> Come integrare l'AI in un CRM esistente
senza riscrivere tutto

Chi gestisce un CRM consolidato si trova spesso di fronte a una falsa scelta: o integra l'AI (e rischia di rompere tutto), oppure continua a usare il sistema com'è. In realtà il punto di mezzo esiste, ed è la via pratica che adottano chi fa questi progetti sul serio.

# Dove attaccare l'AI senza toccare il core

Un CRM esistente ha già:

• Un database relazionale con anni di dati puliti (o quasi)
• Flussi di lavoro consolidati e automatizzazioni semplici
• Integrazioni con email, documenti, fatturazione
• Utenti addestrati e dipendenti dal suo funzionamento quotidiano

L'AI non deve rimpiazzare niente di questo. Deve aggiungersi in parallelo nei punti dove il CRM attuale è cieco o lento: estrazione di informazioni da testi, scoring dei lead, suggerimenti nel workflow, categorizzazione automatica.

I tre punti di integrazione più solidi sono:

1. API hooks e webhook — il CRM chiama un servizio esterno (tuo o gestito) quando accade qualcosa (nuovo contatto, email ricevuta, record creato). Il servizio arricchisce il dato e lo rispedisce indietro.
2. Campi calcolati custom — linguaggi di scripting nativi (Salesforce Apex, HubSpot custom code) che orchestrano chiamate API interne al CRM, delegando il calcolo pesante all'esterno.
3. Pannelli di integrazione laterali — pagine HTML/React che vivono dentro il CRM (iframe o app embed) e fanno le loro cose, legando i risultati ai record di CRM tramite API.

# Quale modello scegliere (e perché non è quello che pensi)

La scelta tra un LLM completo (OpenAI GPT, Anthropic Claude, open source come Llama) e modelli più piccoli/specializzati dipende da tre variabili reali:

Variabile	Se prioritaria, conviene	Costo indicativo
Accuratezza su dati strutturati (lead scoring, categoria)	Modello fine-tuned piccolo o API specifica	€500-2000 setup + €0.01-0.10 per inference
Flessibilità totale (email, riassunti, reasoning)	LLM grande (GPT-4, Claude Opus)	€0.03-0.30 per richiesta
Privacy assoluta (dati sensibili)	Open source self-hosted (Llama, Mistral)	€100-500 mese server + tempo gestione
Basso latency (feedback umano immediato)	Modello distillato locale o edge	€0 runtime, setup hardware

La combinazione più pratica per un CRM medio (50-500 contatti al giorno in movimento): un modello ibrido. Usi un LLM grande (GPT-4 Turbo, Claude 3.5 Sonnet) per i compiti che richiedono reasoning — riassunti email, risposta a domande aperte, categorizzazione sfumata — e un modello piccolo/fine-tuned per il resto (scoring binario, routing, tagging).

Il costo totale di questa architettura, su volumi realistici (1000-5000 record processati al mese), sta tra €200 e €600 al mese. Se il CRM è Salesforce o HubSpot, considera anche le loro API AI native (Einstein per Salesforce, HubSpot AI): costano di più ma si integrano senza middleware.

# Primi use case che funzionano davvero

Non partire da cose complicate. Inizia con tre use case che portano valore visibile in settimane:

1. Riassunto automatico di email e note

Quando una email di un cliente arriva nel CRM (via integrazione nativa o Zapier), invia il testo a un LLM, chiedi un riassunto in max 100 parole e una sentiment analysis (positivo/negativo/neutro). Scrivilo in un campo custom del record contatto.

Tempo setup: 2-4 giorni. Valore: il team sa subito cosa è successo senza leggere la mail. Rischio: nessuno, è read-only.

2. Lead scoring intelligente

Prendi i dati del lead (fonte, azienda, comportamento, email, numero di interazioni) e passa a un modello (fine-tuned su lead storici tuoi o un LLM generico) per ottenere uno score 1-10. Aggiorna automaticamente un campo "quality" nel CRM.

Tempo setup: 1 settimana se hai dati puliti, 3-4 se devi prepararli. Valore: il team sa subito su chi concentrarsi. Rischio: il modello è solo un suggerimento, la decisione finale è umana.

3. Suggerimento di azioni nel workflow

Quando un commerciale apre un record cliente inattivo da 60 giorni, un webhook chiama un LLM che, guardando cronologia e interazioni precedenti, suggerisce tre azioni concrete ("invia case study X", "chiama il CFO", "proponi sconto per renewal"). Le mostra in un widget laterale del CRM.

Tempo setup: 1 settimana. Valore: il team ha suggerimenti contestuali. Rischio: basso, l'AI propone solo, non agisce.

# Architettura tecnica minima

Non serve niente di complesso. Un flusso realistico:

1. CRM (Salesforce, HubSpot, Pipedrive, etc.) con webhook configurato su "record creato" o "email ricevuta"
2. Un microservizio semplice (Node.js, Python FastAPI) che riceve il webhook, valida il payload, lo trasforma
3. Chiama l'API del modello AI (OpenAI, Anthropic, Hugging Face, etc.)
4. Riceve la risposta, la scrive in un campo custom del CRM tramite API
5. Registra la richiesta in un log (database locale o cloud logging) per debug e compliance

Hosting: un container su AWS Lambda, Google Cloud Run, o un piccolo VPS (€10-30 mese). Database per i log: SQLite locale va bene per volumi piccoli, Postgres per volumi medi.

Tempo di deploy: 3-5 giorni se il team conosce l'API del CRM in uso, 1-2 settimane se è la prima volta.

# Quanto costa davvero (e che cosa conviene)

Suddividi il costo in tre buckets:

1. Setup e sviluppo (una tantum): €3.000-8.000. Dipende dalla complessità del CRM usato, da quanti use case integri e se il team conosce già l'architettura. Un progetto semplice (un webhook, un modello, un campo riempito) costa €3.000. Un progetto articolato (3-4 use case, fine-tuning, logging robusto, testing) costa €6.000-8.000.

2. Costo del modello (ricorrente): €200-600 al mese per volumi medi (1000-5000 record processati). Se usi modelli open source self-hosted, paga il server (€100-200 mese) e meno in API.

3. Manutenzione e monitoring (ricorrente): €200-400 al mese. Qualcuno deve controllare che le integrazioni funzionino, aggiustare prompt se cambiano i dati, gestire errori API, revisionare output anomali.

Totale anno 1: €3.000-8.000 (setup) + €4.800-7.200 (annuale). Anni successivi: €4.800-7.200 annui.

Quando non conviene affatto integrar AI nel CRM:

• Se il team usa il CRM meno di 20 ore a settimana — il ROI è troppo basso
• Se i dati sono troppo sporchi (campi inconsistenti, email duplicate, note caotiche) — ottieni risultati mediocri, costa troppo pulire prima
• Se le decisioni critiche (contratti, compliance) devono essere 100% deterministiche — l'AI è sconsigliabile per quelle
• Se non hai un budget di almeno €15.000-20.000 annui per setup + gestione — non conviene affidare la soluzione al freelance che costa €200 e scompare

# Roadmap realistica: come procedere

Mese 1-2: Audit e planning

• Inventaria i dati nel CRM (quanti record, pulizia, consistenza)
• Intervista il team: quali compiti ripetitivi mangiano tempo?
• Definisci 3 use case prioritari (non di più, altrimenti dilati il progetto)
• Scegli il modello AI (LLM generico vs specializzato)

Mese 2-3: Prototipo

• Costruisci il primo webhook end-to-end (un use case semplice)
• Testa con 10-50 record reali
• Raccogli feedback dal team, rivedi i prompt se il risultato è mediocre

Mese 3-4: Deployment e monitoring

• Metti in produzione il primo use case su 100% del volume
• Configura alert (errori API, anomalie nei risultati)
• Aggiungi il secondo e terzo use case in parallelo

Mese 5+: Iterazione

• Raccogli metriche (tempo risparmiato, accuratezza feedback umano, ROI)
• Scala se i numeri lo giustificano, oppure fermi qui e mantieni

Un progetto tipico tocca un plateau di value intorno al mese 4-5. Dopo, il valore aggiunto diminuisce perché hai già coperto i compiti più frequenti e ripetitivi.