IA che sostituisce il lavoro
che odi fare.

La trappola nell'automazione AI è la mentalità tooling-first. Qualcuno legge di n8n, Make o LangChain, sceglie una piattaforma e inizia a costruire. Sei settimane dopo ha un workflow che non risolve il problema originale perché il processo stesso era già la forma sbagliata. Lavoro al contrario: process mapping prima, tooling dopo. Se il workflow si risolve con un tool da $20/mese e niente AI, te lo dico. L'AI entra solo quando fa qualcosa che un sistema rule-based non può fare.

Le mie sessioni di discovery producono un documento di una pagina per ogni workflow: l'evento trigger, la forma dei dati in input, gli step di trasformazione, la destinazione dell'output, gli stati di errore, i criteri di successo. Senza quel documento l'implementazione è pura supposizione. Con quel documento, il build diventa meccanico. I progetti più veloci sono quelli in cui il cliente riesce ad approvare la mappa del processo in una singola riunione.

n8n è la mia piattaforma di orchestrazione di default per la maggior parte dei progetti. Gira self-hosted sull'infrastruttura del cliente (i dati restano in casa), ha nodi HTTP request e Code di prima classe per chiamare le API LLM con prompt custom, e supporta il tipo di error handling che Zapier non può fare. Per progetti in cui il cliente ha già Make o Zapier in produzione, mi integro con quelle piattaforme invece di forzare una migrazione. OpenAI e Anthropic Claude sono i miei LLM di default, scelti per use case in base a costo, latenza e qualità. Per deploy data-sensitive eseguo Llama o Mistral in locale via Ollama.

L'affidabilità in produzione conta più del numero di feature. Ogni workflow che costruisco ha retry logic con exponential backoff, alert Slack o email sul fallimento, fallback path per outage parziali e idempotency key per prevenire scritture duplicate quando uno step va in retry. Ho visto troppe automazioni in produzione che ingoiano silenziosamente i fallimenti finché un umano non se ne accorge tre giorni dopo. Il costo di fixarlo è più alto che costruirlo bene la prima volta.

Il contesto di business guida le scelte tecniche. Avendo costruito e scalato due SaaS (Dropship.ai tracking di 2M+ store Shopify, SameAPI come piattaforma di website traffic intelligence), so dove l'automazione si rompe a scala e progetto tenendo conto di quelle failure mode fin dall'inizio. Non vendo AI per il gusto dell'AI. Costruisco il sistema più piccolo che risolve il problema operativo reale, poi itero in base a ciò che i dati mostrano dopo 30 giorni in produzione.

Il mio servizio di automazione AI è per operatori ecommerce, team SaaS e agenzie di marketing che spendono ore-uomo significative su processi ripetitivi: lead routing, update CRM, produzione di contenuti, triage del supporto, reporting, riconciliazione dati. Il cliente ideale ha un processo manuale chiaro che vuole automatizzare, l'infrastruttura tecnica per supportarlo (API, webhook, o disponibilità a configurarli), e la comprensione che il primo mese è investimento prima che il sistema restituisca rendimento composto.

Non sono il fit giusto se vuoi appiccicare l'AI a un processo che non sai descrivere chiaramente, o se cerchi qualcuno che configuri ChatGPT e lo chiami automazione. I clienti che ottengono di più dal mio lavoro sono quelli che sanno descrivere cosa triggera un processo, cosa succede nel mezzo, e come deve essere l'output. Se ancora non riesci a farlo, l'audit da $500 è il punto di partenza giusto. Mappiamo insieme i colli di bottiglia operativi prima di impegnarci in un build.