§ 00 — Vetrina Ed. 2026.05 Recanati · IT

analitiKa

by Francesco Monteleone — Engineering

Analytics e intelligenza artificiale per le PMI italiane. Senza fumo.

Trasformo i dati che la vostra azienda già produce in decisioni misurabili. Costruisco assistenti AI che parlano italiano, dialogano con i sistemi che avete, e cominciano a portare valore in settimane — non in trimestri.

Tecnologie · Metodo · Un solo obiettivo
LLM Agents◆ NL → DAX/SQL◆ Vision-Language Models◆ Speech-to-Text◆ RAG · Embeddings◆ MILP · CP-SAT◆ Multi-tenant · Multi-model◆ Azure OpenAI · Anthropic · Gemini◆ LLM Agents◆ NL → DAX/SQL◆ Vision-Language Models◆ Speech-to-Text◆ RAG · Embeddings◆ MILP · CP-SAT◆ Multi-tenant · Multi-model◆ Azure OpenAI · Anthropic · Gemini◆
01 Manifesto

Quattro convinzioni operative.
Non slogan.

01

Niente AI per dire che abbiamo l'AI.

02

I dati che già avete valgono più di quelli che vorreste.

03

Ogni progetto inizia da un KPI. Mai da un modello.

04

Se non si misura, non è intelligenza artificiale. È scenografia.

02 Cosa faccio

Le tecnologie
con cui costruisco.

Capability complementari, un'unica architettura. Ogni tecnologia ha la sua identità, ma condividono il metodo, il rigore, la stessa lente sul business.

01 AI
Modulo

Conversational AI

Assistenti virtuali che capiscono e agiscono

LLM Agents · Function Calling · Multi-canale
Il problema

Operatività reattiva e non scalabile: ordini, supporto e richieste interne dipendono da persone disponibili in orario d'ufficio.

Come lo risolvo

Agenti conversazionali su WhatsApp, web e CLI. Capiscono l'intento, chiamano i sistemi giusti, restituiscono risposte azionabili.

24/7
Operatività multi-canale
−70%
Tempo medio risposta
+1
Canale già usato
Casi tipici
Vendita su WhatsApp Supporto interno Self-service per agenti
02 BI
Modulo

Conversational BI

Self-service analytics in linguaggio naturale

NL → DAX/SQL · Power BI · Multi-tenant
Il problema

Solo pochi sanno scrivere DAX o SQL. Le domande di business si fermano davanti al cruscotto giusto da costruire — e l'IT diventa un collo di bottiglia.

Come lo risolvo

Chiunque interroga il modello dati in italiano. La domanda diventa DAX/SQL, la risposta arriva con tabella, grafico o sintesi — direttamente in chat.

0
DAX da scrivere a mano
N
Tenant isolati
100%
Audit-trail
Casi tipici
Cruscotti vendite Performance agenti KPI per stabilimento
03 EYE
Modulo

Vision Intelligence

Documenti complessi diventano dati strutturati

Vision-Language Models · OCR layout-aware · Schema validation
Il problema

Fatture, DDT, disegni tecnici e contratti arrivano in PDF e scan: l'estrazione manuale costa ore, errori e doppio inserimento.

Come lo risolvo

Modelli vision-language che comprendono il layout — non solo il testo. Estraggono campi anche da documenti irregolari, validano contro schema, segnalano i casi dubbi.

−85%
Tempo data-entry
+99%
Accuratezza campi
auto
Routing low-conf
Casi tipici
Estrazione fatture Catalogazione disegni Compliance documentale
04 MIC
Modulo

Voice & Knowledge

La voce degli esperti diventa patrimonio aziendale

Speech-to-Text · NLP · Auto-tagging
Il problema

Il know-how vive nella testa dei senior. Quando parlano in riunione o al telefono, quel valore si perde — non è cercabile, non è riusabile.

Come lo risolvo

Audio in ingresso → trascrizione, riassunto, tag automatici, link alle entità. La conoscenza tacita diventa esplicita e ricercabile.

100%
Riunioni indicizzate
−60%
Tempo onboarding
+1
Memoria interrogabile
Casi tipici
Verbali automatici Knowledge retention Q&A su archivio audio
05 KB
Modulo

RAG & Vector Search

Risposte affidabili dal patrimonio informativo aziendale

Embeddings · Semantic Search · Knowledge Graph
Il problema

Gli LLM generici non conoscono i tuoi prodotti, contratti, procedure. Rispondono confidenti — e sbagliano. Non puoi rischiarlo coi clienti.

Come lo risolvo

RAG con knowledge base aziendale: ogni risposta è ancorata ai documenti reali, con citazioni. Quello che il modello non sa, lo dice.

0
Risposte inventate
100%
Tracciabilità fonte
+N
KB integrate
Casi tipici
Assistenti tecnici Q&A documentazione Onboarding interno
06 OR
Modulo

Mathematical Optimization

Pianificazione ottima, non solo "buona abbastanza"

MILP · CP-SAT · Constraint Programming
Il problema

Schedulazione, taglio materiali, assegnazione risorse: euristiche che lasciano margini sul tavolo. Ogni punto di efficienza vale soldi veri.

Come lo risolvo

Modelli di ottimizzazione matematica con vincoli reali. Il solver esplora milioni di alternative e restituisce il piano dimostrabilmente ottimo.

−15%
Scarto materiale
+12%
Saturazione impianti
min
Tempi ricalcolo
Casi tipici
Schedulazione produzione Ottimizzazione taglio Assegnazione turni
03 Cosa ho fatto

Progetti reali in produzione.
Non proof-of-concept abbandonati.

Riferimenti completi su richiesta.
Alcune denominazioni sono coperte da NDA.

01
AIEYEKB
Manifatturiero — stampaggio plastica

Assistente AI commerciale e tecnico

Assistente conversazionale che attraversa catalogo, distinte base, schede tecniche e disponibilità reparto. Riconosce un articolo da una descrizione semantica, legge il disegno tecnico, propone alternative.

50K+ SKU · −73% tempo ricerca · WhatsApp + voice + web
02
BIAI
Distribuzione — componenti industriali

Chatbot WhatsApp per analytics multi-tenant

Self-service business intelligence via chat. L'agente di area chiede "venduto questo mese clienti A categoria"; il sistema esegue la query, isola il perimetro per ruolo, risponde nella conversazione.

50+ utenti · ruoli isolati · BI senza dashboard
03
AIKB
Food & retail — pasta artigianale

Agente di vendita conversazionale B2B

Conversazione naturale che converte intenzioni in ordini validi. Cross-reference fra denominazione cliente, codice interno, codice EDI. Listini cliente-specifici. Validazione minimi e stock.

Ordini B2B · cross-reference catalogo · listini personalizzati
04
AI
Fashion & textile — PMI italiana

Adattamento contestuale di un assistente AI

Riuso di un'architettura AI esistente, adattamento del contesto al lessico moda. Time-to-demo da mesi a settimane: il valore è nell'architettura, non nel singolo prompt.

Demo 4 settimane · contesto moda B2B · brand multipli
04 Metodo

Un metodo. Più applicazioni.
Stesso engine, contesti diversi.

01

Discovery.

Capisco il processo, i dati, i vincoli reali. Cosa misurate oggi? Cosa vorreste decidere e non riuscite? Senza un problema scritto in italiano, niente AI.

→
02

Prototipo.

PoC funzionante in 2–4 settimane su un sottocaso. Si tocca subito, si misura subito. Demo dal vivo al business, non slide al reparto IT.

→
03

Industriale.

Integrazione con i sistemi esistenti, multi-tenant, monitoraggio, governance dei modelli. Quello che funziona in piccolo deve funzionare in grande, sempre.

→
04

Evoluzione.

Versioning prompt, A/B sui modelli, retraining: il sistema migliora nel tempo. Lascio un sistema che si evolve, non uno script.

Principi di ingegneria
01
Multi-tenant
Un'unica architettura, N clienti isolati.
02
Multi-model
Azure OpenAI, Gemini, Anthropic — il modello giusto al posto giusto.
03
Observability
Ogni chiamata tracciata, ogni risposta auditable.
04
Prompt versioning
I prompt sono codice: testati, versionati, deployati.
05 Chi sono

Sono Francesco
Monteleone
,
ingegnere.

Da oltre dieci anni lavoro su Business Intelligence e data analytics; negli ultimi anni il focus si è esteso all'intelligenza artificiale applicata al business. Collaboro con CentroSoftware S.p.A. come Team Manager dell'R&D, dove guido un team di data analyst, data scientist e sviluppatori intorno a un portafoglio di tecnologie: conversational AI, conversational BI, vision intelligence, voice & knowledge, RAG e ottimizzazione matematica. Tra le innovazioni portate in produzione: una piattaforma di assistenti AI conversazionali attiva su clienti dal manifatturiero al food, algoritmi di ottimizzazione della produzione, OEE Green per Industry 5.0, Document Intelligence che comprende il contesto dei documenti.

analitiKa è il mio veicolo di consulenza personale: progetti che richiedono un approccio diretto, ingegneristico, anti-hype. Parlo con chi decide, non con chi compra software. Costruisco con chi userà davvero il sistema. E me ne vado lasciando qualcosa che continua a funzionare senza di me.

Niente AI per dire "abbiamo l'AI": si parte dal processo, dai dati, dai vincoli reali.

10+
Anni in BI e AI
6
Tecnologie in portafoglio
15+
Progetti in produzione
6+
Settori industriali
06 Parliamone

Una mail diretta, senza form, va benissimo.

Raccontatemi
il problema,
non la soluzione.