Portfolio

Tre scenari di lavoro tipici

Nessuna delle aziende descritte qui sotto esiste e nessuno di questi è un cliente: il portafoglio lo sto costruendo adesso, e preferisco dirlo subito. Quelli che seguono sono scenari di lavoro tipici del distretto dell'occhialeria e delle piccole imprese della zona, con l'architettura che userei, i tempi realistici e un ritorno stimato. Le cifre servono da ordine di grandezza e vanno verificate sul processo vero. Se in uno di questi scenari riconosci qualcosa di tuo, siamo nel campo giusto.

I pain point ricorrenti nell'occhialeria bellunese
  1. 01Lettura manuale di DDT, ordini e preventivi, poi ribattuti a mano nel gestionale: ore perse ed errori di trascrizione.
  2. 02Preventivi scritti a mano, con template in Word e calcoli in Excel, per qualche ora ogni settimana.
  3. 03Controllo qualità visivo su aste, frontali, terminali e morsetti, sia in plastica sia in metallo.
  4. 04Reportistica sui difetti per la tracciabilità verso i grandi committenti.
  5. 05Follow-up clienti: conferme d'ordine e stato spedizione, gestiti a mano una mail alla volta.
Livello 1 · Agenti

Automazione preventivi

Terzista dell'occhialeria, generazione preventivi

Lo scenario tipico

Un'azienda di componenti in plastica che riceva 15–20 richieste di preventivo a settimana. Arriva la mail («mi servono X aste, Y frontali, Z naselli»), si apre l'Excel dei prezzi, si ricopia tutto in un template Word e si risponde. 20–30 minuti a preventivo × 15 = 7–8 ore/settimana, più le correzioni quando un prezzo esce sbagliato.

Cosa costruirei

Un agente che, alla ricezione della richiesta:

  • legge quantità e tipo di componente (RAG sul listino)
  • calcola il prezzo: base + sconti volume + margine
  • genera il PDF con la carta intestata aziendale
  • invia la mail al cliente in automatico
2–3ha settimana, solo l'approvazione finale (da 7–8h)
↓errori di calcolo: il prezzo non si digita più a mano
< 2hdalla mail al preventivo (invece di 1–2 giorni)
Ritorno atteso~5 ore a settimana, stima da verificare sui volumi reali
Stack n8n LLM open-source PDF template RAG listino
Livello 3 · Computer Vision

Controllo qualità visivo

Microsupplier di minuteria metallica, difetti sui componenti

Lo scenario tipico

Aste, morsetti e minuteria metallica passano un controllo ottico prima della spedizione. Un operatore li esamina alla luce per 6–8 ore al giorno, e verso fine turno, con la stanchezza, qualche difetto passa. Il cliente poi reclama («mi arriva con il graffio») e il reso costa più di tutto il controllo.

Cosa costruirei

Una rete neurale addestrata su fotografie di componenti buoni e scartati, che fa una prima scrematura via telecamera prima dell'imballo. L'operatore resta al suo posto e si occupa dei casi dubbi, mentre i pezzi palesemente fuori tolleranza vengono già messi da parte.

  • pezzo sospetto → segnalato, decide comunque la persona
  • ogni pezzo lascia una foto e un verdetto tracciabili
  • il modello si riaddestra quando entra una nuova famiglia di pezzi
↑difetti intercettati: la macchina non cala a fine turno
2–3hdi controllo al giorno, solo sui sospetti (da 6–8h)
Tracciabilitàfoto e verdetto archiviati per ogni pezzo
Come si affrontaprogetto lungo: prima si raccolgono le fotografie, poi si fa un pilota su una sola famiglia di pezzi. La precisione la misuriamo su quel pilota, prima non ha senso metterla in un preventivo.
Stack YOLOv8 / CNN Camera industriale Edge device Monitoring
Livello 1 · RAG + OCR

Lettura automatica di ordini e DDT

Gestione ordini fornitori, data entry

Lo scenario tipico

Decine di ordini da fornitori diversi, che arrivano in PDF, in foto o come allegati di posta. Un operatore legge ogni ordine e ricopia fornitore, quantità, prezzo e data nel gestionale. 2–3 minuti a ordine × 50–60 a settimana = 2–3 ore/settimana, con il rischio costante di una quantità scambiata o una data letta male.

Cosa costruirei

Un sistema che riceve il documento e:

  • estrae il testo con OCR, anche da foto e scansioni
  • legge fornitore, quantità, prezzo unitario, data prevista
  • popola il gestionale via API
  • se qualcosa è ambiguo, chiede conferma invece di indovinare
~20 mina settimana di sola verifica (da 2–3h)
↓errori di trascrizione: nessuna ricopiatura a mano
< 5 mindall'arrivo all'inserimento (invece di 1–2 giorni)
Ritorno atteso~100–150 ore all'anno, stima da verificare sui volumi reali
Stack OCR (Tesseract) LLM open-source n8n API gestionale

Riconosci uno di questi processi nella tua azienda?

Scrivimi come funziona adesso da voi e ti dico da dove partirei. Il primo caso studio con dati veri lo pubblico qui appena un progetto sarà chiuso.

Parliamone