Servizi
Servizi di consulenza AI generativa per operatori B2B che hanno bisogno di sistemi rilasciati, non di presentazioni — in stufe a prezzo fisso e snelle, non un progetto enterprise a sei cifre. Valutiamo i casi d'uso rispetto all'impatto sui ricavi, scegliamo il giusto LLM per ogni attività su un harness di eval reale, costruiamo pipeline RAG e di prompt che reggono il contatto con utenti reali, e consegnamo MLOps che il vostro team può gestire in autonomia. Un PoC da 2.900 $ in 4–6 settimane, RAG sulla vostra base di conoscenza da 8.100 $, un agente AI autonomo da 10.400 $, un modello ML in produzione da 13.800 $. Senior engineer che hanno gestito carichi di lavoro LLM in produzione su larga scala — non prompt-engineer che leggono Twitter. Perimetro fisso, prezzi all-in in USD, IP trasferita a voi il primo giorno.
Conforme al GDPR · Pronto per ISO 27001 · SOC 2 Type II in corso · Compatibile HIPAA · CCPA riconosciuto · Giornata CET con sovrapposizione 9:00–13:00 ET
La maggior parte dei progetti di AI generativa fallisce per le stesse tre ragioni. Il caso d'uso sbagliato — un chatbot che sostituisce una barra di ricerca che nessuno usava. L'eval sbagliato — «sembra buono su cinque esempi» finché gli utenti in produzione trovano il sesto. L'architettura sbagliata — un agente LangChain a 14 step dove due chiamate di funzione avrebbero fatto il lavoro. Iniziamo con un modello ROI scritto e un insieme di eval da 200 elementi prima di una singola riga di codice di orchestrazione. Scegliamo i provider LLM in base a latenza misurata, qualità e costo per 1.000 richieste al vostro mix di traffico — non in base alla demo diventata virale la settimana scorsa. Alla settimana 10 avrete un sistema funzionante, un harness di regressione, observability e un runbook di proprietà del vostro team. Vedete come funziona nel nostro caso studio ARIA.
Intervistiamo product, operations e supporto, quindi valutiamo 8-15 casi d'uso candidati per impatto sui ricavi, costo di build, fattibilità e rischio. Ricevete una shortlist classificata, un modello ROI scritto per i primi tre e un chiaro elenco «non costruite questo» con motivazioni.
Selezione basata su eval tra OpenAI, Anthropic, Bedrock e Vertex. Misuriamo qualità, latenza p50/p95 e costo su un insieme di eval task-specific da 150-400 elementi. L'output è un ADR con il modello scelto, un modello di fallback e il trigger per la rivalutazione.
Ingestione del corpus, strategia di chunking calibrata sulla distribuzione dei documenti, selezione del modello di embedding, dimensionamento del vector store, retrieval ibrido. Dimensioniamo in base al tasso di crescita reale del corpus, non a una demo da 100.000 vettori.
Prompt versionati in git, insiemi di eval di regressione che girano in CI, rubrics Ragas e DeepEval, LLM-as-judge con spot-check umano. Rifiutiamo di fare il merge di modifiche ai prompt che fanno regredire una metrica di primo livello — anche le nostre.
Stripping dei dati personali all'ingresso (Presidio o classificatore fine-tuned), contratti di zero data retention con i provider, endpoint UE per i dati europei, scansioni all'uscita per dati personali allucinati. DPA e liste dei sub-responsabili allineati ai vostri contratti con i clienti.
Observability tramite LangSmith, Langfuse o Helicone. Logging per richiesta di versione prompt, modello, token, latenza, costo. Alert sui costi, SLO di latenza, A/B automatizzato dei prompt e runbook scritto per gli upgrade dei modelli e le interruzioni dei provider.
Settimane 1–3: interviste agli stakeholder, scoring dei casi d'uso, modello ROI, progettazione dell'insieme di eval. L'output è una shortlist classificata più una proposta architettuale leggibile dal fondatore e dal board.
Settimane 4–5: costruzione dell'harness di eval, esecuzione dei modelli candidati sull'insieme task-specific, redazione dell'ADR con il modello scelto, modello di fallback e trigger di rivalutazione. Prompt caricati in git.
Settimane 6–10: sistema end-to-end, RAG o orchestrazione agent, observability, gestione dei dati personali, deployment a customer-zero dietro un feature flag. Eval di regressione in esecuzione in CI prima di qualsiasi merge di prompt.
Settimane 11+: espansione dell'insieme di eval, aggiunta di fallback, formazione del vostro team sul runbook, definizione degli SLO di costo e latenza, prima revisione trimestrale dell'upgrade dei modelli. Ci ritiriamo quando il vostro team gestisce in autonomia.
4–6 settimane. Un caso d'uso, scoring del caso d'uso e modello ROI, un eval set, un prototipo funzionante e un go/no-go scritto con una proiezione dei costi. Ideale per i team che non sanno ancora quale scommessa GenAI valga la pena fare. Da 2.900 $.
Retrieval-augmented generation sul vostro corpus: ingestione e chunking, retrieval ibrido e reranking, harness di eval in CI, gestione dei dati personali, guardrail e observability. Da 8.100 $.
Un agente multi-step che compie azioni attraverso i vostri strumenti, con human-in-the-loop sui percorsi ad alto rischio, eval deterministici, filtri di output e un runbook di proprietà del vostro team. Da 10.400 $.
Un modello su misura o fine-tuned rilasciato in produzione: pipeline dati, training e ablation, MLOps con monitoraggio della deriva e un percorso documentato dal notebook al serving. Da 13.800 $.
Tutti i progetti iniziano con NDA reciproco, cessione IP e DPA. I prezzi sono all-in e in USD, con IP trasferita a voi il primo giorno, senza ricarico di reclutamento e senza sovrapprezzi sugli strumenti. La spesa cloud e token gira sui vostri account, così mantenete la leva sui costi.
Stufe a prezzo fisso e snelle, così potete fare budget già prima della discovery. Tutto è all-in, quotato in USD, con IP trasferita a voi il primo giorno, senza ricarico di reclutamento, senza sovrapprezzi sugli strumenti e senza costi nascosti. Vedete il budget con le singole voci prima che venga scritto codice e lo approvate. La spesa cloud e token gira sui vostri account, così mantenete la leva sui costi.
PoC
da 2.900 $
4–6 settimane · un caso d'uso
Scoring del caso d'uso, modello ROI, progettazione dell'eval set, un prototipo funzionante e un go/no-go scritto — prima di impegnarvi su un build.
RAG sulla vostra base di conoscenza
da 8.100 $
ancorato al vostro corpus
Pipeline RAG o di prompt sul vostro corpus, harness di eval in CI, observability e gestione dei dati personali — un deployment a customer-zero di proprietà dei vostri ingegneri.
Agente AI (autonomo)
da 10.400 $
multi-step, con uso di strumenti
Un agente multi-step che compie azioni attraverso i vostri strumenti, con human-in-the-loop sui percorsi ad alto rischio, eval deterministici e filtri di output.
Modello ML in produzione
da 13.800 $
dal notebook al serving
Un modello su misura o fine-tuned rilasciato in produzione: pipeline dati, training e ablation, MLOps con monitoraggio della deriva.
Cosa sposta la cifra: quanti casi d'uso rilasciate e quanto è profondo ciascun corpus RAG; la dimensione dell'eval set necessaria per fidarsi degli output (150-400 elementi per task); gli obiettivi di latenza, perché un p95 sotto i 500 ms impone scelte di modello e infrastruttura; e il perimetro di compliance — conforme al GDPR, compatibile HIPAA o contratti provider a zero data retention alzano l'asticella. Un singolo assistente ancorato su un corpus stabile sta in basso; un sistema multi-modello che scrive in produzione sotto un DPA sta in alto. La spesa cloud e token gira sui vostri account, così mantenete la leva sui costi. Serve personalizzazione del modello anziché integrazione? Vedi fine-tuning di LLM e RAG as a service.
Landing page Tilda a pagina singola con acquisizione lead tramite bot Telegram per un'agenzia pubblicitaria — consegnata in due settimane, pronta per US e UE.
Un motore di decisione prestiti ad alto throughput su Laravel — scoring automatizzato, integrazione con il credit bureau e decisioni 10x più rapide per istituti di credito US e UE.
Una feature GenAI è sicura solo quanto la sua aderenza alla vostra realtà normativa e operativa. Uniamo l'integrazione LLM alla compliance settoriale sui mercati US & UE, e coinvolgiamo i nostri team gemelli AI, ML & Data, sviluppo di agenti AI e conformità EU AI Act quando un workload lo richiede.
Assistenti ancorati per Q&A su policy e contratti, sintesi delle controversie e copiloti per analisti — con stripping dei dati personali all'ingresso e gestione dati nel perimetro PCI DSS.
FinTech GenAI →RAG compatibile HIPAA e conforme al GDPR su cartelle e protocolli, sintesi di accettazione e stesura di care-ops — con flussi di dati documentati e scansioni all'uscita per dati personali allucinati.
HealthTech GenAI →Arricchimento del catalogo, generazione di risposte al supporto e copiloti di merchandising ancorati al vostro corpus prodotto, sotto rigidi eval gate e tetti di costo per richiesta.
Retail GenAI →Sintesi per la gestione delle eccezioni, Q&A su spedizioni ed ETA e stesura di back-office su uno stato operativo mutevole — con contratti provider a zero data retention ed endpoint UE per i dati europei.
Logistica GenAI →Conforme al GDPR · Pronto per ISO 27001 · SOC 2 Type II in corso · Compatibile HIPAA · CCPA riconosciuto
Ogni progetto inizia con un insieme di eval da 150-400 elementi prima di bloccare l'architettura. Rifiutiamo di rilasciare prompt che non hanno mai superato un run di regressione. Le demo non sono prove.
I nostri LLM lead hanno rilasciato ML in produzione prima che i transformer diventassero di moda — ranking, classificazione, rilevanza della ricerca. Discutono di budget di latenza e query plan di Postgres, non di thread su Twitter.
GDPR, SOC 2, HIPAA, CCPA — abbiamo negoziato contratti di zero data retention con OpenAI e Anthropic, redatto DPA che reggono le revisioni dei clienti e guidato gli auditor attraverso lo scope LLM.
Trattiamo la scelta del provider LLM come una decisione trimestrale, non come una religione. Quando la frontiera si sposta, saranno i vostri eval a dircelo — non la chiamata agli utili trimestrali di un vendor.
Un motore di decisione sui prestiti che impiega dieci volte meno tempo per approvare non avviene per caso. YuSMP ha costruito la pipeline di scoring, l’integrazione con i bureau del credito e un back-office che i nostri sottoscrittori apprezzano davvero. I tempi di approvazione sono passati da due giorni a meno di quattro ore.
La selezione del provider è un problema di eval, non di marketing. Costruiamo un insieme di eval task-specific con 150-400 input rappresentativi e output attesi graduati, quindi valutiamo i modelli candidati per qualità (LLM-as-judge più spot-check umano su un sottoinsieme di 50 elementi), latenza ai p50/p95/p99 effettivamente necessari e costo per 1.000 richieste al nostro mix di token. Lineup tipico: GPT-4o o Claude 3.7 Sonnet per il ragionamento, GPT-4o-mini o Claude 3.5 Haiku per la classificazione, gpt-4o-realtime per il parlato, un modello open-weights su vLLM per il batch cost-sensitive. Ripetiamo l'eval ogni trimestre perché la frontiera si sposta.
Il RAG è corretto quando le risposte risiedono in un corpus che si aggiorna più velocemente di quanto si possa fare fine-tuning (policy, documentazione del prodotto, ticket, contratti). È la risposta sbagliata quando il modello conosce già il dominio (codice generico, conoscenza generale), quando la latenza è inferiore a 500 ms al p95, o quando si hanno bisogno di output deterministici che il fine-tuning produce in modo più affidabile. Combiniamo spesso: RAG per l'ancoraggio ai dati del cliente, un piccolo modello fine-tuned per la struttura dell'output o il vocabolario di dominio, e prompt engineering per l'orchestrazione. Il RAG puro è raro in produzione. Il fine-tuning puro lo è ancora di più.
Tre livelli. All'ingresso, un rilevatore di dati personali (Microsoft Presidio o un classificatore fine-tuned) elimina o tokenizza email, nomi, numeri di telefono e ID account prima che il prompt lasci la nostra infrastruttura. Al provider, contrattializziamo la zero data retention con OpenAI, Anthropic e Bedrock (BAA firmati dove applicabile) e preferiamo endpoint con hosting UE per i dati europei. All'uscita, l'output viene analizzato per individuare dati personali allucinati prima di essere mostrato all'utente. I DPA vengono firmati prima del kickoff e manteniamo un elenco di sub-responsabili allineato ai vostri contratti con i clienti.
I prompt sono codice. Vivono nel version control, vengono revisionati nelle pull request e sono taggati con versioni semantiche che vengono registrate ad ogni inferenza. Ogni modifica ai prompt viene eseguita rispetto a un insieme di eval di regressione in CI (Ragas per la qualità del RAG, DeepEval o una rubrica personalizzata per le metriche task-specific) e non effettuiamo il merge se una metrica di primo livello regredisce di oltre il 2%. In produzione registriamo la versione del prompt, il modello, la latenza e il costo per token per richiesta tramite LangSmith, Helicone o Langfuse, così potete fare A/B sui prompt nello stesso modo in cui fate A/B sulle feature.
Sì. La maggior parte dei progetti si integra in un backend esistente (Node, Python, Go, Java) e in un'infrastruttura esistente (AWS, GCP, Azure) piuttosto che girare su una piattaforma separata. Non vi spingiamo verso un orchestratore specifico di un vendor se non ne avete bisogno. Lavoriamo in coppia con i vostri ingegneri, conduciamo code review insieme e scriviamo ADR per le scelte architetturali affinché sopravvivano al nostro coinvolgimento. Il trasferimento delle conoscenze è contrattuale: alla fine del pilot, il vostro team possiede il codebase, gli eval e il runbook.
I progetti sono a perimetro fisso e snelli, all-in e quotati in USD. Un PoC parte da 2.900 $ (4–6 settimane); RAG sulla vostra base di conoscenza da 8.100 $; un agente AI autonomo da 10.400 $; un modello ML in produzione da 13.800 $. La cifra esatta dipende da quanti casi d'uso rilasciate, dalla profondità del corpus e dalla dimensione dell'eval set, dagli obiettivi di latenza e dal perimetro di compliance. Vedete il budget con le singole voci alla fine della discovery e lo approvate prima che venga scritto codice. Non c'è ricarico di reclutamento né sovrapprezzo sugli strumenti, e la spesa cloud e token gira sui vostri account, così mantenete la leva sui costi.
Approfondimenti e guide pratiche dal nostro blog per i team di prodotto e ingegneria di USA e UE.
Guida 2026 agli agenti AI enterprise: selezione del modello (Claude 4.6, GPT-4o, Gemini 2.5), orchestrazione con…
Leggi l'articolo →
RAG vs fine-tuning nel 2026: framework decisionale per ingegneri su quando il retrieval-augmented generation…
Leggi l'articolo →Condividete alcuni dettagli e un consulente senior risponderà entro un giorno lavorativo.