuno se ne accorgesse. Errore evitabile coinvolgendo il tecnico nella raccolta, non solo nella review.

Come replicare questo approccio nella tua azienda

Se la tua PMI manifatturiera ha tra 15 e 50 dipendenti, il percorso della Torneria Galbiati è replicabile. Non servono competenze tecniche particolari, ma serve disciplina.

1. Settimana 0 — misura dove va il tempo. Chiedi a ogni area di annotare per due settimane le attività ripetitive che richiedono più di 15 minuti. Basta un foglio condiviso con colonne per attività, tempo, frequenza e responsabile.
2. Mese 1 — un solo processo. Seleziona quello con la baseline più chiara e un owner motivato. Template, prompt, test su casi reali, correzione. Non passare al secondo finché il primo non regge.
3. Mese 2 — consolida e allarga. Migliora il primo processo, aggiorna prompt e template. Solo se è stabile, introduci il secondo con lo stesso metodo.
4. Mese 3 — decidi se scalare. Le ore risparmiate giustificano il tempo investito? La review è sostenibile? Il team lo usa senza essere inseguito? Se tre risposte su quattro sono positive, estendi.

Questo schema ricalca il piano di adozione AI per PMI in 30 giorni descritto nel libro, esteso a 90 giorni per coprire tre aree funzionali.

Il manifatturiero italiano e l’AI: numeri di contesto

Il caso della Torneria Galbiati non è un’eccezione fortunata. Secondo i dati ISTAT di dicembre 2025, le PMI italiane che utilizzano strumenti AI sono passate dal 7,7% al 15,7% in un anno, ma nel settore manifatturiero l’adozione resta sotto la media: solo il 12,3% delle imprese manifatturiere con meno di 50 dipendenti ha avviato almeno un progetto AI strutturato.

Il gap non è tecnologico — gli strumenti costano meno di 200 euro al mese. Il gap è metodologico: manca il passaggio dalla curiosità alla disciplina, dalla demo al processo governato.

Il valore che resta dopo i numeri

Le 415 ore risparmiate sono il risultato più visibile. Ma il cambiamento più profondo è un altro.

Prima del progetto, ogni persona lavorava con il proprio metodo. Il commerciale senior scriveva offerte in un modo, il junior in un altro. Un capoturno segnalava le non conformità, l’altro le dava per scontate. Un operatore del servizio clienti rispondeva in 10 minuti, l’altro in un’ora per la stessa richiesta.

Dopo il progetto, l’azienda ha qualcosa che prima non aveva: un metodo condiviso. I template, i prompt e le regole di review non sono solo strumenti per l’AI. Sono il primo vero standard operativo dell’azienda, estratto dall’esperienza delle persone migliori e reso accessibile a tutti.

Il titolare lo ha riassunto con una frase che vale più di qualsiasi metrica: “Non abbiamo introdotto l’intelligenza artificiale. Abbiamo costretto l’azienda a mettere per iscritto come lavora. L’AI ci ha solo obbligato a farlo.”

Se vuoi approfondire come l’intelligenza artificiale può trasformare i processi della tua PMI manifatturiera partendo dai casi d’uso concreti, il libro Intelligenza Artigianale ti guida passo dopo passo, dalla scelta del primo progetto fino alla governance completa.