Ottima notizia, naturalmente. Ma siamo sicuri che basti?

Probabilmente no, perché a quel punto vorremmo sapere quali clienti hanno contribuito maggiormente al raggiungimento dell’obiettivo, se la crescita riguarda tutti i prodotti oppure soltanto alcuni, se è distribuita durante l’anno o concentrata in pochi mesi. E magari, dopo aver ottenuto queste informazioni, ci verrà in mente qualche altra domanda a cui prima non avevamo pensato.

È così che funziona l’analisi nella vita reale: raramente ci basta una risposta, perché spesso è proprio quella risposta a farci capire che cosa vogliamo sapere davvero.

Ed eccoci arrivati al numero 156 della newsletter Ellycode e questa settimana vi raccontiamo una novità di Elly che va esattamente in questa direzione: la nuova chat unificata, disponibile con il rilascio del 20 ottobre.

Ma prima, come sempre, apriamo la nostra playlist Data Grooves.

🎵 “The Logical Song” — Supertramp (1979)

Una canzone che, dietro un ritmo irresistibile, si interroga sul rapporto tra conoscenza e comprensione. Perché avere tutte le informazioni non significa necessariamente aver capito tutto. E spesso è proprio quando pensiamo di aver trovato una risposta che cominciano le domande più interessanti.

Dalla risposta alla conversazione.

In questi anni abbiamo lavorato molto per rendere sempre più semplice l’accesso alle informazioni aziendali. Con Elly potete interrogare i vostri dati in linguaggio naturale, generare insight, ottenere visualizzazioni e costruire dashboard senza dover necessariamente conoscere gli strumenti tecnici della Business Intelligence.

Supponiamo di chiedere a Elly quali siano i dieci clienti che hanno generato più fatturato. Ottenuta la classifica, potremmo voler conoscere l’andamento degli acquisti di uno di loro, confrontarlo con l’anno precedente oppure verificare quali prodotti acquista più frequentemente.

Con la nuova chat possiamo farlo proseguendo la stessa conversazione, senza dover ripartire ogni volta da zero.

E possiamo anche scegliere di aprire una nuova chat per esplorare un argomento differente, mantenendo separate le analisi e i relativi contesti durante la sessione di lavoro.

La novità, quindi, non è semplicemente una nuova interfaccia, ma un modo più naturale di lavorare con le informazioni.

E se non sapessimo cosa chiedere?

Questo è forse l’aspetto che troviamo più interessante.

Chi conosce bene la propria azienda non sempre sa quali domande porre ai dati. Non perché gli manchi la competenza, ma perché formulare una buona domanda analitica richiede anche di conoscere le possibilità offerte dalle informazioni disponibili.

Pensate a un responsabile commerciale che osserva una crescita delle vendite. Potrebbe non aver considerato la possibilità di confrontare il comportamento dei clienti nuovi con quello dei clienti abituali. Oppure potrebbe scoprire che una variazione apparentemente positiva nasconde andamenti molto diversi tra le categorie di prodotto.

Con la nuova chat, dopo aver generato un insight o ricevuto una risposta, Elly può suggerire possibili approfondimenti. L’utente sceglie quello che ritiene interessante e continua l’analisi, ricevendo nuove spiegazioni, tabelle o grafici.

È un passaggio piccolo soltanto in apparenza.

Perché significa affiancare alla possibilità di fare domande anche quella di scoprire quali domande potrebbe valere la pena fare.

Naturalmente la direzione resta nelle mani di chi utilizza lo strumento. Elly suggerisce, la persona valuta, sceglie e interpreta i risultati attraverso la propria conoscenza del business.

Dai dati alle visualizzazioni, e ritorno.

C’è poi un altro aspetto che merita attenzione: non tutte le informazioni si comprendono allo stesso modo.

A volte una tabella è perfetta, altre volte abbiamo bisogno di osservare un andamento, confrontare grandezze o individuare un’anomalia attraverso un grafico.

Elly permette già di generare automaticamente dashboard a partire dalle collezioni di dati, e questa funzionalità è stata ulteriormente migliorata. Inoltre, attraverso Suggerisci visualizzazioni, possiamo ottenere proposte di grafici da scegliere e aggiungere alla dashboard.

Questo rende più semplice anche il percorso inverso rispetto a quello da cui siamo partiti: non soltanto osservare una dashboard e approfondire attraverso le domande, ma partire dai dati e arrivare a una rappresentazione visiva che ci aiuti a comprenderli meglio.

Le domande sono sempre state nostre.

Se ci pensate, il lavoro di chi analizza i risultati aziendali non è mai stato semplicemente quello di leggere numeri. È sempre stato un continuo passaggio tra informazioni, ipotesi, confronti e nuove verifiche.

La tecnologia, però, ha spesso imposto un percorso più rigido. Per rispondere a una nuova domanda bisognava predisporre un report, modificare una visualizzazione o chiedere supporto a qualcuno con competenze tecniche specifiche.

Con la nuova esperienza di Elly vogliamo ridurre ulteriormente questa distanza.

Non stiamo dicendo che l’AI sappia automaticamente quali siano le decisioni giuste per la vostra azienda. E neppure che ogni approfondimento suggerito sia necessariamente quello più utile.

Stiamo lavorando affinché chi conosce il proprio business possa trasformare più facilmente la propria curiosità e la propria esperienza in analisi concrete, verificando idee e intuizioni attraverso i dati.

Perché rendere accessibile la Business Intelligence non significa soltanto permettere a più persone di ottenere informazioni. Significa anche consentire loro di esplorarle, discuterle e comprenderle, seguendo il proprio ragionamento.

E forse il risultato più interessante di una buona analisi non è aver trovato finalmente una risposta: è aver scoperto la domanda che vale davvero la pena fare.

E voi? Quante volte, davanti a una dashboard o a un report, vi è venuta in mente una domanda alla quale non potevate rispondere immediatamente? E quante analisi interessanti avete lasciato perdere perché richiedevano troppo tempo o strumenti che non avevate a disposizione?

Con Elly vogliamo rendere sempre più breve la distanza tra quella curiosità e la possibilità di soddisfarla.

👉 Scoprite Elly e le sue funzionalità su ellybi.com.

«Quest’anno abbiamo lavorato tanto.»
(Cit.)

Se ci seguite da un po’, sapete che l’ospitalità è uno dei settori nei quali Elly trova più applicazioni. Attraverso i nostri partner tecnologici e testimonial ascoltiamo spesso le storie di chi lavora negli hotel, e una frase come questa la sentiamo ripetere spesso.

È comprensibile: arrivi e partenze da gestire, camere da preparare, richieste da incastrare, giornate nelle quali il tempo sembra non bastare mai. Poi arriva il momento di guardare i risultati e capire che cosa ha prodotto tutto quel lavoro.

Abbiamo venduto più camere? A quali tariffe? Da dove sono arrivate le prenotazioni? E che cosa possiamo imparare per preparare il prossimo periodo?

Ecco, nel numero 155 della nostra newsletter parliamo proprio di questo. Entriamo nel mondo dell’hospitality attraverso un percorso di analisi con Elly, accompagnato da quattro brevi video, per vedere come i dati delle prenotazioni possano aiutare chi gestisce una struttura nelle scelte di ogni giorno.

Prima, come sempre, apriamo Spotify e facciamo partire la nostra playlist Data Grooves:

🎵 “I Ain’t Worried” — OneRepublic (2022)

Un titolo che è quasi un augurio per chi gestisce un hotel. Per avvicinarcisi, però, serve capire bene che cosa sta succedendo 😉

Occupare le camere è un risultato. Capire quanto rendono è l’obiettivo.

L’occupazione è un numero immediato, facile da comunicare e molto presente nella vita di una struttura. Può però crescere mentre il ricavo medio per camera scende, lasciandoci un risultato diverso da quello che ci aspettavamo.

Per questo nella panoramica di Elly il fatturato si legge insieme all’occupazione, all’ADR, il ricavo medio per camera venduta, e al RevPAR, il ricavo per camera disponibile. Osservarli insieme aiuta a capire come stiamo utilizzando la capacità della struttura; per arrivare ai margini entreranno poi in gioco anche i costi.

C’è però una distinzione da chiarire ancora prima: stiamo guardando le prenotazioni ricevute in un certo periodo oppure i soggiorni avvenuti in quelle date?

Una prenotazione ricevuta a marzo per agosto racconta due momenti diversi della vita dell’hotel: a marzo si manifesta la domanda, ad agosto viene occupata la camera. In Elly possiamo distinguere le due date e approfondire la lettura anche per stato della prenotazione, provenienza e trattamento.

Il primo video parte da qui: scegliere quali prenotazioni osservare per dare un significato preciso alla domanda «come stiamo andando?».

Il fatturato totale nasconde storie commerciali diverse.

Dentro lo stesso risultato possono convivere mercati in crescita, canali che perdono peso e tipologie di camera con contributi differenti. Per chi deve scegliere dove concentrare le attività commerciali, quella composizione conta.

Nell’analisi del fatturato di Elly possiamo approfondire il contributo dei mercati e delle camere, osservare l’andamento dell’ADR e confrontarlo tra canali e agenzie. Nel secondo video, la selezione di alcuni segmenti di mercato e di un trattamento permette di concentrarsi su una parte specifica della domanda.

Qui entra in gioco anche la competenza di chi conosce il settore. Un canale con ADR più basso potrebbe portare prenotazioni nei periodi più difficili da vendere; uno con ADR superiore potrebbe lavorare soprattutto nelle date di maggiore domanda. Commissioni e condizioni commerciali completano la valutazione.

La classifica diventa così il punto di partenza per capire quale contributo ciascun canale porta alla struttura, e quando.

Da questa lettura può nascere una domanda molto concreta, come quella posta a Elly nel video successivo:

«Quali canali di vendita generano più ricavi e come cambia il loro contributo rispetto all’anno precedente?»

Elly restituisce un commento, un grafico e una tabella consultabile. Chi sta preparando una riunione commerciale ha così un confronto da esaminare e dal quale far partire ulteriori approfondimenti, mantenendo coerenti periodi e criteri dell’analisi.

Un’offerta può essere giusta e arrivare troppo tardi.

Immaginiamo di voler sostenere le vendite di un periodo debole. Prima di decidere lo sconto o preparare una campagna, sarebbe utile capire chi ha prenotato quel periodo in passato, con quanto anticipo e per quante notti.

La dashboard comportamentale di Elly permette di osservare la durata dei soggiorni, l’anticipo di prenotazione e il contributo dei paesi di provenienza alle Room Nights: una camera venduta per tre notti equivale a tre Room Nights.

Se, per esempio, un mercato tende a prenotare due mesi prima e a fermarsi quattro o cinque notti, una campagna lanciata dieci giorni prima dell’arrivo rischia di intercettarlo quando ha già scelto. Anche il momento nel quale proponiamo un’offerta fa parte della strategia commerciale.

E qui le medie, da sole, possono raccontare una storia incompleta. Lo stesso anticipo medio può nascondere ospiti che prenotano all’ultimo e altri che organizzano il soggiorno con mesi di anticipo. Osservare come si distribuiscono le prenotazioni aiuta a riconoscere queste differenze e a preparare proposte più vicine alle abitudini degli ospiti che vogliamo raggiungere.

Dalla lettura dei dati alla prossima domanda.

Nel quarto video Elly genera una sintesi degli insight dalla panoramica generale, accompagnando il testo con grafici. È un supporto per mettere a fuoco gli aspetti da approfondire: andamento dei ricavi, concentrazione dei canali e relazioni tra le caratteristiche delle prenotazioni.

A dare significato a questi elementi è anche la conoscenza della struttura. Chi ci lavora sa se un periodo coincide con una fiera, se un accordo commerciale è cambiato o se alcune camere sono rimaste indisponibili. Sono informazioni che aiutano a interpretare un andamento e a scegliere come intervenire.

Noi vogliamo che Elly serva a questo: rendere le informazioni accessibili a chi conosce la struttura e deve decidere ogni giorno come farla lavorare meglio, dalla prossima offerta al confronto con un’agenzia.

Per scoprire come Elly può valorizzare i dati della vostra struttura o del vostro software 👉 ellybi.com.

Oggi le aziende hanno, almeno potenzialmente, a disposizione strumenti di analisi che soltanto vent’anni fa sarebbero sembrati fantascienza. Dashboard interattive, report aggiornati in tempo reale, sistemi capaci di elaborare enormi quantità di dati e, più recentemente, la possibilità di interrogare il patrimonio informativo aziendale utilizzando il linguaggio naturale.

Per chi ancora non avesse accesso a tutto questo, naturalmente, c’è sempre Elly 😉

Ma oggi vogliamo ragionare su un problema diverso, che riguarda anche le aziende più evolute dal punto di vista tecnologico: avere accesso alle informazioni non significa necessariamente utilizzarle per prendere decisioni migliori.

Negli ultimi decenni abbiamo investito moltissimo per ridurre la distanza tra le persone e i dati, ma forse abbiamo prestato meno attenzione a quello che succede dopo.

Prima di proseguire, apriamo come sempre la nostra playlist Data Grooves:

🎵 “Smooth” — Santana feat. Rob Thomas

Un brano in cui tutto sembra scorrere con una naturalezza straordinaria, grazie all’incontro tra il ritmo latino di Santana e la voce di Rob Thomas. Ecco, ci piace pensare che anche il rapporto tra le persone e i dati dovrebbe funzionare così: senza inutili interruzioni, senza passaggi complicati, con le informazioni che entrano nel ritmo quotidiano del lavoro anziché costringerci continuamente a fermarci per cercarle.

Il valore che si perde lungo la strada.

Immaginiamo un responsabile commerciale che voglia capire quali clienti stanno progressivamente riducendo gli acquisti.

Le informazioni ci sono. Il gestionale registra gli ordini, la Business Intelligence permette di confrontare i periodi, individuare gli scostamenti, analizzare le tendenze. Magari esiste già una dashboard progettata proprio per questo.

Eppure, tra quella dashboard e una telefonata al cliente che sta lentamente abbandonando l’azienda, ci sono ancora diversi passaggi.

Bisogna ricordarsi di consultare i dati, trovare il tempo per farlo, interpretare quello che emerge, valutare le priorità e decidere come intervenire. Nel frattempo ci sono preventivi da preparare, richieste da gestire, riunioni e urgenze quotidiane.

Il rischio è che un’informazione perfettamente disponibile rimanga inutilizzata, non perché sia sbagliata o difficile da comprendere, ma semplicemente perché non è riuscita a entrare nel momento in cui sarebbe stata davvero utile.

È questo, secondo noi, l’ultimo miglio della Business Intelligence: la distanza tra la disponibilità di un’informazione e il suo utilizzo concreto nel lavoro quotidiano.

Dalle persone verso i dati. E viceversa.

Per molto tempo abbiamo cercato di risolvere il problema dell’accesso alle informazioni costruendo strumenti sempre più potenti, semplici e intuitivi. Ed è stato un percorso fondamentale, che ha permesso alla Business Intelligence di uscire progressivamente dagli uffici IT e arrivare sulle scrivanie di manager, imprenditori e responsabili di funzione.

Oggi - grazie anche all’intelligenza artificiale - possiamo fare un ulteriore passo avanti: avvicinare le informazioni alle persone, al loro linguaggio, alle domande che nascono mentre lavorano.

La tecnologia può eliminare barriere, ridurre tempi, semplificare analisi e rendere accessibile ciò che prima richiedeva competenze specialistiche. Non può però sostituire la curiosità di fare una domanda, la capacità di riconoscere un problema o la volontà di mettere in discussione una decisione già presa.

E qui emerge un aspetto che spesso trascuriamo: la democratizzazione dei dati non coincide automaticamente con la democratizzazione del loro utilizzo.

La prima è soprattutto una sfida tecnologica. La seconda è anche, e forse soprattutto, una questione di cultura aziendale.

Misurare quello che conta davvero.

Se guardiamo alla Business Intelligence da questa prospettiva, cambia anche il modo di valutarne il successo:

• quante dashboard abbiamo realizzato?

• quanti report vengono generati?

• quanti utenti accedono alla piattaforma?

Sono indicatori utili, certamente, ma non raccontano tutta la storia.

La domanda più interessante potrebbe essere un’altra:

Non è facile misurarlo, ma è probabilmente molto più vicino al valore che le aziende si aspettano dai propri investimenti nei dati.

E allora, per questa settimana, vi proponiamo un piccolo esercizio: pensate all’ultima decisione importante presa nella vostra azienda. Quali informazioni avevate a disposizione? Quali avete effettivamente utilizzato? E quali avrebbero potuto aiutarvi, ma sono rimaste da qualche parte in un gestionale, in un report o in una dashboard?

La distanza tra queste risposte è il vostro ultimo miglio.

Dove invece stiamo noi.

Quando abbiamo iniziato a costruire Elly, ci siamo dati un obiettivo preciso: rendere la Business Intelligence e la conoscenza aziendale accessibili a tutti, non soltanto a chi possiede competenze tecniche o analitiche.

Continuiamo a lavorare in questa direzione, insieme ai nostri partner, perché crediamo che eliminare le difficoltà di accesso alle informazioni sia una condizione fondamentale per favorirne l’utilizzo.

Ma sappiamo anche che il nostro lavoro non si conclude quando Elly restituisce una risposta corretta. Il valore vero nasce dopo, quando quella risposta incontra l’esperienza, la sensibilità e la capacità decisionale di chi la utilizza.

Perché l’ultimo miglio della Business Intelligence non lo percorre il software. Lo percorrono le persone.

E il nostro compito è fare in modo che abbiano sempre meno ostacoli lungo la strada.

👉 Scoprite come Elly può rendere più accessibile il patrimonio informativo della vostra azienda.

Quando si fa questo mestiere per così tanto tempo, probabilmente una cosa la si impara prima delle altre: l’azienda standard non esiste.

Cambiano i processi, le persone, le regole, il modo in cui si produce e persino il significato che si attribuisce alle stesse parole. Per questo un gestionale può scegliere di imporre un modello oppure può affrontare una strada molto più complessa: cercare di adattarsi al modo in cui le aziende lavorano davvero.

TDA Informatica, fondata e guidata da Franco Candieracci, ha costruito negli anni TREND partendo proprio da questa seconda idea.

Nel raccontare la piattaforma, Franco descrive diversi livelli di personalizzazione che permettono di intervenire sull’interfaccia, sulla reportistica e sul comportamento del software, fino ad arrivare, per chi sviluppa, a un ambiente “DEVELOPER, totalmente integrato” attraverso il quale è possibile costruire nuove funzionalità direttamente all’interno dell’ERP.

Più che una singola caratteristica tecnica, è un modo di intendere il prodotto: lasciare abbastanza spazio perché il software possa crescere insieme alle aziende che lo utilizzano, anche quando le loro esigenze finiscono inevitabilmente per uscire dai confini dello standard.

Ed è anche uno dei motivi per cui, qualche tempo fa, le nostre strade hanno iniziato a incrociarsi. Ma prima, come sempre, apriamo Spotify e recuperiamo un brano dalla nostra playlist Data Grooves:

🎵 “The Business” — Tiësto (2020)

Questa settimana il titolo ci piace particolarmente, perché una partnership diventa davvero interessante quando smette di essere soltanto una collaborazione tecnologica e comincia a entrare nel business reale delle aziende che la costruiscono.
Con TDA è successo proprio questo: siamo partiti da competenze diverse e abbiamo cercato il punto in cui potessero diventare qualcosa di concreto dentro TREND.

Quasi trent’anni dentro i processi aziendali.

TDA Informatica nasce nel 1997 e nel tempo costruisce attorno a TREND .NET Enterprise una piattaforma che copre buona parte della vita di un’azienda: amministrazione, vendite, acquisti, magazzino, CRM, documentale e Business Intelligence, fino ad arrivare molto in profondità nei processi produttivi attraverso distinte base, pianificazione MRP, schedulazione, MES e integrazione con il mondo della fabbrica.

Ed è proprio entrando nella produzione che una parola come verticalità, spesso utilizzata con una certa leggerezza nel nostro settore, comincia ad assumere un significato molto concreto. Gestire una distinta base o una commessa significa confrontarsi con eccezioni, configurazioni di prodotto, disponibilità dei materiali, tempi delle macchine, capacità produttiva e ritardi che nella realtà difficilmente si comportano come erano stati immaginati sulla carta.

Dopo quasi trent’anni di lavoro accanto alle aziende, quindi, dentro un gestionale non ci sono più soltanto moduli e funzionalità. Si accumula inevitabilmente una conoscenza fatta di processi, problemi ricorrenti, soluzioni, compromessi e modi diversi di organizzare il lavoro.

Ed è proprio questa conoscenza che rende interessante, dal nostro punto di vista, una software house come TDA.

Prima di parlare di tecnologia, bisogna capire il partner.

Quando abbiamo iniziato a costruire l’ecosistema Ellycode ci siamo accorti abbastanza velocemente che anche nel mondo delle partnership vale una regola molto simile: non esiste un partner standard.

Ogni software house ha una storia diversa, un prodotto diverso, un mercato diverso e soprattutto un proprio modo di fare impresa. Pensare di costruire una formula uguale per tutti avrebbe significato perdere proprio la parte più importante della collaborazione.

È un concetto che racconta bene Matteo Saudelli, che in TDA Informatica si occupa di sviluppo partner e business development, quando dice che:

Nascono prima, dal conoscersi, dal capire cosa ha costruito l’altro, quali clienti serve e dove vuole portare il proprio prodotto. Solo dopo ha senso domandarsi quale possa essere il punto d’incontro.

Per questo Matteo parla anche della necessità di “costruire un rapporto personalizzato” con ciascun partner. In alcuni casi può voler dire collaborare su singole opportunità, in altri può significare integrare le tecnologie molto più in profondità, fino ad arrivare - per usare ancora le sue parole - a “costruirci sopra un pezzo del tuo business”.

Con TDA il percorso è andato esattamente in questa direzione, perché il terreno sul quale lavorare insieme era già molto chiaro.

I dati c’erano già.
Bisognava avvicinarli alle persone.

Dentro TREND passano ogni giorno ordini, clienti, prodotti, acquisti, vendite, disponibilità, costi, tempi di produzione, lavorazioni, commesse e avanzamenti. TDA aveva inoltre già affrontato da tempo il tema dell’analisi attraverso TREND BI, quindi non partivamo dalla necessità di spiegare il valore della Business Intelligence né, tantomeno, da quella di raccogliere altri dati.

La domanda era piuttosto come rendere più immediato l’accesso a tutto questo patrimonio informativo:

• come permettere a una persona di porre una domanda senza conoscere la struttura del database che c’è dietro?

• come ridurre la distanza tra quello che un utente vuole sapere e il report che deve costruire per scoprirlo?

• e soprattutto, come farlo senza costringerlo ad abbandonare l’ambiente nel quale lavora ogni giorno per aprire un altro software?

Da queste domande è nato TREND .NET AI Insight:

il progetto attraverso il quale le capacità di Business Intelligence e Intelligenza Artificiale di Elly entrano direttamente nell’esperienza TREND.

L’obiettivo è permettere agli utenti di interrogare i dati aziendali in linguaggio naturale, costruire visualizzazioni e dashboard e arrivare più rapidamente alle informazioni necessarie per il proprio lavoro, utilizzando però il contesto e le strutture di un gestionale che già conoscono.

Per noi questa distinzione è importante, perché una delle tentazioni più forti di questi anni è prendere l’AI e aggiungerla accanto a qualsiasi software: una nuova finestra, una nuova chat, un altro strumento che l’utente deve imparare a utilizzare.

Con TDA abbiamo provato a ragionare al contrario, portando le nuove capacità dentro un prodotto esistente e lasciando che fosse la tecnologia ad avvicinarsi all’utente, non viceversa.

La parte che un modello generalista non conosce.

C’è poi un altro elemento che probabilmente spiega ancora meglio il senso della collaborazione.

Un modello di Intelligenza Artificiale può conoscere perfettamente la definizione di distinta base, commessa, disponibilità o avanzamento produzione. Può aver letto migliaia di documenti su quei temi ed essere in grado di spiegarli meglio di quanto riusciremmo a fare noi.

Ma conoscere una definizione non significa conoscere il modo in cui quella parola viene utilizzata dentro una specifica azienda.

Una commessa può essere considerata conclusa in momenti diversi, la disponibilità di un articolo può dipendere da regole che cambiano da settore a settore e persino due aziende apparentemente molto simili possono interpretare lo stesso processo in maniera differente.

È qui che entra in gioco tutto il patrimonio accumulato da TDA negli anni. TREND conosce strutture, relazioni tra i dati e logiche costruite lavorando direttamente con le aziende; Elly aggiunge nuovi modi per interrogare, analizzare e rendere accessibile quella conoscenza.

Nessuna delle due parti deve fingere di fare il mestiere dell’altra.

Ed è forse proprio questo uno degli aspetti più interessanti della collaborazione: l’AI non sostituisce la verticalità del partner, ma diventa più utile proprio perché può appoggiarsi su quella verticalità.

Più i modelli diventano potenti e generalisti, più diventa prezioso chi conosce davvero il contesto nel quale devono lavorare.

Adattarsi, ancora una volta.

Ripensando alle parole di Franco e Matteo, ci siamo accorti che TDA ed Ellycode partono in fondo da un presupposto abbastanza simile.

TDA ha costruito negli anni un software che prova ad adattarsi al modo di lavorare delle aziende, invece di pretendere che siano le aziende ad adattarsi completamente al software.

Noi stiamo cercando di fare qualcosa di analogo con il nostro ecosistema, costruendo collaborazioni che tengano conto del prodotto, del mercato e del modo di lavorare di ciascun partner, invece di applicare ovunque lo stesso modello.

Da una parte ci sono TDA, Franco Candieracci e quasi trent’anni passati a costruire software dentro i processi reali delle aziende. Dall’altra c’è Ellycode, con il lavoro fatto sulla Business Intelligence, sull’accessibilità del dato e, negli ultimi anni, sull’Intelligenza Artificiale.

Il punto interessante non è stabilire dove finisca l’una e inizi l’altra, ma quello che succede quando iniziano a lavorare insieme.
E, visto il brano scelto questa settimana, possiamo dirlo senza neanche sforzarci troppo di trovare una chiusura migliore: Connected.

È il motivo per cui abbiamo cominciato a lavorare sulla democratizzazione della Business Intelligence, sull’accessibilità dei dati e, più recentemente, su tutti quegli strumenti che permettono alle persone di comprendere meglio il proprio lavoro e prendere decisioni più consapevoli.

Nel marzo del 2025, al numero 71 di questa newsletter, vi abbiamo raccontato la nostra scelta di abbracciare il Build in Public, aprendo il processo di sviluppo di Elly al confronto con clienti, partner e community. Una scelta che ci accompagna ancora oggi, perché siamo convinti che un prodotto possa migliorare enormemente quando chi lo utilizza ha la possibilità di contribuire alla sua evoluzione.

Questa settimana arriviamo al numero 152 della nostra newsletter e vogliamo raccontarvi qualcosa che nasce dalla stessa filosofia, ma che riguarda più da vicino il modo in cui abbiamo deciso di lavorare all’interno della nostra azienda.

Lo chiamiamo Build in Company e, come spesso accade con le cose a cui teniamo di più, è un'idea piuttosto semplice da raccontare, ma molto più impegnativa da mettere in pratica.

Prima però, come sempre, apriamo Spotify e tiriamo fuori la nostra playlist Data Grooves:

🎵 “Team” — Lorde, Pure Heroine (2013)

Una canzone che ci piace associare all’idea di costruire qualcosa insieme alle persone con cui si condivide un percorso, trovando una propria identità senza necessariamente seguire le regole che qualcun altro ha scritto per noi.

Le idee non seguono l’organigramma.

In un’azienda le competenze sono distribuite in modo molto meno ordinato di quanto potrebbe far pensare un organigramma.

Chi parla con i clienti raccoglie esigenze che magari non arrivano mai a diventare richieste formali. Chi sviluppa conosce possibilità e limiti del prodotto che possono sfuggire a chi lo vende. Chi segue i partner si accorge di opportunità che nessuno aveva previsto quando è stata progettata una funzionalità. E poi ci sono tutte quelle osservazioni che emergono durante una riunione, una telefonata o una dimostrazione del prodotto, magari da una domanda che inizialmente sembrava persino banale.

Tutta questa conoscenza esiste già, cresce ogni giorno attraverso il lavoro delle persone e rappresenta una parte importante del patrimonio di un’azienda.

Con il Build in Company abbiamo quindi deciso di aprire a tutte le persone di Ellycode la possibilità di proporre funzionalità, miglioramenti, esigenze e nuove direzioni da esplorare.

Non vogliamo che soltanto chi si occupa formalmente di prodotto possa contribuire alla sua evoluzione, perché le idee interessanti possono nascere ovunque e perché ognuno di noi, attraverso il proprio lavoro, ha la possibilità di conoscere Elly da un punto di vista differente.

Il Build in Public ci permette di ascoltare chi vive il prodotto dall’esterno. Il Build in Company ci aiuta a fare in modo che quella conoscenza, insieme alle esperienze del nostro team, possa contribuire alla sua crescita.

Partecipare alla costruzione significa anche comprenderne le scelte.

Naturalmente, aprire le porte alle idee non significa trasformare ogni decisione in una votazione collettiva: chiunque abbia lavorato allo sviluppo di un software sa che le esigenze sono sempre molte più del tempo necessario per soddisfarle, che le priorità possono cambiare e che anche una buona idea può non essere quella giusta in un determinato momento.

Nel nostro Build in company tutti possono proporre, chi segue il prodotto valuta le proposte e la responsabilità delle decisioni rimane a chi deve tenere insieme le esigenze emerse, le risorse disponibili e la direzione complessiva di Elly.

Ma c’è un aspetto a cui teniamo particolarmente: vogliamo che le ragioni di queste decisioni siano condivise e comprensibili, anche da chi avrebbe preferito una soluzione diversa.

Perché una proposta rimandata può raccontare molto sulle priorità del prodotto, così come un’idea modificata durante il confronto può far emergere vincoli o opportunità che inizialmente nessuno aveva considerato.

Pensiamo, per esempio, ai Custom Agents, di cui abbiamo parlato anche in questa newsletter. L’esigenza di utilizzare Elly per svolgere attività che vanno oltre l’analisi dei dati porta con sé questioni che:

• riguardano il ruolo del prodotto,

• le informazioni che deve poter utilizzare

• e il rapporto con le applicazioni dei nostri partner.

Sono temi sui quali il confronto tra chi conosce le esigenze del mercato, chi sviluppa il prodotto e chi lavora quotidianamente con clienti e partner può aggiungere elementi importanti.

E anche quando una proposta non diventa una funzionalità, il confronto non è necessariamente tempo perso. Può averci aiutato a scoprire un problema, a chiarire una priorità o a capire che qualcosa che davamo per scontato non lo era affatto.

Il risultato, quindi, non è soltanto quello che eventualmente andremo a sviluppare, ma anche ciò che abbiamo imparato e la maggiore consapevolezza con cui potremo affrontare le scelte successive.

Vogliamo che Elly cresca attraverso il confronto con il mercato e grazie alle competenze delle nostre persone, e che queste ultime possano crescere comprendendo sempre meglio il prodotto che contribuiscono a costruire.

Dove invece stiamo noi e quale rischio vogliamo evitare:

C’è un rischio che vogliamo evitare: quello di abituarci a pensare che alcune cose non ci riguardino, che certe idee non spettino a noi o che tanto, alla fine, qualcun altro deciderà.

È un’abitudine che può nascere anche nelle aziende migliori, senza che nessuno lo voglia davvero. E con il tempo rischia di lasciare inutilizzata una quantità enorme di conoscenza, entusiasmo e voglia di fare.

Il Build in Company è il nostro modo di contrastarla, cercando di dare alle persone la possibilità di contribuire alla costruzione del prodotto e, attraverso il confronto, di conoscere meglio anche l’azienda di cui fanno parte.

Non sappiamo quante delle idee che nasceranno da questa iniziativa diventeranno funzionalità di Elly. Ci auguriamo tante, naturalmente, ma c’è un risultato che ci interessa ancora di più: che nessuno in Ellycode smetta di avere idee perché pensa che non sia compito suo.

Anche perché il prossimo suggerimento capace di migliorare Elly potrebbe arrivare da un cliente, da un partner o da una persona del nostro team. E noi vogliamo essere un’azienda capace di riconoscerlo, ascoltarlo e dargli la possibilità di fare strada.

E voi? Nella vostra azienda, quando qualcuno ha un’idea per migliorare qualcosa, che cosa succede? 👉 Scoprite più da vicino il progetto Elly su ellybi.com .

Nelle fabbriche dell’epoca, infatti, lungo il soffitto correva un grande albero di trasmissione mosso da una macchina a vapore. Da lì scendevano cinghie e pulegge che mettevano in movimento torni, presse e altri macchinari. Anche la disposizione degli spazi dipendeva da quel sistema: era necessario che le macchine stessero esattamente dove la forza riusciva ad arrivare.

Poi arrivò l’elettricità.

Col senno del poi, ognuno di noi oggi potrebbe pensare che insieme all’elettricità arrivasse una trasformazione immediata, disruptive, rivoluzionaria… invece per un bel po’ accadde qualcosa di molto meno spettacolare: il motore elettrico prese il posto della macchina a vapore e continuò a far girare lo stesso albero centrale. Le cinghie rimasero, le macchine pure e, soprattutto, rimase quasi identico il modo di organizzare la fabbrica.

Era cambiata la tecnologia, ma non era ancora il sistema costruito intorno a lei.

Bella la storia, eh? Ma prima di andare avanti, come sempre apriamo Spotify e tiriamo fuori la nostra playlist Data Grooves:

🎵 “As It Was” — Harry Styles (2022)

Perché a volte il cambiamento arriva, ma noi continuiamo per un po’ a fare le cose esattamente as it was.

Il motore nuovo non bastava

L’economista Paul David rese celebre questa storia nel 1990 con The Dynamo and the Computer, utilizzandola per spiegare un fenomeno che oggi ci interessa parecchio: una tecnologia può essere disponibile molto prima che impariamo davvero a sfruttarne tutte le possibilità.

Il salto più importante nell’elettrificazione delle fabbriche arrivò infatti quando si cominciò a distribuire la forza in modo diverso. Motori più piccoli potevano essere installati direttamente sulle singole macchine e, improvvisamente, il grande albero centrale con tutte le sue cinghie non era più necessario.

A quel punto non era cambiato soltanto il motore: era cambiata l’idea stessa di fondo di come poteva cambiare la fabbrica.

Le macchine non dovevano più essere sistemate in funzione della trasmissione della forza, ma potevano seguire il flusso della produzione. Gli spazi potevano essere ripensati e con loro anche l’organizzazione del lavoro.

Il vero vantaggio dell’elettricità cominciava quindi a emergere quando la domanda smetteva di essere “come alimentiamo meglio la fabbrica che abbiamo già?” e diventava:

“Quale fabbrica possiamo costruire adesso che abbiamo l’elettricità?”

Le nostre cinghie digitali

Con l’intelligenza artificiale stiamo facendo spesso qualcosa di molto simile.

Prendiamo processi costruiti negli ultimi venti o trent’anni e inseriamo dentro un pezzo di AI. Scrivevamo una mail e ora la facciamo scrivere a un modello. Cercavamo un documento e oggi lo chiediamo in linguaggio naturale. Preparavamo un report e adesso possiamo farcelo riassumere.

Sono miglioramenti veri, spesso anche molto utili. Ma rimane una domanda:

Pensiamo a un processo piuttosto comune: ogni lunedì qualcuno apre il gestionale, esporta dei dati, controlla un file, cerca alcune anomalie e poi contatta i colleghi interessati.

• Possiamo usare l’AI per leggere più velocemente quel file, trovare le anomalie o preparare le mail. Abbiamo reso il processo più efficiente.

• Tuttavia potremmo anche domandarci perché esista ancora quel processo nella sua forma attuale. Perché bisogna aspettare lunedì? Perché esportare un file? Perché una persona deve controllare anche tutto quello che sta funzionando normalmente?

Un sistema progettato oggi potrebbe osservare continuamente i dati, individuare ciò che merita attenzione, recuperare il contesto necessario e portare alla persona soltanto i casi su cui serve davvero intervenire.

Qui la differenza è sostanziale: non abbiamo fatto meglio il vecchio processo. Ne abbiamo costruito uno diverso, nuovo, probabilmente e possibilmente migliore.

Anche il software ha le sue cinghie

Per chi sviluppa software questa domanda è forse ancora più interessante.

Per anni abbiamo progettato applicazioni dando per scontato che fosse l’utente a dover cercare un’informazione, interpretarla, capire cosa fare, raggiungere la funzione corretta e infine agire.

Menu, maschere, filtri, dashboard, notifiche, workflow ed esportazioni nascono anche da questo presupposto.

Non significa naturalmente che debbano sparire. Significa però che possiamo finalmente chiederci quali parti di un software siano realmente necessarie e quali esistano perché, quando quel software è stato progettato, non c’era un altro modo di fare le cose.

Una chat dentro un gestionale può essere utilissima. Un pulsante che riassume un documento pure.

Probabilmente non sempre. Ed è forse qui che nei prossimi anni vedremo il cambiamento più profondo: non nell’aggiunta di AI alle applicazioni esistenti, ma nella progressiva revisione di processi, interfacce e passaggi che fino a ieri consideravamo inevitabili.

Un esercizio per questa settimana

Prendete un processo che nella vostra azienda viene ripetuto ogni giorno o ogni settimana.

Per una volta, però, non chiedetevi subito dove inserire l’intelligenza artificiale. Partite dal risultato che volete ottenere e provate a ricostruire il percorso da zero.

Quali passaggi sono davvero indispensabili? Quali richiedono realmente una persona? E quali, invece, esistono soltanto perché fino a oggi qualcuno doveva necessariamente cercare, leggere, copiare, confrontare o spostare informazioni?

Potreste scoprire che il processo attuale è già quello giusto e che l’AI può semplicemente renderlo migliore.

Oppure potreste accorgervi che stavate cercando un motore più potente quando, in realtà, era arrivato il momento di togliere qualche cinghia.

E voi?

Quando introducete l’intelligenza artificiale nella vostra azienda, state cercando soprattutto di fare meglio ciò che avete sempre fatto oppure state iniziando a mettere in discussione il processo stesso?

E se sviluppate software, provate a farvi una domanda ancora più scomoda: quante delle funzioni che oggi considerate indispensabili lo sarebbero davvero se il vostro prodotto nascesse nel 2026?

Dove invece stiamo noi

Noi siamo nati con un’idea semplice ma ostinata: rendere dati, informazioni e conoscenza aziendale più accessibili alle persone che devono utilizzarli ogni giorno.

Negli anni questo percorso ci ha portato dalla Business Intelligence all’analisi dei dati, dai documenti alle knowledge base, fino agli agenti e all’intelligenza artificiale. Non come mondi separati, ma come strumenti diversi per ridurre la distanza tra ciò che un’azienda sa e ciò che riesce effettivamente a fare con quella conoscenza.

Per questo crediamo che la parte più interessante dell’AI non sarà aggiungere una funzione intelligente a ogni schermata.

Sarà capire quali schermate, passaggi e vincoli possiamo finalmente ripensare.

Perché una tecnologia nuova diventa davvero interessante quando smettiamo di usarla soltanto per alimentare meglio la fabbrica che avevamo già.

👉 Scoprite come Elly può potenziare il vostro software o il vostro business su ellybi.com

Per anni abbiamo raccontato la Business Intelligence così: dati più accessibili, informazioni più chiare, meno sensazioni lasciate alla libera interpretazione e intuizione e più elementi concreti (dati e informazioni) su cui scegliere.

Ed è ancora esattamente quello in cui ancora oggi crediamo.
Tuttavia non possiamo escludere che c’è però un problema che arriva subito dopo.

Immaginate una riunione fatta circa sei mesi fa. una dashboard in negativo, un certo calo del margine su una certa linea di prodotto. Qualcuno propose di aumentare i prezzi, qualcun altro fece notare che sarebbe stato rischioso per alcuni clienti strategici. Alla fine si decise di aspettare.

Sei mesi dopo è ancora tutto fermo e poi: perché avevamo deciso di aspettare? Chi aveva portato quell’argomento? Quali clienti erano considerati strategici? Avevamo fissato una soglia oltre la quale saremmo intervenuti? Quella decisione si è rivelata corretta?

Probabilmente una parte della risposta è in una mail, qualcosa nei verbali di una riunione, qualcos’altro nella testa di chi c’era. Il resto, boh.

Benvenuti nel magico mondo del debito decisionale.

Prima però, come sempre, apriamo la nostra playlist Data Grooves:

🎵 “Once in a Lifetime” — Talking Heads (1980)

Perché prima o poi capita a qualsiasi azienda di guardare una scelta fatta qualche mese prima e chiedersi, più o meno: come siamo arrivati fin qui?

Abbiamo imparato a conservare i dati.

Su questo abbiamo fatto passi enormi. Un buon sistema di Business Intelligence permette di tornare indietro, confrontare periodi, ricostruire performance, capire cosa stava succedendo in un preciso momento.

Il dato però lascia una traccia, la decisione molto meno o - qualche volta - anche nessuna.

Ed è davvero curioso, perché raccogliamo con enorme attenzione tutto ciò che porta a una decisione e quasi mai conserviamo la decisione stessa con lo stesso livello di dettaglio.

Una dashboard può dirci che a marzo il fatturato è sceso del 12%. Può mostrarci quali clienti hanno comprato meno, quali prodotti hanno rallentato e quali aree hanno sofferto di più. Poi però c’è molto, molto altro: le persone discutono, interpretano, aggiungono informazioni che magari nel database non esistono, valutano rischi e fanno una scelta.

Il debito che non compare in bilancio.

Il debito decisionale non nasce semplicemente quando dimentichiamo una decisione.

Può nascere anche quando perdiamo il legame tra una decisione e tutto ciò che l’ha resa sensata in quel momento: i dati disponibili, le ipotesi fatte, i vincoli, le alternative considerate, magari anche un’informazione che non era dentro nessun database.

Finché le persone che hanno partecipato a quella scelta sono ancora lì, il problema quasi non si vede. Il contesto continua a vivere nella loro memoria. Poi passa il tempo, cambiano i ruoli, cambiano le condizioni e quel contesto si impoverisce. Resta la decisione, ma non necessariamente la sua logica.

Ed è qui che nasce il debito: ogni volta che l’azienda deve ricostruire da zero un ragionamento che aveva già fatto, perde tempo, ripete discussioni e rischia perfino di arrivare a conclusioni diverse senza sapere perché.

Abbiamo investito tantissimo nella tracciabilità del dato. Molto meno nella tracciabilità delle decisioni.

Dal dato alla decisione.

Ed arriviamo probabilmente al passaggio più interessante. La Business Intelligence ha fatto un lavoro enorme nel rendere accessibile il cosa: cosa è successo, quando, dove, con quale intensità e rispetto a quale periodo.

Ma tra un dato e una decisione esiste uno spazio enorme.

Dentro quello spazio ci sono interpretazione, esperienza, conoscenza del mercato, eccezioni, documenti, riunioni, vincoli e informazioni che spesso non hanno neppure una forma strutturata.

È lì che entra in gioco la knowledge aziendale.

Non come archivio dove accumulare file, ma come possibilità di collegare quello che sappiamo a quello che abbiamo deciso.

Una decisione potrebbe quindi avere una sua storia: nascere da alcuni indicatori, essere supportata da determinati documenti, poggiare su certe assunzioni e produrre, mesi dopo, un risultato misurabile. Questo collegamento oggi quasi sempre manca, nonostante sia preziosissimo.

Una decisione giusta può anche finire male.

Qui c’è poi un altro punto che tendiamo a dimenticare.
Siamo abituati a giudicare le decisioni guardando il risultato:

• se è andata bene, la decisione era giusta

• se è andata male, era sbagliata.

Naturalmente non funziona sempre così. Una decisione presa con informazioni solide può produrre un risultato negativo per qualcosa che era impossibile prevedere. Allo stesso modo, una scelta presa quasi a caso può essere premiata dalle circostanze.

La BI ci permette di misurare molto bene il risultato. Conservare anche il contesto decisionale permetterebbe invece di valutare qualcosa di ancora più utile: la qualità del processo che ci ha portato fin lì.

E questa, nel tempo, è conoscenza aziendale vera. Perché significa poter capire non soltanto quali decisioni hanno funzionato, ma quali ragionamenti funzionano meglio nella nostra azienda.

Ed è qui che l’AI diventa davvero interessante.

Non perché debba decidere al posto nostro. Anzi.
L’intelligenza artificiale può diventare interessante proprio perché rende finalmente utilizzabile una quantità di conoscenza che fino a ieri era troppo dispersa per esserlo davvero.

Se entriamo in questa logica, l’AI non serve semplicemente per suggerire una risposta, ma può, per esempio, recuperare precedenti decisioni, evidenziare analogie, ricordare quali ipotesi erano state fatte, mostrare quali condizioni nel frattempo sono cambiate e collegare una decisione ai suoi effetti.

In altre parole può aiutare l’azienda a costruire una memoria decisionale attiva.

La differenza rispetto a un semplice archivio è enorme. Un archivio conserva. Una memoria serve quando bisogna decidere di nuovo.

Il vero patrimonio aziendale.

Quando parliamo di knowledge aziendale pensiamo spesso a documenti, procedure, manuali, contratti e informazioni tecniche.

Tuttavia una parte enorme della conoscenza di un’organizzazione è fatta dalle migliaia di decisioni prese negli anni:

• perché abbiamo cambiato quel processo, quel software, quel fornitore

• perché quel cliente viene gestito in maniera diversa

• perché quel KPI viene calcolato proprio così

• perché su quel mercato abbiamo scelto di non entrare.

Dietro a molte regole aziendali esiste una decisione. Dietro a molte decisioni esiste un pezzo di storia. Perderlo significa costringere ogni nuova generazione dell’azienda a imparare nuovamente cose che l’organizzazione aveva già imparato.

Dove stiamo noi.

Abbiamo sempre raccontato Elly partendo dalla Business Intelligence e da un principio molto semplice: rendere il dato accessibile per permettere alle persone di prendere decisioni migliori.

Quel principio non cambia, semmai oggi possiamo e vogliamo fare un passo oltre.

Per prendere decisioni migliori non serve soltanto conoscere meglio quello che sta succedendo. Serve poter utilizzare anche quello che l’azienda ha già imparato.

Ed è qui che Business Intelligence, knowledge e Intelligenza Artificiale iniziano davvero a diventare parti dello stesso percorso, perché

Forse allora il contrario del debito decisionale non è avere più dati, ma piuttosto avere un’azienda che, quando deve scegliere di nuovo, non è costretta a ripartire ogni volta da zero.

Se ne parla sempre più spesso e la promessa, almeno sulla carta, è molto semplice:

non più un’intelligenza artificiale che aspetta una domanda e restituisce una risposta, ma sistemi capaci di fare qualcosa per noi.

Leggere una richiesta, recuperare le informazioni, preparare un preventivo, aggiornare il CRM, controllare un dato, segnalare un’anomalia. Tutto molto bello. Diciamolo.

Poi però proviamo a “mettere a terra” la cosa e immaginiamo di affidare totalmente a un agente la preparazione di un’offerta commerciale… qualche dubbio ci sorge ancora.

Quale listino deve utilizzare? Può applicare uno sconto? Fino a quanto? Cosa succede se il cliente è già presente nel gestionale con un nome leggermente diverso? E se manca una disponibilità? Chi deve intervenire quando esce dai casi previsti?

In pochi minuti abbiamo smesso di parlare di Intelligenza Artificiale e abbiamo iniziato a parlare dell’azienda: ed è senza dubbio questo il punto più interessante.

Ma prima di andare avanti, apriamo come sempre Spotify e recuperiamo un pezzo dalla nostra playlist Data Grooves:

🎵 “Handle with Care” — Traveling Wilburys (1988)

Un titolo che questa settimana ci sembra particolarmente azzeccato. Perché più chiediamo a un agente AI di fare qualcosa al posto nostro, più diventa importante capire fino a dove può spingersi, quando deve fermarsi e quando invece è meglio che torni in gioco una persona.

Tra una demo e un processo vero.

Qualche settimana fa Deloitte ha pubblicato una ricerca sull’adozione dell’AI agentica intervistando 501 manager e dirigenti statunitensi coinvolti in organizzazioni che stavano già almeno sperimentando queste tecnologie.

Quindi non aziende che si stanno chiedendo cosa sia un agente, ma realtà che hanno già iniziato a metterci mano.

Due numeri, soprattutto, ci hanno colpito:

• il 42% degli intervistati dichiara di aver già testato o distribuito agenti AI

• solo il 5%, però, considera i propri processi aziendali altamente preparati per utilizzarli.

Tra “abbiamo provato un agente” e “possiamo affidargli davvero un pezzo di lavoro” c’è ancora parecchia strada.

Ed è una distanza che ha molto meno a che fare con la potenza dei modelli di quanto potremmo pensare, perché una demo può funzionare perfettamente quando tutto segue il percorso previsto.

Le aziende però, purtroppo o per fortuna, funzionano raramente così.

Le persone riempiono continuamente i vuoti.

Dentro qualsiasi organizzazione esiste una quantità enorme di regole che nessuno ha mai davvero scritto.

Sappiamo che con quel cliente possiamo fare un’eccezione. Che quel prodotto segue condizioni particolari. Che il listino corretto non è quello nella cartella “Listini”, ma quello che Francesca ha mandato via mail martedì scorso.

Sappiamo anche che un “cliente importante” non è necessariamente quello che fattura di più e che un’opportunità commerciale può essere considerata qualificata anche quando il CRM direbbe il contrario. E lo sappiamo perché lavoriamo lì.

Le persone utilizzano ogni giorno esperienza, conoscenza del contesto e buon senso per colmare piccole ambiguità che neppure percepiamo più come tali.

Poi arriva un agente e gli diciamo:

E improvvisamente siamo costretti a spiegargli cosa significhi davvero “questa cosa”.

Forse uno degli effetti più interessanti degli agenti AI sarà proprio questo: rendere visibili processi che pensavamo di conoscere benissimo.

Più autonomia richiede più chiarezza.

Ed arriviamo a scoprire un piccolo paradosso. Proviamo a immaginare un’AI sempre più autonoma che richiede sempre meno lavoro da parte nostra.

In realtà, quando passiamo dalla risposta all’azione, succede spesso il contrario.

Più vogliamo permettere a un sistema di agire, più dobbiamo essere chiari sui dati ai quali può accedere, sulle regole che deve seguire, sui limiti entro i quali può muoversi e sui momenti nei quali deve fermarsi e chiedere aiuto.

Non sorprende quindi che, nella stessa ricerca Deloitte, il 72% degli intervistati indichi proprio la mancanza di dati unificati e facilmente accessibili tra gli ostacoli all’adozione degli agenti.

Possiamo avere un modello straordinario.

Se trova tre anagrafiche dello stesso cliente, due versioni del listino e informazioni diverse tra CRM, gestionale e documenti, continuerà comunque ad avere un problema.

Solo che questa volta non dovrà semplicemente rispondere. Dovrà decidere cosa fare.

Prima di automatizzare un processo bisogna conoscerlo.

Questo vale ancora di più per le software house verticali.

Negli ultimi mesi abbiamo parlato spesso del valore della conoscenza di settore e del fatto che un modello generalista, per quanto potente, non possa conoscere da solo il significato che dati, regole e processi assumono dentro una specifica azienda.

Con gli agenti questo principio diventa ancora più importante; non basta collegare un modello a un software e permettergli di utilizzare qualche funzione.
Bisogna sapere quali informazioni sono affidabili, quali azioni può compiere, quali eccezioni sono ammesse e soprattutto quando una decisione deve tornare nelle mani di una persona.

L’AI che lavora da sola, insomma, non esiste. Lavora dentro un sistema fatto di dati, software, regole, conoscenza e persone.

Ed è proprio la qualità di quel sistema a stabilire quanto lontano possiamo spingerci con l’autonomia.

Per questo continuiamo a pensare che la direzione più interessante non sia costruire semplicemente agenti capaci di fare sempre più cose.

È costruire ambienti nei quali dati, Business Intelligence, documenti, conoscenza aziendale e AI possano lavorare insieme, offrendo agli agenti il contesto necessario per capire prima di agire.

È anche la direzione nella quale stiamo facendo evolvere Elly.

Perché prima di chiedere a un’Intelligenza Artificiale di occuparsi di un processo, forse vale la pena fermarsi un momento e fare una domanda molto più semplice: siamo sicuri di sapere davvero come funziona?

👉 Scopri Elly su ellybi.com

Le ferie, per molti, sono finite. Ma settembre non è ancora davvero iniziato. Si riaccende il computer, si riaprono le chat, si scorrono le mail e per qualche minuto si prova quella sensazione familiare di essere tornati in un posto conosciuto… senza ricordare perfettamente dove avevamo lasciato le cose.

Dopo tre settimane Fuori Dashboard (li avete letti i nostri articoli “out of the box”, vero?) anche noi torniamo piano piano dentro il nostro mondo con l’articolo 148 della nostra newsletter e lo facciamo tirando fuori dalla nostra mitica playlist Data Grooves un grande pezzo:

🎵 “Back to Life” — Soul II Soul (1989)

Titolo perfetto per questi giorni. Torniamo alla vita normale, insomma. O almeno ci proviamo.

La cosa curiosa del rientro è che non fatichiamo troppo a ritrovare i meccanismi lavorativi. Le abitudini tornano, le procedure pure e dopo qualche ora sembra quasi di non essere mai partiti.

Il problema è un altro: ricordarsi tutto quello che c’era intorno e che le ferie - giustamente - hanno messo in secondo piano.

Per esempio, stavamo una risposta da quel cliente o eravamo noi a dover rispondere a lui?
Quel progetto era fermo perché mancava qualcosa o perché avevamo deciso di aspettare?
E quella soluzione che adesso sembra così ovvia, perché l’avevamo scartata?

Una parte della storia è nel gestionale, una nel CRM, un’altra nelle mail. Ci sono poi documenti condivisi, procedure, verbali, messaggi e soprattutto una quantità enorme di conoscenza che continua a vivere nella testa delle persone.

Finché tutti sono al proprio posto funziona anche piuttosto bene.

Poi arrivano le ferie, qualcuno cambia ruolo, passa qualche mese o semplicemente bisogna riprendere in mano un progetto lasciato lì troppo a lungo.

Ed ecco che recuperare un numero è facilissimo, mentre ricostruire il motivo per cui quel numero, quella scelta o quella decisione fossero importanti diventa molto più complicato.

I dati da soli non ricordano tutto.

Su queste pagine parliamo da anni di accessibilità del dato e non cambiamo certo idea oggi.

Dati organizzati, leggibili e facilmente interrogabili restano una parte fondamentale del problema. Ma noi sappiamo anche che dentro un’azienda non esistono soltanto i dati.

Esistono anche i documenti che spiegano come lavoriamo, le procedure che abbiamo costruito nel tempo, i contratti, le decisioni prese durante una riunione, le eccezioni concordate con un cliente.

In altre parole, esiste il contesto.

Ed è probabilmente qui che l’Intelligenza Artificiale può fare una delle cose più interessanti.

Non sapere magicamente tutto della nostra azienda — ci siamo già detti più volte quanto poco ci convinca questa idea — ma riuscire a recuperare quello che serve quando serve.

Una Knowledge Base, vista così, non è semplicemente una cartella un po’ più intelligente piena di documenti. Può diventare una specie di memoria condivisa dell’azienda.

Non per sostituire quella delle persone, naturalmente. Piuttosto per evitare che ogni volta sia necessario ricostruire da zero qualcosa che l’azienda, in realtà, sapeva già.

La prova del rientro.

Se siete appena tornati dalle ferie potete fare un test molto semplice: prendete un progetto che avete lasciato in sospeso a fine luglio e provate a ricostruire rapidamente cosa avevate deciso, perché lo avevate deciso e quale doveva essere il passo successivo.

Se bastano pochi minuti, complimenti.

Se invece dopo mezz’ora avete aperto cinque mail, cercato in tre chat e mandato un messaggio a Marco, forse avete appena scoperto che una parte importante del vostro patrimonio informativo non è nei vostri software.

È nelle persone ed è un patrimonio preziosissimo, ma anche piuttosto fragile.

Anche per questo Elly sta crescendo oltre la sola lettura dei numeri, mettendo sempre più insieme dati, documenti, conoscenza e AI.

Perché le domande che facciamo ogni giorno in azienda raramente hanno una risposta tutta dentro una tabella o tutta dentro un documento. Molto più spesso hanno bisogno di entrambe le cose.

E allora forse questa settimana di fine agosto, prima che settembre torni ad accelerare tutto, possiamo concederci ancora una domanda molto semplice: dove eravamo rimasti?

Se per rispondere dobbiamo necessariamente aspettare che qualche collega torni dalle ferie, abbiamo già trovato qualcosa su cui lavorare.

👉 Per scoprire più da vicino Elly visita ellybi.com

Siamo arrivati al numero 147 della newsletter Ellycode e all’ultimo appuntamento di Fuori Dashboard, il format con cui per tre settimane abbiamo cercato dati, Business Intelligence e Intelligenza Artificiale nel cinema, nella musica e nella letteratura.

Siamo partiti dal campo da baseball di Moneyball, dove i dati hanno messo in discussione convinzioni considerate intoccabili. Poi siamo entrati in studio con i Daft Punk, scoprendo che la tecnologia acquista valore quando incontra una storia, una competenza e un’identità.

Per l’ultima tappa dobbiamo spingerci un po’ più lontano. Nello spazio, per la precisione, insieme ad Arthur Dent, Ford Prefect, un androide perennemente depresso e uno degli oggetti più utili che si possano portare in viaggio: un asciugamano.

Parliamo della Guida galattica per gli autostoppisti di Douglas Adams.

Ma prima di lasciare la Terra, come sempre apriamo Spotify e recuperiamo un brano dalla nostra playlist Data Grooves:

🎵 “Don’t Panic” — Coldplay (2000)

Due parole che nella Guida galattica compaiono sulla copertina del libro più importante dell’universo, scritte in caratteri grandi e rassicuranti. Un consiglio utile per attraversare lo spazio e, probabilmente, anche per aprire una dashboard il lunedì mattina.

La risposta è 42. Ma qual era la domanda?

A un certo punto della storia, una civiltà estremamente avanzata costruisce un supercomputer chiamato Pensiero Profondo e gli affida un compito piuttosto ambizioso: trovare la risposta alla Domanda Fondamentale sulla Vita, l’Universo e Tutto Quanto.

Pensiero Profondo lavora al problema per sette milioni e mezzo di anni. Alla fine annuncia di aver trovato la risposta. È 42.

Il risultato lascia tutti comprensibilmente perplessi. Dopo un’attesa così lunga ci si sarebbe aspettati qualcosa di più solenne, magari una formula capace di spiegare finalmente il senso dell’esistenza.

Pensiero Profondo, però, fa notare che il problema non è la risposta.

Il problema è che nessuno conosce davvero la domanda.

Per scoprirla servirà un computer ancora più potente: la Terra, costruita appositamente per completare il calcolo.

Purtroppo viene demolita dai Vogon cinque minuti prima di arrivare al risultato, per fare spazio a una superstrada galattica.

Non il finale migliore per l’umanità, ma un ottimo punto di partenza per parlare di dati.

Perché oggi le aziende possiedono sempre più risposte. I gestionali registrano ogni operazione, le dashboard aggiornano gli indicatori, la Business Intelligence collega fonti differenti e l’Intelligenza Artificiale può interrogare dati e documenti in pochi secondi.

Il vero problema, sempre più spesso, è capire cosa vogliamo chiedere.

Una dashboard piena di risposte.

Immaginiamo di aprire una dashboard e trovare il fatturato del mese. Il numero è corretto, aggiornato e magari accompagnato da una bella freccia verde. Ma per capire se sia davvero una buona notizia dobbiamo fare altre domande.

Rispetto a quale periodo? Con quale marginalità? Grazie a nuovi clienti o aumentando la dipendenza da quelli storici? Quali prodotti hanno contribuito alla crescita? Quanto hanno inciso gli sconti?

La risposta cambia in base a ciò che stiamo cercando.

Possiamo chiedere semplicemente: come stanno andando le vendite?

Oppure possiamo domandarci quali clienti abbiano ridotto gli acquisti negli ultimi tre mesi, su quali categorie e con quale impatto sul margine.

La prima domanda probabilmente produrrà una risposta generale. La seconda apre un’indagine e può portare a una decisione.

Un numero non diventa utile soltanto perché è stato calcolato correttamente.

È questa una delle lezioni più interessanti di Douglas Adams. Pensiero Profondo non ha commesso alcun errore: ha elaborato il problema e restituito la risposta esatta. Eppure quella risposta non serve a nessuno, perché nessuno sa cosa farsene.

Succede anche nelle aziende quando misuriamo un indicatore soltanto perché è disponibile, costruiamo un report perché è sempre esistito o riempiamo una dashboard di grafici senza chiarire quali decisioni dovrebbe aiutare a prendere.

A quel punto possiamo avere una quantità enorme di informazioni e restare comunque fermi.

Non perché ci manchino le risposte, ma perché non abbiamo ancora trovato la domanda capace di dare loro un significato.

Le domande migliori arrivano strada facendo.

Con l’Intelligenza Artificiale tutto questo diventa ancora più evidente.

Oggi possiamo scrivere una frase e ricevere rapidamente un’analisi ordinata, plausibile e spesso molto convincente. Possiamo riassumere documenti, confrontare periodi, individuare anomalie e costruire scenari.

È un cambiamento enorme, ma la velocità della risposta non migliora automaticamente la qualità della domanda.

Allo stesso tempo, sarebbe poco realistico pensare che la domanda giusta debba essere sempre chiara fin dall’inizio.

Spesso partiamo da una sensazione ancora confusa. Apriamo una dashboard, notiamo un dato inatteso, cambiamo prospettiva, approfondiamo un cliente e scopriamo che il problema è diverso da quello che avevamo immaginato.

La Business Intelligence serve anche a questo: non soltanto a mostrare risultati, ma ad accompagnarci nell’esplorazione, fino a far emergere collegamenti che inizialmente non avevamo considerato.

Ed è anche la direzione nella quale stiamo costruendo Elly.

Rendere dati, dashboard e conoscenza aziendale più accessibili significa permettere alle persone di partire da una domanda semplice, osservare ciò che emerge e continuare ad approfondire. L’AI può accelerare questa ricerca, aiutandoci a formulare ipotesi e a raggiungere informazioni che prima richiedevano molti più passaggi.

Poi, però, resta alle persone il compito più importante: capire quale risposta può cambiare davvero una decisione.

Ed eccoci alla fine del nostro viaggio Fuori Dashboard.

1. Moneyball ci ha ricordato che i dati possono mettere in discussione ciò che diamo per scontato.

2. I Daft Punk ci hanno mostrato che la tecnologia amplifica davvero il valore quando incontra qualcosa di riconoscibilmente nostro.

3. Douglas Adams chiude il cerchio: possiamo avere dati, modelli e risposte sempre più potenti, ma dobbiamo ancora scegliere quali domande meritino il nostro tempo.

Quindi l’ultima domanda della trilogia non può che essere questa:

qual è la decisione per la quale la vostra azienda possiede già molti dati, ma non ha ancora trovato la domanda giusta?

Forse la risposta è già davanti a voi. Speriamo soltanto che non sia 42.

Keep in touch!

Siamo arrivati al numero 146 della newsletter Ellycode e al secondo appuntamento di Fuori Dashboard, il format estivo con cui, per tre settimane, cerchiamo dati, Business Intelligence e Intelligenza Artificiale nel cinema, nella musica e nella letteratura.

La scorsa settimana Moneyball ci ha ricordato che i dati possono mettere in discussione convinzioni considerate intoccabili, è possibile rileggerlo di seguito.

Questa volta incontriamo due robot che, per costruire uno degli album più importanti della loro carriera, hanno deciso di affidarsi agli esseri umani: parliamo dei Daft Punk e di Random Access Memories.

Ma prima di entrare in studio, come sempre apriamo Spotify e recuperiamo un brano dalla nostra playlist Data Grooves:

🎵 “Giorgio by Moroder” — Daft Punk (2013)

Nove minuti nei quali Giorgio Moroder racconta la propria storia mentre la musica attraversa epoche, strumenti e linguaggi diversi. Una canzone perfetta per capire cosa accade quando la tecnologia incontra la memoria, l’esperienza e una direzione precisa.

Quando i robot chiamano gli esseri umani.

Nel 2013 i Daft Punk erano già due icone della musica elettronica. Caschi robotici, sintetizzatori, campionamenti e una capacità unica di costruire intorno alla tecnologia un’identità immediatamente riconoscibile. Per il nuovo album avrebbero potuto utilizzare strumenti ancora più avanzati e spingere ulteriormente il loro suono verso il digitale.

Scelsero una strada diversa.

Chiamarono musicisti, produttori e interpreti provenienti da esperienze molto lontane tra loro: Nile Rodgers, Pharrell Williams, Giorgio Moroder e alcuni tra i migliori turnisti in circolazione. Registrarono strumenti reali, lavorarono per anni in studi diversi e dedicarono a ogni dettaglio una cura quasi artigianale.

Thomas Bangalter spiegò quella scelta con una frase molto semplice:

Volevano fare con le persone ciò che prima facevano con le macchine e i campionatori. Pitchfork raccontò così la produzione dell’album.

La tecnologia rimaneva presente, naturalmente. Soltanto che non era più chiamata a sostituire tutto il resto. Serviva a collegare competenze, sensibilità e storie differenti dentro un progetto con una direzione chiarissima.

Ed è proprio questo che rende Random Access Memories interessante ancora oggi.

Non è un disco costruito per dimostrare quanto fossero diventate brave le macchine. È un disco nel quale due robot utilizzano la tecnologia per far emergere meglio il contributo degli esseri umani.

Quando tutti possono usare gli stessi strumenti.

Tredici anni dopo, quella scelta ci porta direttamente all’Intelligenza Artificiale.

Oggi migliaia di aziende possono accedere agli stessi modelli. Possono generare testi e immagini, analizzare documenti, riassumere riunioni, interrogare dati e produrre idee in pochi secondi.

Si tratta di una grande opportunità, ma anche di un piccolo paradosso. Più questi strumenti diventano accessibili, meno il semplice fatto di utilizzarli può rappresentare un vantaggio.

Se tutti partono dallo stesso modello, utilizzano istruzioni simili e gli affidano lo stesso contesto generico, anche i risultati cominciano ad assomigliarsi. Lo vediamo già nei testi, nelle presentazioni, nelle immagini e nei siti: tutto corretto, ordinato, spesso anche gradevole. Eppure, dopo qualche minuto, diventa difficile ricordare chi abbia prodotto cosa.

Quando produrre diventa più facile, il valore si sposta su ciò che rende quella produzione riconoscibile.

Per i Daft Punk erano la cultura musicale, le collaborazioni scelte, l’attenzione quasi ossessiva per il suono e una visione che teneva insieme passato e futuro.

Per un’azienda sono i dati raccolti negli anni, il linguaggio utilizzato, la conoscenza del settore, le procedure, le decisioni già prese e l’esperienza delle persone che ci lavorano.

Tutto ciò che un modello generalista non può conoscere da solo.

La tecnologia amplifica ciò che le affidiamo.

In Giorgio by Moroder questo passaggio diventa particolarmente evidente.

I Daft Punk chiedono a Moroder di raccontare la propria vita: gli inizi nei locali, la scoperta del sintetizzatore, la ricerca di un suono che ancora non aveva un nome. Quell’esperienza personale viene registrata, selezionata e trasformata nella struttura stessa della canzone.

Una memoria che avrebbe potuto rimanere nella testa di chi l’aveva vissuta diventa la materia con cui costruire qualcosa di nuovo. Nelle aziende esiste un patrimonio molto simile.

Vive nei documenti, nei dati, nelle procedure e spesso nei ricordi delle persone: il commerciale che conosce la vera storia di un cliente, il tecnico che sa perché un processo viene gestito in un certo modo, l’imprenditore che riconosce un problema perché lo ha già affrontato molti anni prima.

Perché l’Intelligenza Artificiale non rende automaticamente un’azienda più riconoscibile. Amplifica ciò che l’azienda riesce a metterle a disposizione.

Se le affidiamo soltanto informazioni generiche, probabilmente otterremo risultati generici. Se invece può lavorare sui dati, sui documenti, sulle regole e sul linguaggio specifico dell’organizzazione, comincia a restituire qualcosa che appartiene davvero a quella realtà.

È anche la direzione nella quale stiamo costruendo Elly: far dialogare Business Intelligence, dati e conoscenza aziendale affinché le persone possano comprendere meglio ciò che accade, fare nuove domande e trasformare le informazioni in decisioni.

I Daft Punk non hanno rinunciato alla tecnologia per recuperare il fattore umano. Hanno utilizzato la tecnologia per farlo emergere ancora meglio.

Probabilmente è questa la sfida che attende anche le aziende: non chiedersi soltanto cosa possa fare l’AI, ma quale parte della propria storia, della propria competenza e del proprio modo di lavorare meriti di essere amplificata.

Quindi la domanda che lasciamo questa settimana è:

se domani tutti i vostri concorrenti utilizzassero gli stessi modelli di Intelligenza Artificiale, che cosa resterebbe riconoscibilmente vostro?

La prossima settimana, per l’ultimo appuntamento di Fuori Dashboard, lasceremo lo studio di registrazione e partiremo per lo spazio. Troveremo la risposta definitiva sulla vita, l’universo e tutto quanto.

Peccato che sia 42 e che nessuno ricordi più la domanda.

Keep in touch!

Siamo arrivati al numero 145 della newsletter Ellycode e abbiamo deciso di cambiare leggermente format: per tre settimane andremo Fuori Dashboard, cominciando dal cinema e da Moneyball, un film del 2011 che parla incidentalmente anche di baseball oltre che di decisioni data driven.

M a prima di entrare in campo, come sempre apriamo Spotify e recuperiamo un brano dalla nostra playlist Data Grooves:

🎵 “The Show” — Lenka (2008)

Nel film la canta la figlia di Billy Beane, interpretata da Kerris Dorsey. Una canzone leggera e delicata, quasi fuori posto in una storia fatta di sconfitte, statistiche e contratti. Proprio per questo funziona.

Se giochi con le stesse regole, vince chi ha più soldi.

Billy Beane è il general manager degli Oakland Athletics, una squadra con un problema abbastanza semplice da comprendere: deve competere con avversari che possono spendere molto di più.

I suoi giocatori migliori vengono acquistati dalle squadre più ricche e lui si ritrova a doverli sostituire con un budget che non gli permette di cercare altri campioni.

Se utilizza gli stessi criteri degli altri, perderà ancora prima di scendere in campo.

È qui che incontra Peter Brand, un giovane economista che osserva il baseball in modo diverso. Brand non cerca giocatori spettacolari, eleganti o particolarmente amati dagli osservatori.

Cerca quelli che, numeri alla mano, contribuiscono al risultato ma vengono valutati poco dal mercato.

Giocatori troppo vecchi, troppo strani, con un difetto evidente o semplicemente lontani dall’immagine che tutti hanno in mente quando pensano a un campione. Il criterio cambia. La domanda diventa molto più concreta: quanto spesso riescono ad arrivare in base?

A prima vista sembra una banale semplificazione, quando invece è un efficace cambio radicale di prospettiva.
Billy Beane smette di cercare versioni più economiche dei giocatori che non può acquistare e comincia a domandarsi quali capacità siano state sottovalutate da tutti gli altri.

Le convinzioni costano più dei dati.

Ogni organizzazione possiede delle convinzioni difficili da scalfire:

• quel prodotto è il nostro fiore all’occhiello

• quel cliente è troppo importante

• quel commerciale è il migliore

• quella campagna funziona

• in agosto non si vende.

Sono frasi che spesso nascono dall’esperienza e che, a forza di essere ripetute, finiscono per diventare fatti. Almeno fino a quando qualcuno non decide di collegare dati che prima venivano osservati separatamente.

Prendiamo il prodotto che vende di più: se guardiamo soltanto il fatturato, potrebbe essere davvero il migliore. Se aggiungiamo gli sconti, i resi, i costi logistici e il tempo assorbito dall’assistenza, la classifica potrebbe cambiare completamente.

Non perché i numeri possiedano una verità superiore, ma perché ci obbligano a guardare anche ciò che le nostre abitudini hanno progressivamente escluso dal campo visivo.

È questo il contributo più interessante della Business Intelligence. Riunire informazioni che si trovano in sistemi, reparti e momenti diversi e permetterci di osservare lo stesso fenomeno da più prospettive.

Una dashboard può mostrare che il cliente più importante per fatturato è tra gli ultimi per marginalità. Può evidenziare che il commerciale meno appariscente costruisce relazioni più solide. Può scoprire valore proprio dove l’azienda aveva smesso di cercarlo. Esattamente come accade in Moneyball.

I numeri, però, non entrano in campo da soli.

La parte più interessante del film arriva quando Billy Beane prova a trasformare l’analisi in decisioni reali.

Individuare i giocatori sottovalutati non basta. Bisogna acquistarli, farli giocare e convincere un’intera organizzazione ad abbandonare criteri utilizzati per decenni.

Chi ha costruito la propria carriera osservando giocatori sul campo non accetta facilmente che un foglio di calcolo metta in discussione la sua esperienza. L’allenatore non cambia formazione soltanto perché i numeri suggeriscono di farlo. Le informazioni entrano in un’organizzazione fatta di persone, ruoli, abitudini e responsabilità.

Succede anche con la Business Intelligence.

Possiamo costruire la dashboard migliore, aggiornarla in tempo reale e renderla accessibile da qualsiasi dispositivo. Ma se ciò che mostra non cambia una decisione, abbiamo soltanto realizzato un modo più elegante per continuare a fare le stesse cose.

La morale più semplice di Moneyball sarebbe che i numeri battono l’esperienza. Sarebbe anche quella sbagliata.

Paul DePodesta, la persona reale alla quale si ispira il personaggio di Peter Brand, ha spiegato che i dati non servivano a sostituire gli osservatori, ma ad aggiungere informazioni e ridurre ulteriormente l’incertezza. L’obiettivo era ampliare ciò che l’organizzazione sapeva, non cancellarlo.

I dati mettono alla prova l’esperienza. L’esperienza aiuta a interpretarli. Le decisioni nascono dall’incontro tra le due cose.

È anche la direzione nella quale stiamo costruendo Elly: rendere dati, dashboard, insight e conoscenza aziendale più accessibili alle persone che devono prendere decisioni, permettendo loro di fare domande e approfondire ciò che non torna.

Elly può aiutare a individuare il giocatore che nessuno sta guardando. Poi, però, qualcuno deve avere il coraggio di metterlo in campo.

Quindi la domanda che lasciamo questa settimana è semplice:

qual è una convinzione che nella vostra azienda considerate un fatto soltanto perché viene ripetuta da anni?

Forse agosto, con qualche riunione in meno, è il momento giusto per verificarla.

La prossima settimana lasceremo il campo da baseball ed entreremo in uno studio di registrazione. Ad aspettarci troveremo due robot che, per immaginare il futuro della musica, hanno deciso di chiamare alcuni esseri umani.

Keep in touch!

Tuttavia prima di entrare nel vivo, come sempre apriamo Spotify e recuperiamo un brano dalla nostra playlist Data Grooves:

🎵 “Better Together” — Jack Johnson (2005)

La scelta, questa volta, era quasi obbligata, perché ci sono competenze che possono funzionare bene da sole, ma quando si incontrano riescono a generare ancora più valore quando. Ed è esattamente ciò che vogliamo fare insieme al nostro nuovo partner: Slope.

Crescere attraverso le partnership.

Quando abbiamo iniziato a immaginare l’evoluzione di Elly, abbiamo capito subito che non avremmo potuto conoscere allo stesso modo ogni settore, ogni processo e ogni particolare esigenza operativa.

E, soprattutto, che non avrebbe avuto alcun senso fingere di poterlo fare.

Ogni mercato ha un proprio linguaggio, regole specifiche, metriche, abitudini e tante eccezioni che si imparano soltanto lavorandoci ogni giorno. La tecnologia può offrire nuove possibilità, ma per trasformarle in strumenti realmente utili serve la competenza di chi quel mondo lo conosce a fondo.

Per noi l’ecosistema nasce da qui.

Elly mette a disposizione le proprie capacità di Business Intelligence, analisi dei dati e Intelligenza Artificiale. I partner come Slope portano la conoscenza verticale, la comprensione dei processi e il rapporto costruito nel tempo con i propri clienti.

Non una semplice somma di tecnologie, quindi, ma un incontro tra competenze diverse e complementari.

Una storia italiana nata guardando lontano.

Slope è una software house italiana nata nel 2016 a Gualdo Tadino, nel cuore dell’Umbria.

La sua storia parte però qualche anno prima e molto più lontano. Il team che ha fondato l’azienda aveva maturato una lunga esperienza nello sviluppo di sistemi software per realtà della Silicon Valley. A un certo punto ha scelto di portare quella competenza tecnologica nel mercato alberghiero italiano, costruendo una piattaforma moderna, cloud-native e pensata intorno alle esigenze concrete di chi lavora nell’ospitalità.

Oggi Slope è guidata dai cofondatori Marco Matarazzi, CEO, e Andrea Sprega, CTO, e ha mantenuto una scelta molto precisa: concentrarsi sul mercato italiano, dalle strutture indipendenti fino ai gruppi alberghieri più articolati.

Una specializzazione che significa conoscere i processi quotidiani di un hotel, ma anche le normative, gli adempimenti, i canali di vendita e tutte quelle particolarità che difficilmente possono essere comprese da chi osserva il settore soltanto dall’esterno.

La piattaforma riunisce in un unico ambiente PMS, Booking Engine, Channel Manager, CRM, strumenti di marketing, fatturazione, pagamenti e numerose altre attività operative. Oltre 250 nuove strutture ogni anno scelgono Slope per accompagnare la propria gestione.

Ma non è stato l’elenco delle funzionalità a colpirci maggiormente. È stato il modo nel quale quelle funzionalità sono state costruite: partendo dalla conoscenza del settore e dai problemi reali delle persone che devono utilizzarle.

Tutto parte dai dati.

Una struttura ricettiva produce ogni giorno una quantità enorme di dati.

Prenotazioni, tariffe, disponibilità, canali di provenienza, pagamenti, richieste degli ospiti, attività operative. Ogni passaggio lascia una traccia e racconta una piccola parte di ciò che sta accadendo.

Il patrimonio informativo, quindi, esiste già.

Il vero valore emerge quando questi dati possono essere letti con semplicità, messi in relazione e trasformati in informazioni utili per chi deve prendere decisioni: è proprio in questo punto che le strade di Slope ed Elly si incontrano.

Slope conosce l’ospitalità, i suoi processi e il significato che ogni informazione assume all’interno di una struttura ricettiva. Elly permette di osservare e interrogare i dati, costruire dashboard, individuare collegamenti e rendere più accessibili analisi e insight attraverso l’Intelligenza Artificiale.

Da una parte c’è il dato generato nel lavoro quotidiano. Dall’altra la possibilità di comprenderlo meglio e renderlo utilizzabile da più persone. In mezzo ci sono le decisioni.

La BI e l’AI al servizio dell’ospitalità.

Nelle ultime settimane abbiamo raccontato più volte la direzione nella quale stiamo facendo evolvere Elly: una piattaforma nella quale dati, documenti, analisi e conoscenza aziendale possano dialogare.

La partnership con Slope porta questa visione all’interno di un settore stimolante, vivo e in continua evoluzione.

L’Intelligenza Artificiale può conoscere molte cose sul mondo dell’ospitalità. Non può però conoscere da sola la storia di una struttura, le sue performance, i suoi obiettivi e il modo nel quale le diverse informazioni si influenzano tra loro.

Per arrivare a quel livello servono dati affidabili, processi organizzati e una profonda competenza verticale.

Per questo non pensiamo all’AI come a qualcosa da aggiungere alla fine, quasi fosse un’etichetta da applicare a un software già esistente. Il suo valore cresce quando riesce a entrare nel contesto, comprendere il significato dei dati e avvicinare le informazioni alle persone che devono utilizzarle:

• Slope porta il contesto dell’ospitalità;

• Elly aggiunge nuovi modi per leggere, interrogare e valorizzare quel patrimonio.

Un nuovo passo per il nostro ecosistema.

Questa partnership apre un percorso che ci entusiasma perché rispecchia perfettamente il modo nel quale vogliamo crescere.

Non vogliamo costruire una piattaforma isolata, capace di fare tutto soltanto in teoria. Vogliamo far evolvere Elly attraverso il confronto con partner che conoscono davvero i propri mercati e che ogni giorno lavorano accanto ai clienti.

Un ecosistema nel quale ciascuno conserva la propria identità e mette a disposizione ciò che sa fare meglio.

Per noi l’accordo con Slope rappresenta esattamente questo: l’incontro tra due esperienze nate in contesti diversi, unite dalla volontà di rendere la tecnologia più utile, accessibile e vicina alle decisioni reali.

La firma è soltanto l’inizio. Adesso comincia la parte più bella: lavorare insieme, far dialogare le nostre competenze e scoprire quanto valore possiamo costruire per il mondo dell’ospitalità.

In fondo, Jack Johnson ce lo aveva già suggerito. Alcune cose sono semplicemente better together.

In questi anni abbiamo parlato spesso di dati, Business Intelligence, conoscenza aziendale e intelligenza artificiale. Questa settimana proviamo a mettere insieme tutti questi elementi, partendo da una domanda: quanto vale davvero ciò che un’azienda ha imparato nel tempo?

Ci sono decisioni che sembrano nascere in pochi minuti, ma richiedono anni per essere prese, perché dietro un’intuizione convivono l’esperienza accumulata, la conoscenza del mercato, gli errori già commessi, le conversazioni avute, i numeri osservati e tanti piccoli segnali che non sempre riusciamo a spiegare.

La chiamiamo esperienza, a volte istinto. In realtà è semplice, fondamentale conoscenza che il tempo ha compresso.

Il problema è che questa conoscenza, molto spesso, rimane nella testa delle persone. Non entra nei sistemi aziendali, non viene collegata ai dati e non lascia traccia delle ipotesi dalle quali è partita.

Quando una decisione produce un buon risultato, sappiamo di aver scelto bene. Ma non sempre riusciamo a ricostruire il perché. Così le persone diventano più esperte, mentre l’organizzazione non necessariamente impara.

Ma come sempre, prima di andare avanti, come sempre apriamo Spotify e recuperiamo un brano dalla nostra playlist Data Grooves:

🎵 “Don’t Forget Who You Are” — Miles Kane

Un brano che sembra scritto apposta per il tema di questa settimana. Perché anche le aziende, mentre cambiano, crescono e adottano nuovi strumenti, rischiano di dimenticare chi sono: ciò che hanno imparato, le decisioni prese, gli errori commessi e quel patrimonio di conoscenza costruito nel tempo.

Avere più informazioni non basta.

Oggi nessuna azienda può dire di non produrre informazioni e conoscenza.

I dati sono nei gestionali, nelle cartelle documentali, nelle analisi e nelle dashboard. Senza dimenticare le conversazioni nelle e-mail e nelle chat. Così come i verbali delle riunioni o, più frequentemente, nella memoria di chi vi ha partecipato.

Il problema è che tutto questo patrimonio vive spesso in luoghi separati.

Un’azienda può accumulare una quantità enorme di dati e continuare ad andare avanti senza utilizzarli davvero (che spreco).
Può produrre decine di report senza riuscire a costruire una visione comune (ma perché?) e adottare strumenti di intelligenza artificiale e ottenere risposte rapidissime, ma scollegate dalla propria storia e dal proprio modo di lavorare.

Avere più informazioni, insomma, non significa automaticamente prendere decisioni migliori.

Per riuscirci bisogna collegare ciò che oggi rimane frammentato: i dati, i documenti, le analisi, i processi e l’esperienza delle persone.

È da questo incontro che nasce un vero patrimonio decisionale.

Quando l’esperienza diventa patrimonio.

Un patrimonio decisionale non è semplicemente un archivio più grande.

È la capacità dell’organizzazione di recuperare ciò che è già accaduto, rendere disponibili le informazioni corrette, comprendere le relazioni tra i fenomeni e ricostruire le ipotesi che hanno guidato le scelte precedenti.

L’esperienza continua a essere centrale. Semplicemente però smette di essere invisibile.

I dati possono verificare ciò che pensiamo di sapere. Le dashboard possono mostrarci cosa sta accadendo. I modelli possono aiutarci a osservare ciò che potrebbe accadere. I documenti e le basi di conoscenza possono restituire il contesto che un numero, da solo, non possiede.

L’intelligenza artificiale può collegare questi elementi, renderli interrogabili e accelerarne la comprensione. La differenza, però, non la fa la semplice presenza dell’AI. La fa il sistema nel quale viene inserita.

L’AI conosce solo ciò che le mettiamo a disposizione.

Possiamo utilizzare il modello più avanzato disponibile e continuare a ricevere risposte soltanto plausibili.

Se l’AI non conosce i dati dell’azienda, i suoi documenti, le sue regole e la sua storia, proverà comunque a rispondere. Lo farà utilizzando ciò che conosce del mondo, non necessariamente ciò che dovrebbe conoscere di noi.

È lo stesso tema che abbiamo affrontato parlando di Knowledge Base: la qualità di una risposta dipende anche dalla qualità e dalla profondità del contesto al quale l’intelligenza artificiale può accedere.

Ma c’è un passaggio ulteriore.

Non basta permettere all’AI di trovare un documento o leggere un dato. Bisogna fare in modo che possa mettere questi elementi in relazione.

Una decisione raramente nasce soltanto da una tabella, così come non nasce neppure soltanto da un documento, da una conversazione o da una risposta generata dall’intelligenza artificiale.

Quando lavora sui dati, sui documenti e sulle regole dell’organizzazione, l’AI può diventare una componente del processo decisionale. Non sostituisce il giudizio. Gli offre più elementi sui quali esercitarsi.

Un unico patrimonio aziendale.

Per questo pensare alla Business Intelligence, alla gestione documentale, alle basi di conoscenza e all’intelligenza artificiale come mondi separati ci sembra sempre meno utile.

Sono strumenti diversi, ma lavorano tutti sullo stesso patrimonio.

La Business Intelligence aiuta a leggere i fenomeni attraverso i dati. La Knowledge Base conserva e rende accessibili documenti e conoscenza. L’AI permette di interrogare questi contenuti e individuare collegamenti. Gli agenti possono trasformare ciò che abbiamo compreso in un’azione.

Insieme possono aiutare l’organizzazione a ricordare ciò che sa, comprendere ciò che sta accadendo e utilizzare entrambe le cose per decidere meglio.

Un ambiente nel quale dati, analisi, documenti e conoscenza aziendale possano dialogare. Uno spazio nel quale osservare ciò che sta accadendo, recuperare ciò che l’organizzazione ha imparato e costruire una comprensione più completa prima di agire.

Perché ogni azienda possiede già un patrimonio enorme.

La vera sfida è evitare che rimanga disperso tra persone, strumenti e archivi diversi. E fare in modo che ogni decisione non sia soltanto una risposta al presente, ma diventi conoscenza disponibile per quella successiva.

👉 Scoprite come Elly può valorizzare il patrimonio di dati e conoscenza della vostra azienda su ellybi.com

Una parte importante del patrimonio informativo delle aziende si trova nei software e nei gestionali, ma un’altra parte altrettanto importante è custodita nei contratti, nei manuali, nelle procedure interne, nei cataloghi, nei regolamenti, nelle presentazioni commerciali, nelle schede tecniche. Tutti documenti che l’azienda ha scritto, approvato, aggiornato, condiviso e poi, in qualche caso, anche dimenticato.

Finché un giorno qualcuno chiede: “Dove trovo questa informazione?”, magari durante una riunione di vitale importanza, e parte la caccia.

Forse è nella cartella condivisa. Forse era allegata a una mail. Forse esistono tre versioni dello stesso documento e nessuno ricorda quale sia quella aggiornata. Oppure arriva la risposta più frequente: “Chiedi a Marco, lui lo sa.” Solo che Marco è in ferie.

Ecco perché abbiamo scelto di aggiungere una Knowledge Base a Elly: per colpa di Marco 😃

A parte gli scherzi, come da tradizione, prima di partire mettiamo la puntina sul giradischi e accompagniamo la lettura con un brano della nostra playlist Data Grooves:

🎵 “You Found Me” — The Fray (2008)

Il titolo, questa volta, racconta già una parte della storia: nelle aziende le informazioni non mancano, sono lì da qualche parte, dentro un database, in una procedura, tra le pagine di un contratto, in una cartella condivisa o nella memoria di una persona.

Il vero problema è trovarle quando servono. Ed è proprio da qui che siamo partiti.

Quello che i dati ci dicono. E quello che non possono dirci.

Elly nasce dalla Business Intelligence e dall’idea di rendere i dati più accessibili. Collegare fonti diverse, organizzare le informazioni, costruire dashboard, generare insight, riconoscere anomalie, interrogare i dati in linguaggio naturale.
È il cuore del nostro lavoro e continuerà a esserlo.

Tuttavia, lavorando sui casi reali, ci siamo accorti che molte domande aziendali iniziano dai dati e finiscono da un’altra parte.

Immaginiamo che un responsabile voglia sapere quali prodotti hanno registrato più resi nell’ultimo trimestre.

La risposta è nei dati.

Elly può analizzare le collezioni disponibili, confrontare prodotti e periodi, restituire una tabella o proporre una visualizzazione utile.

Poi però arriva quasi sempre la domanda successiva:

Qui i numeri non bastano più. La risposta potrebbe trovarsi in una policy commerciale, in un manuale operativo o nelle condizioni sottoscritte con il cliente:

• mentre il dato mostra il fenomeno;

• il documento aiuta a capire le regole con cui quel fenomeno deve essere gestito.

Nella realtà aziendale, queste due domande appartengono alla stessa conversazione ed è per questo che abbiamo iniziato a portarle dentro lo stesso ecosistema.

I documenti smettono di essere soltanto documenti.

Una Knowledge Base permette di raccogliere manuali, procedure, policy, cataloghi e altri contenuti aziendali e di interrogarli attraverso la chat di Elly.

L’utente non deve ricordare il titolo esatto del file, la cartella in cui è stato salvato o le parole precise utilizzate da chi lo ha scritto. Può formulare una domanda come la formulerebbe a un collega.

Elly cerca nei contenuti disponibili, individua le parti più pertinenti e le utilizza per costruire la risposta.

Nella stessa chat può lavorare sui dati, consultare la documentazione, generare insight, spiegare una tabella o suggerire una visualizzazione. A noi interessa soprattutto questo incontro.

Perché una parte dell’azienda vive nelle tabelle e un’altra vive nei documenti.
E spesso il valore emerge proprio quando le due parti riescono finalmente a parlarsi.

Prima di agire, bisogna sapere.

C’è poi un’altra ragione che rende questa evoluzione particolarmente importante:

È una strada interessante, ma richiede attenzione.
Un agente può anche essere molto bravo a comprendere una richiesta. Se però non conosce le procedure dell’azienda, i suoi vincoli e le sue regole, rischia di agire sulla base di un contesto generico.
E il contesto generico, dentro un processo aziendale, raramente è sufficiente.

Prima di fare, bisogna sapere.

La Knowledge Base diventa così uno dei mattoni su cui costruire una parte agentica più vicina al funzionamento reale dell’azienda. Non risolve tutto e non rende automaticamente intelligente qualsiasi processo. Offre però agli agenti una base sulla quale cercare regole, istruzioni e conoscenze utili.

La conoscenza non arriva soltanto da noi.

Come accade con i dati, anche i documenti acquistano valore quando incontrano il contesto giusto.

Ogni settore possiede il proprio linguaggio, le proprie procedure e le proprie eccezioni. Una software house verticale conosce tutto questo perché lo incontra ogni giorno nei prodotti che sviluppa e nelle richieste dei clienti.

Per questo la Knowledge Base entra naturalmente anche nella nostra idea di partnership.

Un Partner può portare dentro Elly la documentazione del proprio software, i manuali, le procedure di settore e quella conoscenza verticale che nessuna piattaforma potrebbe inventare da sola.

L’azienda aggiunge la propria esperienza, le proprie regole e i documenti costruiti nel tempo.

È questo, per noi, il significato più interessante della parola ecosistema: competenze diverse che non vengono appiattite dentro un unico strumento, ma trovano un luogo in cui collaborare.

Perché pensiamo sia una scelta vincente.

Abbiamo aggiunto una Knowledge Base perché la conoscenza aziendale non coincide con la quantità di dati disponibili.

Dentro un’organizzazione esistono numeri da analizzare, documenti da consultare, regole da rispettare, persone che conoscono eccezioni mai formalizzate e Partner che portano anni di esperienza verticale.

Mettere tutto insieme è un percorso che richiederà tempo, prove e aggiustamenti.

Consideriamo questa scelta vincente proprio perché non prova a indovinare una volta per tutte come lavoreranno le aziende nel futuro. Parte da una realtà che esiste già:

• prima con la Business Intelligence e l’analisi dei dati;

• adesso anche attraverso i documenti e la Knowledge Base;

• domani, sempre di più, con agenti capaci di utilizzare questa conoscenza per aiutare le persone ad agire.

È la direzione nella quale sta crescendo Elly: un ecosistema in cui dati, AI, documenti, competenze e Partner possano contribuire alla stessa cosa.

Capire meglio il lavoro e rendere più semplice farlo ogni giorno.

👉 Scoprite come Elly può potenziare il vostro software o il vostro business su ellybi.com

Oggi vogliamo affrontare un tema che ci sta molto a cuore. Nel mondo del software verticale esiste un patrimonio che spesso viene dato per scontato: dati, processi, regole, storici, abitudini operative, eccezioni, modi di lavorare. Tutte cose che le software house raccolgono e organizzano ogni giorno dentro i propri prodotti, cliente dopo cliente, versione dopo versione, (bug dopo bug).

Quando si parla di innovazione, la tentazione è sempre quella di aggiungere un nuovo modulo o integrazione. Tuttavia, a volte, il valore più interessante sta proprio in quello che il software già custodisce.

Un software verticale - quando funziona davvero - non è un semplice strumento gestione, ma diventa una memoria di settore con dentro anni di richieste, personalizzazioni, casi particolari e dati prodotti ogni giorno da aziende che lavorano, vendono, acquistano, consegnano, fatturano, assistono, correggono e ricominciano.

E allora la domanda diventa semplice, ma tutt’altro che banale:

Oggi partiamo da qui. Dal punto in cui il dato smette di essere solo qualcosa da registrare e comincia a diventare valore continuo per i clienti finali.

Tuttavia prima come da tradizione mettiamo la puntina sul giradischi e accompagniamo la lettura con un po’ di musica dalla nostra playlist Data Grooves:

🎵 “Wonderwall” — Oasis, (What’s the Story) Morning Glory?

Una canzone che tutti hanno sentito almeno una volta e che è rimasta attaccata alla memoria di più generazioni. In questi Mondiali di calcio è tornata fortissima, cantata dai tifosi inglesi quasi come un inno collettivo. E forse il punto è proprio questo: alcune cose restano davanti a noi per anni, familiari al punto da diventare quasi invisibili. Poi cambia il contesto, cambia lo sguardo, cambia il momento. E all’improvviso capiamo che non erano solo sfondo. Erano possibilità.

Con i dati succede qualcosa di simile.

Sono lì da anni, a volte sembrano solo tracce operative. Un ordine inserito. Una commessa aperta. Una fattura registrata. Un ticket chiuso. Una scadenza aggiornata. Un cliente ricontattato.

Tutto necessario, naturalmente. Senza quei dati il software non funzionerebbe e l’azienda perderebbe memoria del proprio lavoro.

Tuttavia quei dati possono limitarsi a dire cosa è successo oppure possono aiutare a capire cosa sta succedendo. La differenza è enorme.

Nel primo caso il dato resta una fotografia. Utile, precisa, magari indispensabile, ma comunque una fotografia. Nel secondo caso diventa una lettura. Aiuta il cliente a vedere un cambiamento, a riconoscere un segnale, a capire una tendenza, a fare una domanda migliore.

Una software house verticale conosce benissimo questa differenza.

Da fuori tutto può sembrare uguale. Poi però entri davvero in un settore e scopri che non è così: una commessa “chiusa” non sempre significa davvero chiusa. Che un cliente “attivo” può voler dire cose diverse a seconda del processo commerciale. Che un ordine in ritardo può essere un problema grave oppure una dinamica perfettamente normale in un certo periodo dell’anno. Che un margine va letto insieme a tempi, resi, assistenza, condizioni contrattuali, abitudini del cliente.

Si costruisce nel tempo. Cliente dopo cliente, rilascio dopo rilascio, telefonata dopo telefonata. Si costruisce ascoltando richieste simili che però non sono mai identiche. Si costruisce capendo quando una personalizzazione è davvero una personalizzazione e quando invece nasconde un’esigenza comune a tutto un settore.

Per questo una software house verticale non custodisce soltanto software. Custodisce contesto.

E il contesto, nel mondo dei dati, è ciò che permette a un numero di smettere di essere un numero qualunque.

Un dato senza contesto può essere corretto e allo stesso tempo poco utile. Può essere preciso, aggiornato, ben presentato, ma ancora incapace di aiutare davvero chi deve decidere. Perché il valore non nasce solo dall’accesso all’informazione. Nasce dalla capacità di leggere quell’informazione dentro il lavoro reale del cliente.

Qui entra in gioco Elly.

Non come qualcosa che sostituisce il ruolo delle software house, ma come qualcosa che può amplificarlo.

Elly aiuta le software house Partner a trasformare il dato che già esiste nei loro verticali in valore continuo per i clienti finali.

Questa è la frase che per noi oggi conta più di tutte. Perché sposta l’attenzione dal “cosa aggiungiamo al software” al “come facciamo rendere meglio quello che il software già contiene”.

Non si tratta di portare complessità dentro il lavoro quotidiano dei clienti. Al contrario. Si tratta di far emergere meglio quello che il lavoro quotidiano produce già. Il valore continuo nasce quando il dato comincia ad accompagnare il lavoro.

Nasce quando un cliente può capire prima che una linea di prodotto sta perdendo marginalità. Quando un responsabile commerciale si accorge che alcuni clienti stanno rallentando gli ordini. Quando un’anomalia non resta nascosta fino alla chiusura del mese. Quando un’informazione non deve fare tre giri di mail prima di arrivare alla persona giusta.

Nasce quando il software verticale non è più soltanto il luogo in cui le cose vengono registrate, ma diventa anche il luogo da cui emergono letture utili. Questo apre una possibilità importante per le software house.

Non limitarsi a fornire strumenti per gestire il lavoro, ma aiutare i clienti a comprenderlo meglio. Non consegnare solo funzionalità, ma generare segnali, insight, letture, servizi ricorrenti. Non aspettare che il cliente chieda un report, ma accompagnarlo nel vedere prima ciò che conta.

Per noi questa è una direzione molto chiara.

Non chiedere ai clienti finali di inseguire un’altra piattaforma, un altro ambiente, un altro cruscotto da controllare. Piuttosto aiutare le software house Partner a portare più valore dentro i contesti che i clienti conoscono e usano già.

Il lavoro di Elly è aiutare i Partner a trasformare tutto questo in qualcosa di più utile, più leggibile, più continuo.

E forse è proprio qui che si gioca una parte importante della prossima evoluzione del software verticale: on nel fare di più per il gusto di fare di più, ma nel far rendere meglio quello che c’è già.

Perché il dato, da solo, può restare fermo per anni. Può essere corretto, ordinato, disponibile, persino abbondante, però se non torna al cliente in una forma capace di aiutarlo a capire, scegliere e migliorare, resta una possibilità inespressa.

Quando invece incontra il contesto giusto, il linguaggio giusto e il Partner giusto, può diventare una cosa molto più preziosa.

Valore che ritorna, ogni giorno, ai clienti finali.

Ed è esattamente lì che Elly vuole stare.

Tabelle, report, dashboard, indicatori, grafici, filtri, viste personalizzate. Un vocabolario visivo costruito per dare ordine a una realtà sempre più frammentata. Vendite, acquisti, magazzino, amministrazione, marketing, produzione, assistenza clienti: ogni funzione aziendale generava informazioni, spesso senza avere un luogo comune in cui farle incontrare.

La BI è stata la risposta a questa esigenza, portando metodo laddove regnavano esportazioni manuali, fogli duplicati, file chiamati “finale_definitivo_vero”, numeri copiati da un gestionale all’altro e decisioni prese più per intuito che per evidenza.

È stata una rivoluzione silenziosa, non molto diffusa nel nostro Paese a dire la verità. Meno appariscente di altre, ma sicuramene decisiva, perché ha aiutato quelle imprese che hanno avuto la capacità di guardarsi dall’interno con continuità, misurare fenomeni che prima restavano dispersi e trasformare il dato in uno strumento concreto di controllo e direzione.

Ma prima di entrare nel vivo, come sempre, apriamo Spotify e tiriamo fuori la nostra playlist Data Grooves:

🎵 “Talk to Me” — Damiano David, Tyla, Nile Rodgers Nicks, 2025

Dopo anni passati a guardare i dati, è arrivato il momento di poterci parlare. O meglio: di poterli interrogare con naturalezza, senza perdere il rigore che li rende utili.

La promessa originaria della BI.

La Business Intelligence nasce da un’intuizione ancora attualissima: i dati aziendali, lasciati a se stessi, non producono automaticamente conoscenza.

Un ordine registrato, una fattura emessa, un lead acquisito, una consegna effettuata o un ticket chiuso sono semplici tracce operative. Raccontano qualcosa solo se vengono collegate, normalizzate, confrontate e lette nel tempo.

La BI ha costruito questo ponte, offrendo alle aziende gli strumenti per passare dal singolo evento al quadro complessivo. Dal numero isolato alla tendenza, dal dato grezzo alla misura utile.

In questo senso ha avuto una funzione anzitutto culturale: ha abituato organizzazioni, manager e reparti a farsi domande diverse:

• Quanti clienti abbiamo acquisito e quanto valgono?

• Quanto margine generano?

• Dove perdiamo efficienza?

• Quali prodotti crescono e quali aree rallentano?

• Quali processi assorbono più tempo del previsto?

Domande semplici, almeno in apparenza. In realtà, dietro ognuna di esse si nasconde un lavoro enorme fatto di fonti da collegare, definizioni da condividere, eccezioni da gestire, dati da pulire e metriche da rendere coerenti.

La distanza tra dato e significato.

Con il tempo, però, è emersa una distanza, che spesso si è trasformata in una frattura: un report aggiornato non significa automaticamente saperlo leggere bene. Una dashboard ordinata non garantisce che la domanda giusta trovi risposta. E accumulare KPI non assicura che l’azienda sappia davvero quali guardare, quando monitorarli e come interpretarli.

Questa distanza non dipende dagli strumenti, ma dal modo in cui le persone entrano in relazione con il dato.

La BI tradizionale parte spesso da una struttura rigida e predefinita. Qualcuno ha progettato il cruscotto, scelto le metriche, impostato i filtri e deciso quali viste servono ai vari utenti. È un approccio prezioso perché porta ordine ma, nella vita reale delle aziende, le domande cambiano continuamente.

Una dashboard può mostrare l’andamento delle vendite per area geografica. Ma la domanda del direttore commerciale potrebbe essere molto più sfumata: perché un’area con molti lead ha convertito meno del previsto? Quali clienti stanno comprando meno rispetto allo stesso periodo dell’anno scorso? C’è un’anomalia nei tempi di consegna che sta influenzando il riordino? Il calo dipende dal prezzo, dalla stagionalità o da un problema operativo?

Sono interrogativi che nascono dentro il flusso di lavoro, non dentro un modello di reportistica standard. Ed è qui che l’AI apre una fase completamente nuova.

Quando la domanda viene prima del report.

L’Intelligenza Artificiale applicata alla Business Intelligence ribalta il punto d’ingresso.
Per anni l’utente ha dovuto avvicinarsi al dato attraverso interfacce costruite a tavolino: menu, filtri, grafici, query ed esportazioni. Chi conosceva bene lo strumento riusciva a muoversi; chi aveva meno familiarità restava spesso in superficie, oppure dipendeva da un tecnico capace di tradurre la domanda in analisi.

Con l’AI conversazionale, la richiesta può arrivare in una forma più naturale. Può essere incompleta, operativa, perfino imprecisa. Esattamente come accade nel lavoro vero:

“Perché il margine è sceso nell’ultimo trimestre?” “Quali clienti stanno rallentando gli ordini?” “Dove abbiamo perso efficienza rispetto allo scorso anno?”

Il vero valore non è la comodità di digitare una frase in linguaggio naturale. È la possibilità di allineare la BI al modo in cui le persone pensano. Perché le aziende non decidono per grafici. Decidono per domande.

Il grafico e il KPI servono, ma arrivano dopo una necessità più profonda: capire cosa merita attenzione, quali collegamenti esplorare, quali segnali distinguere dal rumore. L’AI può accompagnare l’utente dentro il dato, suggerire percorsi di analisi, evidenziare anomalie e spiegare perché un indicatore si sta muovendo in una certa direzione.

Tutto questo senza trasformare ogni collaboratore in un data analyst, senza imporre linguaggi tecnici e senza ridurre la complessità aziendale a una risposta automatica buona per ogni contesto.

Il nodo più importante resta il contesto.

Qui si gioca la partita più delicata. L’AI applicata alla Business Intelligence funziona davvero solo quando comprende il significato operativo delle parole aziendali.

Cliente attivo. Ordine chiuso. Margine. Lead qualificato. Consegna in ritardo. Fatturato ricorrente.

Sembrano espressioni universali, ma in realtà sono piccole architetture di significato che cambiano da settore a settore, da azienda ad azienda, talvolta persino da reparto a reparto.

Per un’impresa un cliente è “attivo” se ha acquistato negli ultimi dodici mesi; per un’altra se ha un contratto in corso; per una terza se genera interazioni commerciali, anche senza ordini recenti. Lo stesso vale per un “ordine chiuso”: può significare merce spedita, fattura emessa, pagamento incassato o commessa completata.

Ogni progetto serio di analisi parte proprio dalla definizione delle metriche, e l’AI rende questo nodo ancora più evidente. Un modello linguistico può formulare risposte eleganti, sintetizzare e generare ipotesi. Ma dentro un sistema aziendale conta solo una cosa: quel modello sa cosa significano quelle precise parole in quella specifica realtà?

Senza contestualizzazione, l’AI può apparire brillante ma resta strutturalmente fragile.

Con questo lavoro, invece, diventa uno strato intelligente sopra una base solida: dati puliti, definizioni condivise, regole di business esplicite e fonti collegate. L’AI porta velocità e accessibilità; la BI porta struttura e coerenza. La parte interessante nasce dal loro incontro.

Il ruolo delle software house.

Questo incontro non avviene nel vuoto. Per portare l’AI dentro i dati servono conoscenza dei processi, familiarità con le abitudini operative e capacità di tradurre il linguaggio aziendale in logiche applicative.

Le software house verticali hanno un ruolo centrale proprio per questo. Conoscono a fondo i settori che servono: sanno quali informazioni contano davvero per un gestionale retail, per una piattaforma logistica, per un ERP manifatturiero o un CRM nei servizi. Hanno visto come i clienti usano gli strumenti, quali campi compilano con cura, quali report diventano indispensabili nelle riunioni e quali invece restano inutilizzati.

Questa conoscenza sul campo vale moltissimo. L’AI, da sola, può generare un’interfaccia intelligente; ma un’interfaccia intelligente, senza contesto verticale, resta generica. Le aziende hanno bisogno di strumenti che comprendano i loro dati, ma anche le loro priorità e le loro eccezioni operative.

Una BI più accessibile, senza perdere profondità.

La grande promessa dell’AI nella Business Intelligence è rendere il dato più democratico. E accessibile non significa semplificato fino a diventare banale, ma più vicino alle persone che devono usarlo per decidere.

Per anni si è investito soprattutto sulla rappresentazione del dato. Oggi il passo successivo riguarda la relazione con il dato.

Chi può fare domande? Con quale linguaggio? Su quali fonti? Con quale livello di fiducia e di verificabilità? Sono queste le domande che contano oggi. Perché la Business Intelligence resta uno dei luoghi più concreti in cui l’Intelligenza Artificiale può produrre valore reale. Non come spettacolo tecnologico, ma come evoluzione naturale di un bisogno antico: capire meglio quello che accade dentro l’organizzazione per decidere con maggiore consapevolezza.

Dove stiamo noi, dove sta Elly.

Siamo nati con un’idea semplice ma ostinata: rendere la Business Intelligence accessibile.

Accessibile per chi non ha un intero reparto IT interno, per chi lavora con dati frammentati tra gestionali, fogli di calcolo e database diversi, e per chi ha bisogno di capire cosa sta succedendo senza aspettare ogni volta un report costruito su misura.

Con l’AI questa visione diventa realtà. Elly nasce esattamente in questo punto di intersezione: dati aziendali, Business Intelligence, linguaggio naturale e contesto operativo. Il suo valore non sta solo nel mostrare informazioni, ma nel rendere immediato il percorso per comprenderle, abbassando la distanza tra le persone e il patrimonio informativo dell’azienda.

In un momento in cui tutti parlano di Intelligenza Artificiale, forse conviene ripartire da qui.

Dalle domande. Da quelle vere. Quelle che ogni azienda si pone ogni giorno, spesso senza avere ancora un modo semplice per trovare la risposta nei propri dati.

👉 Scoprite come Elly può potenziare il vostro software o il vostro business su ellybi.com

Ma entriamo nel cuore del tema di oggi, che ci interroga su un paradosso storico quasi divertente. Parliamo ogni giorno di AI, la vediamo ovunque, la troviamo dentro software, presentazioni, piani strategici, dashboard, corsi di formazione e demo commerciali. Eppure rischiamo di non accorgerci di una cosa tanto semplice quanto cruciale: tra usare l’AI e adottarla davvero c’è una distanza enorme.

La frase ormai la sentiamo ovunque: “Noi l’AI la usiamo già”.

Ed è vero. La usa il commerciale per ripulire una mail, il marketing per preparare la bozza di un piano editoriale, il tecnico per farsi aiutare su una query, l’imprenditore per arrivare a una call con qualche idea in più e un foglio bianco in meno da fissare.

Tutto giusto. Tutto utile. Tutto interessante. Ma non basta.

Perché usare l’AI non significa averla portata dentro il modo in cui l’azienda lavora, decide e misura. Significa, spesso, averla messa nelle mani di qualche singolo collaboratore. Che è un ottimo inizio, ma non è ancora trasformazione.

Come ormai da tradizione acquisita, prima di entrare nel vivo ci affidiamo alla nostra playlist Data Grooves per accompagnare la lettura con la giusta colonna sonora:

🎵 “Everybody’s Talkin’” — Harry Nilsson, Midnight Cowboy (1969)

Un pezzo perfetto. Perché oggi, sull’AI, tutti parlano e molti sperimentano. Ma quando si passa dalla conversazione alla vera adozione strutturale, il volume si abbassa parecchio.

Oltre l’effetto wow: confondere l’uso con l’adozione.

Una recente analisi della Banca Centrale Europea (fonte Reuters) ha fotografato molto bene questo momento: l’utilizzo dell’AI tra le imprese cresce rapidamente, ma l’uso intensivo — quello capace di impattare davvero sui processi — resta raro.

Se dieci persone in azienda usano dieci strumenti AI diversi, senza dati condivisi, regole, obiettivi e responsabilità, l’azienda non è diventata AI-driven. Ha semplicemente dieci persone che usano l’AI.

È una specie di artigianato aumentato, utilissimo per risparmiare tempo sul singolo compito, ma non ancora sufficiente per spostare l’asticella del business.

La differenza non è una sfumatura linguistica. È una scelta di campo.

L’utilizzo è personale: risponde alla domanda “come posso fare prima questa cosa?”. Vive nel browser del singolo, nella chat aperta durante la giornata, nel prompt salvato da qualche parte.

L’adozione è organizzativa: risponde alla domanda “quale pezzo del nostro modo di lavorare vogliamo ripensare?”. Vive nei sistemi, nei dati, nei flussi decisionali, nelle responsabilità:

1. il primo piano crea familiarità;

2. il secondo genera valore.

Ed è qui che molte PMI si fermano.

Il vero “Skill Gap” non è nel prompt.

Per mesi ci hanno raccontato che la grande competenza del futuro sarebbe stata il prompt engineering. Imparare le parole giuste da dire alla chat. Saper chiedere bene. Saper impostare un ruolo, un contesto, un formato, una serie di istruzioni e magari anche un paio di “non fare questo” per sicurezza.

Tutto utile, per carità.
Tuttavia il vero skill gap non è tecnico. È culturale e organizzativo.

Le aziende fanno fatica ad adottare l’AI non perché non sanno scrivere un prompt perfetto, ma perché non hanno ancora risposto a domande molto più profonde:

• quali processi vogliamo migliorare?

• Quali dati sono davvero affidabili?

• Chi convalida l’output?

• Chi decide dove l’AI può suggerire e dove invece deve fermarsi?

• Come misuriamo se tutto questo sta producendo un beneficio reale?

Anche il report “GenAI Divide” del MIT va in questa direzione: molti progetti di AI generativa non arrivano a produrre impatto perché restano scollegati dai flussi di lavoro reali, fragili nell’apprendimento dal contesto e difficili da integrare nelle operazioni quotidiane.

L’AI non elimina il caos. Lo accelera.

Qui arriviamo al punto: non possiamo pensare che l’intelligenza artificiale possa risolvere automaticamente il disordine di un’azienda. Se i dati sono frammentati, l’AI eredita la frammentazione. Se i processi sono confusi, accelera la confusione. Se le definizioni non sono condivise, prova a indovinare.

E spesso lo fa anche molto bene (conseguenza che poi diventa parte del problema).

Una risposta sbagliata, ma scritta con l’elegante sicurezza dell’AI, è molto più pericolosa di un errore evidente. Perché suona credibile, scorre bene, si presenta con ordine, magari ha anche quel tono sicuro che ci tranquillizza. Peccato che possa poggiare su un contesto fragile, su dati parziali o su una definizione che in azienda nessuno ha mai davvero chiarito.

Prendiamo una definizione apparentemente semplice: cliente attivo.

Significa che ha comprato negli ultimi dodici mesi? Che ha un contratto aperto? Che genera margine? Che interagisce ancora con il commerciale? Che non ha disdetto? Che paga regolarmente?

In ogni azienda la risposta cambia.

Se il perimetro è ambiguo, l’AI proverà a indovinare. E se il contesto aziendale è fragile, l’AI non lo rende solido: lo rende solo più veloce. Anche a sbagliare.

Il Modello Elly: dalla chat al processo verticale.

La chat ha reso l’AI democratica, e questo è stato un passaggio enorme. Una domanda, una risposta. Un’altra domanda, un’altra risposta. Semplice, immediato, accessibile.

Rivoluzionario.

Ma la chat è un’interfaccia, non una strategia.

Una cosa è chiedere: “scrivimi una mail per un cliente”. Un’altra cosa è chiedere: “quali clienti mostrano segnali di calo o rischio questa settimana?”.

La prima domanda lavora sul linguaggio. La seconda lavora sui dati. E qui cambia completamente la partita.

Per rispondere alla seconda domanda, l’AI deve uscire dal browser e connettersi al mondo reale dell’azienda: ERP, CRM, storici d’acquisto, marginalità, frequenza degli ordini, anomalie, obiettivi commerciali, priorità operative.

La filosofia di Elly nasce proprio qui: non è l’utente a dover andare verso l’AI, ma è l’AI a dover entrare nei dati che l’azienda già produce.

Lo facciamo muovendoci su tre dimensioni concrete.

1. Dal dato disperso al contesto condiviso: integriamo informazioni frammentate in una fonte affidabile di verità, eliminando il pericoloso balletto dei file Excel via email.

2. Dalla risposta all’insight: una risposta dice un numero, un insight spiega perché quel numero conta e aiuta il manager a decidere cosa fare un secondo dopo.

3. Dall’anarchia alla governance: l’accessibilità senza regole produce solo caos creativo. Servono sicurezza, permessi, responsabilità e fonti affidabili per rendere l’innovazione sostenibile.

Questo passaggio chiama in causa direttamente anche le software house verticali.

La vera adozione dell’AI nelle PMI non passerà solo dalle piattaforme generaliste, ma dai gestionali, dagli ERP, dai CRM e dagli strumenti che le aziende usano già ogni giorno. Le software house conoscono il linguaggio dei clienti, le eccezioni, i processi e le metriche che contano davvero.

Sanno che “ordine chiuso” non significa la stessa cosa in ogni settore. Sanno che “cliente attivo” cambia a seconda del modello di business. Sanno che una dashboard non serve perché è bella, ma perché aiuta qualcuno a decidere meglio.

Questa conoscenza verticale è il binario su cui l’AI può iniziare a correre per diventare infrastruttura.

Ed è esattamente il lavoro che facciamo con Elly: trasformare l’AI in uno strato di comprensione integrato nei sistemi, nei dati e nei processi reali delle aziende.

Non un’altra AI da provare.

Un modo più accessibile per interrogare, leggere e valorizzare i dati che l’azienda ha già.

Un piccolo esercizio per lunedì mattina.

Non serve una rivoluzione culturale in un giorno. Provate a prendere un foglio e a dividerlo in due colonne.

A sinistra scrivete: “Dove usiamo già l’AI?”

A destra scrivete: “Dove l’AI ha cambiato davvero un processo?”

Se la prima colonna è piena e la seconda è vuota, sapete esattamente dove si trova la vostra azienda: nella fase dell’utilizzo.

Un ottimo inizio, ma non il traguardo.

Vi lasciamo con una domanda aperta: se domani mattina togliessimo tutti i tool AI dai browser dei vostri dipendenti, resterebbe traccia di questa tecnologia nel modo in cui l’azienda analizza i dati e prende decisioni strategiche?

Se la risposta è no, forse è il momento di iniziare a costruire un sistema.

👉 Scoprite come trasformare l’utilizzo in adozione reale su ellybi.com

La provano quasi per curiosità. Qualcuno le chiede di scrivere una mail, riassumere un documento, preparare una scaletta, sistemare una presentazione, tradurre un testo, buttare giù qualche idea. Poi, dopo le prime prove — soprattutto quando il riscontro è positivo — l’entusiasmo lascia spazio a una domanda molto più concreta:

Perché una cosa è usare l’AI come assistente personale, magari per accelerare piccole attività di ogni giorno. Un’altra è farla entrare in un reparto, in un processo, in un software, in una dashboard, in un modo di lavorare che esiste già e che non può essere reinventato ogni volta da zero.

Non perché aggiunga un’altra parola al vocabolario dell’AI, che già non ne sente il bisogno, ma perché sposta il discorso su un punto molto pratico:

l’intelligenza artificiale, per essere davvero utile in azienda, non deve solo saper rispondere. Deve capire che ruolo ha.

Prima di entrare nel vivo, come sempre apriamo Spotify e tiriamo fuori la nostra playlist Data Grooves:

🎵 “You Know My Name” — Chris Cornell, Casino Royale (2006)

Una canzone che accompagna il più celebre degli agenti, cioè James Bond e il suo ritorno alle origini. Prima dei gadget, prima delle esplosioni, prima della leggenda, c’è una cosa molto semplice da chiarire: chi sei, qual è la tua missione e fin dove puoi spingerti.

Il limite dell’assistente generico.

La chat è stata la grande porta d’ingresso dell’AI generativa. È semplice, immediata, comprensibile a tutti. Scrivi una domanda e ricevi una risposta. Per molti è stato il primo vero incontro con uno strumento capace di comprendere il linguaggio naturale e produrre qualcosa di utile.

Ma proprio questa semplicità rischia di farci confondere due piani diversi.

Un assistente generico può essere molto bravo a scrivere, sintetizzare, spiegare, suggerire. Tuttavia, quando entra nel lavoro aziendale, la qualità della risposta non dipende solo dalla capacità del modello. Dipende dal contesto.

Se un commerciale chiede quali clienti richiamare oggi, non sta chiedendo un consiglio di vendita in astratto. Sta chiedendo una priorità costruita su pipeline, storico, marginalità, offerte aperte, probabilità di chiusura e relazione con il cliente.

Se un responsabile amministrativo chiede perché un dato non torna, non vuole una spiegazione generica sui KPI. Vuole capire dove può essersi creata l’anomalia, quali fonti controllare e quale passaggio verificare.

Se un operatore del customer care chiede come rispondere a un ticket, non cerca una bella frase. Cerca una risposta coerente con le policy aziendali, lo storico cliente e il tono del servizio.

Questo è il limite dell’assistente unico: può essere molto intelligente, ma se ogni volta l’utente deve spiegare ruolo, contesto, fonti, regole e obiettivo, una parte importante del lavoro resta comunque sulle spalle delle persone. E nelle aziende, dove il tempo è poco e i processi sono pieni di eccezioni, questo fa la differenza.

Che cos’è un custom agent.

Un custom agent è un assistente AI configurato per operare dentro un perimetro definito.

Può sembrare una definizion tecnica, ma il concetto è semplice: invece di avere un’unica AI a cui chiedere qualsiasi cosa, si costruisce un agente pensato per un compito, un ruolo o un processo specifico.

Questo agente può avere istruzioni dedicate, fonti informative selezionate, accesso a documenti, collegamenti con dati aziendali e, quando serve, strumenti per compiere o suggerire azioni. La differenza vera non è solo tecnologica, ma progettuale: l’agente non parte da una pagina bianca, parte da un contesto.

Un agente commerciale non deve conoscere tutto il mondo. Deve aiutare a leggere clienti, vendite, offerte aperte, opportunità, margini, scostamenti.

Un agente documentale non deve rispondere su qualsiasi argomento. Deve aiutare le persone a interrogare manuali, procedure, contratti, policy, cataloghi o documentazione tecnica, chiarendo quando l’informazione non è disponibile.

Un agente per gli ordini deve aiutare a capire stati, ritardi, eccezioni e anomalie, collegando dati e regole operative.

Il valore non nasce dal fatto che questi agenti “usano l’AI”. Nasce dal fatto che l’AI viene messa al lavoro dentro un perimetro sensato.

Per questo bisogna fare attenzione a una scorciatoia molto frequente: chiamare “agente” qualsiasi chatbot con un nome più specifico. Agente vendite, agente HR, agente supporto, agente amministrazione. Se sotto c’è sempre la stessa chat generica con due istruzioni in più, non siamo davanti a una vera evoluzione.

Un agente utile si riconosce da domande molto concrete: quali informazioni può usare? Quali documenti deve consultare? Quali regole deve rispettare? Che cosa può fare e che cosa no? Quando deve chiedere conferma? Quando deve fermarsi?

Quale utilità per le aziende.

Finché l’AI aiuta una persona a scrivere meglio una mail, siamo nel campo della produttività individuale. Utile, spesso utilissimo, ma legato all’iniziativa del singolo: alla sua capacità di fare buone domande, dare contesto, valutare la risposta e inserirla nel proprio lavoro.

Quando invece l’AI entra in un processo, consulta dati, usa documenti, rispetta regole e aiuta un reparto a lavorare con maggiore coerenza, il discorso cambia. Non stiamo più parlando solo di produttività personale, ma di produttività organizzativa.

Ed è qui che i custom agent diventano interessanti per le PMI.

Molte aziende non hanno un problema di mancanza di informazioni. Spesso ne hanno troppe, sparse in luoghi diversi. Una procedura è dentro un PDF, un dato in una dashboard, una regola nella testa di una persona, una decisione in un foglio Excel, una spiegazione in una vecchia mail, una prassi consolidata in reparto ma mai formalizzata davvero.

Un custom agent può diventare un ponte tra questi pezzi: rendendo più accessibile ciò che l’azienda già sa, già produce, già misura e già documenta.

Questa è una promessa molto più concreta dell’idea di un’AI onnipotente. Non un sistema che decide tutto al posto delle persone, ma uno strumento che riduce attrito, recupera contesto, suggerisce il prossimo passaggio e aiuta a non perdere informazioni importanti lungo il processo.

Il ruolo delle software house.

Perché gli agenti davvero utili non nascono solo dalla potenza del modello, ma nascono dall’incontro tra AI e conoscenza di uno specifico dominio.

Per esempio una software house che lavora da anni nel retail conosce domande, eccezioni, metriche e abitudini dei punti vendita. Chi sviluppa gestionali per il manifatturiero sa quanto pesano commesse, giacenze, distinte, tempi di produzione, avanzamenti e scarti. Chi lavora nei servizi professionali conosce pratiche, scadenze, documenti, clienti, responsabilità. Chi opera nella logistica sa che dietro una consegna non c’è solo una data, ma una rete di vincoli, stati, priorità e comunicazioni.

Questa conoscenza è il vero materiale con cui costruire agenti utili.

Per anni le software house hanno aiutato le aziende a digitalizzare processi, integrarli, misurarli, renderli più accessibili. Ora si apre una possibilità nuova: trasformare quella conoscenza verticale in esperienze intelligenti, capaci di aiutare l’utente non solo a usare il software, ma a lavorare meglio dentro il software.

Non basta aggiungere una chat a un gestionale e dichiarare di avere l’AI. La domanda giusta è un’altra: dove può essere utile un agente? In quale passaggio può rendere più leggibile un dato, più semplice una decisione, più accessibile una procedura, più fluido un lavoro che oggi richiede troppi passaggi manuali?

Un esercizio per questa settimana.

Provate a prendere tre attività ricorrenti nella vostra azienda. Niente di straordinario o strategico, semplici attività come gestire una richiesta cliente, controllare un ordine, preparare un report, rispondere a un ticket, verificare una scadenza, analizzare uno scostamento.

Per ciascuna attività chiedetevi:

• chi la svolge oggi;

• quali dati consulta;

• quali documenti usa;

• quali regole deve rispettare;

• quali passaggi ripete sempre uguali;

• dove si perde più tempo.

Se la risposta arriva in modo chiaro, avete probabilmente individuato un primo perimetro possibile per un custom agent. Se invece le risposte sono vaghe, diverse da persona a persona o difficili da ricostruire, avete scoperto qualcosa di altrettanto importante: prima ancora dell’AI, serve chiarire il processo.

Ed anche questo è già un ottimo risultato.

Perché quando l’AI viene presa sul serio, costringe le aziende a fare ordine. Nei dati, nei documenti, nelle responsabilità, nelle eccezioni e nel modo in cui il lavoro viene davvero svolto.

Anche noi guardiamo ai custom agent con grande interesse. Non come all’ennesima parola del mercato AI, né come a un modo più elegante per chiamare un chatbot, ma come a un passaggio naturale: dall’AI che risponde alle domande all’AI che entra nei contesti operativi.

Dati, documenti, dashboard, procedure, software verticali, processi aziendali: è lì che l’intelligenza artificiale diventa davvero utile. Non quando resta fuori dal lavoro, in una finestra separata, ma quando si avvicina al punto in cui le persone stanno già operando.

Ed è esattamente qui che immaginiamo il futuro di Elly: non sopra o accanto, ma dentro i processi. Non lontano dai software che le persone usano ogni giorno, ma con un’integrazione nel loro lavoro reale.

👉 Con una demo è possibile scoprire come Elly può potenziare il vostro software o il vostro business.

La scorsa settimana siamo partiti dal talk di Michele sul Tech Stage di AI Week 2026 per raccontare cosa significa portare BI e AI dentro un prodotto software:

Elly - La Business Intelligence per tutti

Da software a sistema intelligente

Bentornati al nostro appuntamento settimanale sul mondo della Business Intelligence, dell’AI e di tutto quello che succede quando la tecnologia prova a entrare davvero nella vita quotidiana delle aziende…

Read more

5 months ago · 4 likes · Elly

Questa settimana restiamo ancora lì, ma cambiamo prospettiva: dal Tech Stage passiamo al Main Stage. Dal prodotto passiamo all’organizzazione. Dal software che diventa intelligente passiamo a una domanda ancora più ampia, che riguarda imprese, software house, system integrator, partner tecnologici e, in generale, chiunque stia cercando di capire cosa fare davvero con l’Intelligenza Artificiale.

Durante il suo talk sul Main Stage, il nostro Gabriele Granato, CMO di Ellycode, è partito da qui:

E no, non è una provocazione contro l’AI. Anzi. È probabilmente una delle cose più vere e concrete che possiamo dire oggi.

Perché strumenti ce ne sono già tantissimi. Chatbot, assistenti, automazioni, dashboard intelligenti, modelli linguistici, generatori di testo, agenti, copiloti, tool verticali, tool orizzontali, tool che promettono di fare tutto e tool che fanno una cosa sola ma la raccontano come se fosse tutto.

Tuttavia come sempre, prima di entrare nel vivo, respiriamo, apriamo Spotify e tiriamo fuori la nostra playlist Data Grooves:

🎵 “Connected” — Stereo MC’s, Connected (1992)

Una canzone che mette il tema già nel titolo. Connessione.

Dati, software, persone, processi, decisioni: se questi pezzi restano isolati, possiamo anche avere tanta intelligenza artificiale. Ma non abbiamo ancora un sistema.

La domanda sbagliata.

In questi mesi molte aziende si stanno facendo la stessa domanda: “Quale AI uso?”

Domanda legittima, per carità, come tutte le altre:

• meglio ChatGPT, Claude, Gemini, Copilot?

• modello generalista o uno verticale?

• costruire qualcosa in casa o usare una piattaforma già pronta?

• partiamo dal marketing, dal customer care, dalle operations, dalla BI, dalle vendite?

Interrogativi importanti, ma forse precoci se non anticipati da un’altra domanda propedeutica:

Nel primo caso stiamo scegliendo uno strumento, nel secondo proviamo a progettare un cambiamento reale.

E nelle aziende, soprattutto nelle PMI, la differenza è enorme. Perché non basta trovare il tool giusto, aprire un account, fare due demo interne e dire “da oggi siamo AI-driven”.

Magari fosse così.

Poi arrivano i processi reali. Le persone reali. I dati reali. I gestionali reali. Le abitudini costruite in anni di lavoro. Le eccezioni che non stanno in nessuna procedura. I file Excel che continuano a girare perché “alla fine funziona”. I reparti che usano parole uguali per dire cose diverse.

Ed è lì che si capisce se l’AI è entrata davvero nell’organizzazione o se è rimasta ai bordi.

L’AI è già dentro.

Gabriele lo ha raccontato molto bene sul palco: l’AI, in tante aziende - quasi tutte - è già presente.

C’è il chatbot sul sito.
C’è la dashboard con qualche insight.
C’è l’automazione fai-da-te.
C’è il modello personale usato da qualcuno in azienda.
C’è il reparto marketing che sperimenta.
C’è il commerciale che usa l’AI per scrivere mail.
C’è l’amministrazione che prova a riassumere documenti.
C’è il responsabile che ogni tanto chiede a un assistente di aiutarlo a leggere un file.

Ogni pezzo, preso da solo, può anche funzionare. Il problema è completare il puzzle e far funzionare tutto l’insieme.

Perché se ogni iniziativa resta separata, se ogni reparto prova qualcosa per conto suo, se ogni strumento vive fuori dai flussi aziendali, quello che otteniamo non è trasformazione. È frammentazione intelligente che:

Dal dato all’azione.

Se dovessimo raccontare dove l’AI di sistema crea valore, useremmo una sequenza molto concreta:

dato, previsione, decisione, workflow, risultato.

La previsione anticipa, la decisione prioritizza, il workflow attiva.

Sembra lineare, ma nelle aziende raramente lo è. Spesso il dato resta chiuso in una dashboard, la previsione non entra nel processo, la decisione passa ancora da mille passaggi manuali e il risultato viene misurato troppo tardi.

Ed è qui che l’AI rischia di fermarsi a metà strada: produce un’informazione interessante, ma non cambia davvero il modo in cui l’azienda lavora.

La differenza tra AI di supporto e AI di sistema sta proprio qui: la prima affascina, ma solo la seconda crea valore, perché vive nel lavoro reale.

Un ecosistema non è una collezione di strumenti.

Qui arriviamo al cuore del talk.

Nel nostro caso il significato è molto concreto:

un ecosistema non è una collezione di strumenti, è un insieme di relazioni.

Ed è qui che molte aziende oggi fanno fatica. Non perché manchino le soluzioni, ma perché spesso ogni pezzo resta isolato. Un tool per il marketing, una dashboard per i dati, un’automazione in un reparto, un chatbot sul sito, qualche sperimentazione personale con l’AI.

Tutto può anche funzionare, preso singolarmente. Ma se questi strumenti non si parlano, non condividono contesto e non entrano nei processi reali, l’azienda non sta costruendo un ecosistema. Sta solo accumulando tecnologia.

Un ecosistema nasce quando dati, software, processi e persone iniziano a lavorare insieme. Quando l’AI non resta una scorciatoia isolata, ma diventa parte naturale del modo in cui l’organizzazione osserva, decide e agisce. E questa, nelle imprese, è la vera sfida.

Dal dato al sistema.

Noi siamo partiti dai dati, con un’idea semplice: rendere la Business Intelligence più accessibile, più comprensibile, più vicina alle persone che ogni giorno devono prendere decisioni.

Poi però ci siamo accorti che il problema non era solo vedere meglio il dato. Perché puoi avere la dashboard più chiara del mondo, ma se la decisione resta fuori dal flusso di lavoro hai solo spostato il problema in una schermata più bella.

Il punto vero è cosa succede prima e dopo il dato.

Prima: da dove arriva l’informazione, con quale qualità, con quale contesto. Dopo: quale decisione abilita, quale processo attiva, quale risultato produce.

È qui che l’AI diventa davvero interessante: non quando aggiunge una funzione in più, ma quando collega dati, processi, software e persone dentro un sistema più fluido.

Ed è anche qui che si incontrano due esigenze diverse ma complementari. Le aziende si chiedono come far entrare l’AI nei propri processi reali. Le software house si chiedono dove integrare AI nei propri prodotti per creare valore concreto per gli utenti. Il punto di contatto è esattamente l’ecosistema.

Il nostro ecosistema.

Per questo ad AI Week non abbiamo portato solo Elly. Abbiamo portato chi quei settori li conosce meglio di noi.

Nomi diversi, prodotti diversi, mercati diversi, ma una direzione comune: portare Business Intelligence e Intelligenza Artificiale dentro esperienze software reali, già usate ogni giorno dalle aziende.

Per noi un ecosistema di partner non è una slide con dei loghi messi intorno al nostro. È un modo di costruire insieme: con software house che vogliono integrare Elly nei propri prodotti, con system integrator che vogliono portare BI e AI nei processi dei clienti, con realtà che hanno già una relazione forte con il proprio mercato e vogliono valorizzarla attraverso l’AI.

Il Partner Program nasce proprio da qui: non dall’idea di distribuire una tecnologia in modo generico, ma dalla convinzione che l’AI utile debba incontrare competenze verticali, software esistenti e processi reali.

Perché nessuna piattaforma conosce da sola i settori in cui i nostri partner lavorano da anni.

Serve un ecosistema.

Un esercizio per questa settimana.

Provate a guardare tutte le iniziative AI attive nella vostra azienda, anche quelle piccole: un chatbot, una dashboard, un’automazione, un tool usato da un reparto, un progetto pilota.

Poi fatevi una domanda semplice: stanno lavorando insieme o sono solo una collezione di strumenti?

C’è un filo che collega dati, processi, software e persone? L’AI entra nei punti in cui si prende una decisione o resta ai bordi del lavoro? Crea valore misurabile o solo entusiasmo temporaneo?

Perché spesso il problema non è il singolo strumento. È il vuoto intorno.

Se l’AI risponde ma il processo non cambia, il valore resta parziale. Se analizza ma non attiva nulla, il lavoro resta incompleto. Se vive fuori dal software, l’utente deve comunque fare da ponte.

Noi crediamo che il futuro prossimo dell’AI nelle imprese non premierà chi avrà più strumenti, ma chi saprà costruire ecosistemi collaborativi, funzionali e di valore.

È questa la direzione che stiamo costruendo con Ellycode: portare BI e AI dentro i software, nei workflow, più vicino alle decisioni e alle azioni quotidiane delle aziende.

Non per aggiungere tecnologia dove ce n’è già abbastanza: per aggiungere sistema.

👉 Se sei una software house, un system integrator o un partner tecnologico e vuoi portare Business Intelligence e AI dentro i tuoi prodotti o nei processi dei tuoi clienti, scopri il Partner Program di Ellycode su ellybi.com