luduvigo

Integrare l'AI in un prodotto SaaS: le decisioni da prendere

Aggiungere l'intelligenza artificiale a un prodotto SaaS che esiste già non è una chiamata a un modello: tocca architettura, dati, sicurezza, costi e contratti. Questa guida mette in fila le decisioni da prendere, nell'ordine in cui di solito si presentano.

1. Partire dal flusso, non dal modello

La domanda giusta non è «dove mettiamo l'AI?» ma «quale lavoro ripetitivo fanno oggi gli utenti nel prodotto?». Il candidato ideale ha un input chiaro, un risultato verificabile e un costo dell'errore basso. Da lì ci sono tre livelli di ambizione:

  • —Suggerire.L'AI propone una bozza, una classificazione, un riassunto; decide l'utente.
  • —Automatizzare con revisione. L'AI esegue, una persona approva prima che il risultato abbia effetti.
  • —Agire. Un agente compie azioni da solo nei sistemi collegati. È il livello con più valore e più rischio, e ha senso solo dopo aver visto funzionare i primi due.

2. Costruire, comprare o usare un'API

Per validare una funzionalità, un modello via API è quasi sempre la scelta più rapida. Le alternative, cioè un modello open source ospitato in proprio o la funzionalità AI già pronta di un fornitore, vanno valutate su quattro criteri: sensibilità dei dati, costo a regime, latenza e dipendenza dal fornitore. Qualunque sia la scelta, conviene isolare il modello dietro un livello sottile: i modelli cambiano più in fretta del prodotto.

3. Dati, contesto e multi-tenancy

Il valore di una funzionalità AI in un SaaS viene quasi sempre dal contesto: i dati del cliente, i suoi documenti, lo stato dell'account. Di solito si porta questo contesto al modello con il retrieval, molto prima di pensare al fine-tuning.

In un prodotto multi-tenant la regola è non negoziabile: indici, cache, log e memoria degli agenti devono rispettare la stessa separazione tra clienti del database principale. Il filtro per tenant va applicato lato server, prima che i dati arrivino al modello, e non affidato alle istruzioni del prompt.

4. Agenti e permessi

Quando l'AI passa dal suggerire all'agire, la domanda diventa: con quali permessi? Un agente dovrebbe avere i permessi dell'utente per cui agisce e non di più, una conferma esplicita prima delle azioni irreversibili e un registro di tutto quello che fa.

Sempre più spesso gli agenti si collegano ai sistemi tramite server MCP, che portano rischi specifici come prompt injection e tool poisoning: li descrivo nella guida ai rischi di sicurezza dei server MCP, con una checklist da usare prima del collegamento.

5. Valutare prima di lanciare

Una funzionalità AI non si testa come il resto del codice: lo stesso input può dare output diversi. Prima del lancio serve un insieme di casi reali (anonimizzati) con il risultato atteso, da rieseguire a ogni cambio di prompt o di modello. Dopo il lancio, le correzioni degli utenti sono i dati più preziosi per migliorarla.

6. Costi e pricing

Ogni chiamata a un modello ha un costo variabile che il SaaS tradizionale non aveva. Va misurato per funzionalità e per cliente fin dal primo giorno, perché incide sui margini e quindi sul pricing: limiti d'uso inclusi nel piano, crediti o prezzi a consumo sono le risposte più comuni.

7. Regole e contratti

  • —AI Act.Gli obblighi dipendono dal livello di rischio dell'uso; per molte funzionalità SaaS il tema principale è la trasparenza verso gli utenti. Le scadenze applicabili vanno verificate caso per caso.
  • —GDPR.Il fornitore del modello tratta dati per conto tuo: servono un accordo sul trattamento, chiarezza su dove vengono elaborati i dati e se vengono usati per l'addestramento.
  • —Clienti enterprise. Aspettati domande su questi punti nei questionari di sicurezza: conviene avere le risposte scritte prima che arrivino.

Chi scrive

Sono Paolo Antonio Rossi (luduvigo), founder e CEO di Gorilli, dove costruiamo prodotti AI come Kommander, Engammo e LLM Scan. Prima ho lavorato come ingegnere del software su sistemi e API in Amadeus e guidato la tecnologia di startup in Italia e in Europa. Il percorso completo è nel CV.

Parliamone

Stai integrando l'AI in un prodotto SaaS e vuoi confrontarti su una di queste decisioni? Scrivimi a paolo@luduvigo.com, su LinkedIn oppure prenota una call.

Domande frequenti

Da dove si parte per aggiungere l'AI a un prodotto SaaS?
Da un flusso di lavoro che gli utenti già fanno nel prodotto, è ripetitivo e ha un risultato che si può verificare. Prima si prova a dare un suggerimento, poi ad automatizzare con revisione umana, e solo alla fine a far agire un agente in autonomia.
Meglio usare un modello via API o un modello open source?
Per iniziare quasi sempre un modello via API: è il modo più rapido per capire se la funzionalità serve. Un modello open source ospitato in proprio ha senso quando contano di più il controllo sui dati, il costo a volumi alti o la latenza. Conviene in ogni caso tenere il modello dietro un livello che permetta di cambiarlo.
Serve il fine-tuning?
Raramente all'inizio. Nella maggior parte dei prodotti SaaS il problema è dare al modello il contesto giusto (i dati del cliente, i documenti, lo stato dell'account), e questo si risolve con il retrieval. Il fine-tuning diventa interessante quando servono uno stile o un formato molto specifici e ci sono già molti esempi buoni.
Qual è il rischio principale in un SaaS multi-tenant?
Che dati di un cliente finiscano nelle risposte date a un altro. Indici di retrieval, cache e memoria degli agenti devono rispettare la stessa separazione tra tenant del resto del prodotto, con il filtro applicato lato server e non affidato al prompt.
L'AI Act riguarda i prodotti SaaS con funzionalità AI?
Sì, con obblighi che dipendono dal livello di rischio dell'uso. Per molte funzionalità SaaS il punto principale è la trasparenza, per esempio far sapere agli utenti che stanno interagendo con un sistema AI. Le scadenze e gli obblighi applicabili vanno verificati sul caso specifico, insieme a GDPR e contratti con i fornitori dei modelli.

Da leggere