L’intelligenza artificiale ha una storia lunga. Già nel 1950 Alan Turing si interrogava sulla possibilità che
una macchina potesse pensare e nel 1966 ELIZA simulava una conversazione. Ma è solo negli ultimi anni
che l’AI è entrata nella quotidianità di milioni di persone.
È un percorso che abbiamo già visto con altre tecnologie. Tra gli anni Ottanta e Novanta il personal
computer ha trasformato il lavoro d’ufficio, seguito da Internet, posta elettronica, software gestionali e
cloud. Strumenti inizialmente nuovi e complessi sono diventati parte integrante delle attività quotidiane,
modificando abitudini, competenze e processi.
Oggi l’AI sta attraversando una trasformazione simile, ma molto più rapida. Dal 2022, con la diffusione
dell’AI generativa, sistemi estremamente sofisticati sono diventati accessibili praticamente a chiunque.
Basta una richiesta scritta o vocale per generare testi, immagini, video, musica e codice, trasformando
idee in contenuti con tempi e costi fino a poco fa impensabili.
Le possibilità produttive si sono moltiplicate, ma creare una bella immagine è una cosa, produrne cento
coerenti e utilizzabili da un brand è un’altra. I sistemi generalisti offrono enormi possibilità, ma quando
entrano in processi produttivi precisi emergono esigenze di controllo, affidabilità e continuità.
E’ una domanda ricorrente: l’intelligenza artificiale applicata è sempre utile o può essere dannosa? La
risposta dipende soprattutto da come viene progettata e utilizzata, dagli obiettivi assegnati, dalle
informazioni disponibili e dai limiti stabiliti. Aspetti che diventano sempre più importanti man mano che
l’AI entra nel lavoro quotidiano.
L’esperimento mentale del “paperclip maximizer”, reso famoso dal filosofo Nick Bostrom, lo racconta in
modo volutamente estremo. Immaginiamo un sistema molto potente al quale viene assegnato un unico
obiettivo: produrre il maggior numero possibile di graffette. Se il sistema perseguisse quell’obiettivo senza
vincoli e senza tenere conto di altri fattori, potrebbe arrivare a conseguenze assurde: utilizzare tutte le
materie nel mondo, essere umano compreso.
Non perché sia diventato cattivo, ma perché sta seguendo un obiettivo senza possedere tutto il contesto
che noi diamo per scontato.
In azienda lo stesso principio assume una forma molto concreta. Un sistema che interpreta male un
obiettivo o lavora con informazioni incomplete può produrre un contenuto errato, suggerire una
decisione sbagliata o, se ha accesso operativo ai sistemi, modificare dati ed eseguire azioni non previste.
Più l’AI entra nei processi, più diventano importanti progettazione, controllo e conoscenza del contesto.
È da questo tipo di esperienza che si è sviluppato anche il lavoro di pyb.
pyb nasce dall’unione di due realtà consolidate tra Milano e Lugano, agenzie con decine di anni di
esperienza nella comunicazione, nel digitale e nella tecnologia e con alle spalle progetti sviluppati per
brand e aziende di primo piano. L’incontro di queste competenze, maturate lavorando su clienti, mercati
e problemi reali, ha creato il terreno su cui negli ultimi anni il lavoro sull’intelligenza artificiale si è
progressivamente spostato dalla sperimentazione alla costruzione di strumenti pensati per attività
specifiche.
pyb: porta l’intelligenza artificiale nel lavoro di tutti i giorni, senza stravolgere abitudini e processi già
consolidati. Sviluppiamo strumenti AI, semplici da utilizzare e facili da integrare nei flussi esistenti, pensati
per velocizzare le attività ripetitive, eliminare le perdite di tempo e rendere le informazioni più accessibili,
organizzate e affidabili. Soluzioni che nascono da esigenze concrete, progettate insieme a chi quel lavoro
lo svolge ogni giorno.
Perché la tecnologia funziona davvero quando si adatta alle persone e al loro modo di lavorare.
Un cliente chiede di produrre immagini che solo alcuni anni fa erano impossibili da creare con budget
limitati. Un altro ha bisogno di ridurre tempi e costi di una lavorazione. Un settore presenta problemi che i
normali generatori non gestiscono bene. Da questi casi vengono costruiti i primi flussi, poi sviluppati con
professionisti del settore e testati nelle situazioni per cui sono stati pensati.
Underlab fashion, ad esempio, è nato per rispondere alle esigenze della produzione visual nel fashion. In
questo settore non è sufficiente generare un modello esteticamente credibile. Il capo deve essere
riconoscibile, i dettagli devono restare coerenti e il risultato deve poter essere utilizzato per cataloghi, ecommerce e comunicazione.
Il sistema permette di creare modelli virtuali, definirne caratteristiche fisiche, vestirli con capi reali,
modificare colori, produrre nuove ambientazioni e creare immagini emozionali, fino a utilizzare gli output
su e-commerce, campagne digitali o OOH.
Nel settore dell’intimo esistono difficoltà ancora più specifiche. La gestione della pelle nuda, dei punti di
contatto tra corpo e capo e delle proporzioni richiede controlli che i generatori generalisti non
garantiscono.
Underlab Fashion è stato sviluppato anche per affrontare questi aspetti. Può inoltre produrre turnaround del modello, creando viste differenti con una maggiore continuità tra un’immagine e l’altra.
Il flusso può essere personalizzato in base alle necessità del cliente, aggiungendo funzioni, controlli e
output specifici.
È proprio il lavoro sul campo a determinare gran parte della sua evoluzione.
La stessa logica viene applicata ad altri ambiti della generative AI.
Underlab Grafica nasce per la produzione di brochure e materiali multipagina, combinando generazione
dei contenuti e costruzione del documento in un flusso estremamente semplice da usare, anche per chi
non ha competenze grafiche o tecniche specifiche. Underlab Real Estate lavora invece sui rendering e
ambientazioni di interni, permettendo di trasformare e visualizzare gli ambienti in modo più rapido.
Sono applicazioni diverse, ma hanno un elemento comune: la generazione non viene lasciata come
funzione isolata ma inserita dentro un flusso pensato per un lavoro preciso.
È un passaggio molto simile a quello già avvenuto con il computer. Il cambiamento non si è fermato
all’arrivo di una nuova macchina sulla scrivania. È diventato rilevante quando quella macchina ha iniziato
a modificare concretamente il modo di scrivere, calcolare, archiviare, comunicare, progettare e
organizzare il lavoro.
Con l’AI siamo nella stessa fase di trasformazione. All’inizio l’interesse era concentrato sulla capacità di
una macchina di creare un’immagine o scrivere un testo. Oggi la questione riguarda sempre di più il modo
in cui queste capacità entrano nei processi quotidiani e cambiano attività che già esistono.
Da qui si arriva naturalmente ad altri tipi di applicazione.
Una parte consistente del lavoro d’ufficio è ancora dedicata alla ricerca di informazioni già disponibili:
trovare l’ultima versione di un documento, recuperare una condizione commerciale, ricostruire una
conversazione o preparare una risposta partendo da materiali sparsi.
Lavorafacile.ai è stato sviluppato intorno a queste attività, con strumenti dedicati a documenti, email e
sales.
Dietro una domanda semplice possono esserci sistemi RAG, embeddings, database vettoriali e modelli
linguistici. Per l’utente, però, l’esperienza deve rimanere semplice e vicina al modo in cui porrebbe una
domanda a un collega.
Quando si lavora con documenti e dati aziendali entra poi in gioco la privacy. Lavorafacile.ai è stato
progettato per mantenere all’interno dell’organizzazione fonti e evitando l’invio di informazioni sensibili
verso servizi esterni.
Il passaggio successivo è rappresentato dagli agenti AI.
Un agente non si limita a generare una risposta ma utilizza strumenti, consulta fonti ed esegue azioni.
Può leggere una richiesta ricevuta via email, recuperare informazioni dal CRM, verificare un dato nel
gestionale, preparare una risposta e aggiornare una pratica.
Questa capacità rende gli agenti molto interessanti, ma aumenta anche i rischi legati a una progettazione poco accurata.
Un agente configurato male può utilizzare la fonte sbagliata, interpretare in modo errato una procedura o
avere accesso a strumenti e dati che non dovrebbe utilizzare. Se possiede permessi operativi, un errore
può trasformarsi direttamente in un’azione.
Diventano quindi indispensabili livelli di autorizzazione, fonti controllate, log delle attività, regole chiare e
momenti nei quali è necessaria una conferma umana.
È anche il motivo per cui gli agenti sono più difficili da standardizzare.
CRM, ERP, procedure, dati, ruoli e responsabilità cambiano da azienda ad azienda. Quando un problema è
comune e ripetibile è possibile sviluppare un prodotto verticale. Quando invece l’AI deve entrare
profondamente nei processi interni, lavorare con dati proprietari e interagire con strumenti specifici, il
progetto deve essere costruito sulla singola organizzazione.
La storia della tecnologia nel lavoro è fatta di cambiamenti che inizialmente sembrano riguardare gli
strumenti e finiscono per trasformare i processi. È successo con il personal computer, con Internet, con la
posta elettronica, con il cloud.
pyb aiuta le aziende a fare questo passaggio in modo semplice, immediate e sicuro.