In sintesi: un’applicazione RAG aziendale permette di interrogare con l’AI i documenti privati dell’azienda — Excel, CSV, PDF, Word — e ottenere risposte puntuali in tempo reale. Il caso studio mostra come costruirla con lo sviluppo assistito dall’AI (stack Blazor, ASP.NET Core e n8n) senza perdere il controllo del codice, grazie all’approccio human in the loop e al framework DOE.
Caso studio reale di sviluppo assistito da intelligenza artificiale per interrogare i documenti privati della tua azienda — Excel, CSV, PDF, Word — direttamente dal cloud o da on-premise.
L’AI nello sviluppo software: una leva, non un sostituto
Costruire un’applicazione RAG aziendale con l’AI è oggi alla portata di ogni PMI, ma c’è una condizione che separa un giocattolo da uno strumento pronto per la produzione: non perdere mai il controllo del codice. In questo caso studio mostriamo come realizzare un sistema che interroga i documenti privati della tua azienda — Excel, CSV, PDF, Word — lasciando allo sviluppatore il pieno governo di architettura, sicurezza e manutenibilità. L’articolo riprende e approfondisce un nostro video dimostrativo: come usare l’AI senza perdere il controllo del codice.
L’intelligenza artificiale sta cambiando il modo in cui si costruiscono le applicazioni aziendali, ma c’è un punto che troppo spesso viene ignorato: il controllo del processo non si delega mai. Gli strumenti “no-code” che promettono software senza competenze tecniche funzionano per piccoli progetti amatoriali, non per ciò che un’azienda deve mettere in produzione — dove servono manutenzione, sicurezza e performance.
Il paradigma corretto è quello dello “human in the loop”: lo sviluppatore guida l’AI, ne valida ogni riga di codice prodotta e interviene dove il modello non è stato sufficientemente preciso. Esattamente come un avvocato verifica un contratto generato da un AI prima di firmarlo. È così che si ottimizzano i processi senza accumulare debito tecnico invisibile.
Il caso studio: un’applicazione RAG aziendale sui documenti
Il caso che presentiamo riguarda la realizzazione di un applicativo per la gestione di un sistema RAG — Retrieval Augmented Generation. Si tratta di un’architettura che permette di interrogare un modello di linguaggio (LLM) basando le risposte esclusivamente sui documenti privati dell’azienda: file Excel, CSV, PDF, documenti Word, archiviati on-premise o su Google Drive.
Lo scenario è quello tipico delle PMI italiane: knowledge base distribuita su fogli di calcolo e PDF, informazioni che ogni reparto cerca a fatica, tempo perso a rispondere alle stesse domande. Con un RAG ben costruito, chiunque in azienda può scrivere “che pacchetti offre VisLogica?” e ricevere una risposta puntuale, estratta dai documenti ufficiali, in tempo reale.
Gli strumenti utilizzati
Per dimostrare lo sviluppo abbiamo impiegato:
- Antigravity, un fork di Visual Studio che integra direttamente un agente AI nell’ambiente di sviluppo. È gratuito e scaricabile online.
- N8n, piattaforma di workflow automation usata sia per leggere e scrivere su Google Drive, sia per dialogare con l’API di OpenAI (ChatGPT). Abbiamo approfondito questo strumento nell’articolo su RAG automatizzato con n8n.
- Stack tecnologico: Blazor per il front-end (risposta di Microsoft a React e Angular, single-page application senza ricaricamento), ASP.NET Core Web API per il back-end, Entity Framework Core come ORM per l’accesso ai dati.
L’architettura applicativa in tre componenti
L’applicazione è strutturata in tre progetti:
- Client (Blazor) — l’interfaccia utente, divisa in due sezioni: gestione dei documenti della knowledge base e chat con l’LLM.
- Server (ASP.NET Core Web API) — il back-end che fa da ponte tra il front-end e N8n, esponendo gli endpoint per chat e gestione documenti.
- DLL condivisa — contiene i DTO (Data Transfer Object) usati nello scambio dati tra client e server, referenziata da entrambi.
Quando l’utente invia una domanda dalla chat, il flusso è: front-end → API del back-end → webhook N8n → LLM con accesso al RAG → risposta tornata indietro lungo lo stesso percorso e mostrata in chat.
Il framework DOE: come si “addomestica” un’AI probabilistica
Qui sta il vero valore tecnico del progetto. Gli LLM sono probabilistici per natura: ricevuto lo stesso input, possono produrre output diversi. Inaccettabile in produzione. La soluzione adottata è il framework DOE, articolato su tre layer:
- Directive Layer — il “manager”. Definisce in linguaggio naturale strategie, obiettivi, requisiti di business, vincoli architetturali. Sono le istruzioni che l’AI deve rispettare, scritte in file Markdown organizzati in una cartella directives.
- Orchestration Layer — il “dipendente”. È l’intelligenza operativa che legge le direttive, invoca i comandi della CLI .NET, gestisce gli errori di compilazione e risolve le dipendenze NuGet.
- Execution Layer — gli “strumenti”. Script deterministici (Python, .NET CLI) per compilazione, restore dei pacchetti, migration di Entity Framework. Qui non c’è spazio per la probabilità: un build deve produrre sempre lo stesso risultato.
A questa struttura si aggiunge un ciclo virtuoso di autocorrezione: quando l’AI commette un errore, aggiorna autonomamente le direttive perché quell’errore non si ripeta più. Il sistema migliora la propria competenza mano a mano che lo si usa.
Come si lancia lo sviluppo
Il punto di partenza è una semplice cartella nel file system contenente un file gemini.md (o equivalente), in cui è descritto il framework DOE personalizzato per il progetto. Questo file può essere generato a sua volta con ChatGPT o Gemini partendo da un template e specificando lo stack tecnologico desiderato.
Aperta la cartella in Antigravity, si impartisce all’agente la prima istruzione: “leggi con attenzione il file gemini.md e fai il setup completo dell’ambiente di sviluppo seguendo esattamente quanto contenuto al suo interno”. L’agente parte, crea la solution, genera la struttura dei progetti e — confermando le esecuzioni richieste — costruisce lo scheletro dell’applicazione.
Il prompt successivo è quello che genera la logica vera e propria: interfaccia di gestione file con Google Drive (upload, modifica, eliminazione di TXT, CSV, PDF, XLSX), chat tipo ChatGPT con storico delle conversazioni, integrazione con webhook N8n nel formato JSON concordato.
Conta la precisione del prompt: più rigoroso è il linguaggio tecnico, più coerente sarà l’esecuzione. È qui che la competenza dello sviluppatore diventa indispensabile.
Perché il controllo del codice resta non negoziabile
Una volta generata l’applicazione, la sessione di sviluppo è proseguita in Visual Studio per ispezionare ciò che l’AI ha prodotto: pattern architetturali (dependency injection, ORM Entity Framework), entry point della Web API, controller per chat e Google Drive, servizi iniettati, pagine Razor con la classica separazione tra markup e code-behind C#.
Solo leggendo il codice si capisce se l’architettura è solida, se i pattern sono applicati correttamente, se l’applicazione è sicura, se è manutenibile. Chi non sa sviluppare non può fare questa valutazione — e si ritrova con software che funziona finché non si rompe, e a quel punto non sa dove mettere le mani.
È questa la differenza tra produrre un prototipo e produrre un applicativo aziendale.
Cosa significa tutto questo per la tua azienda
Se hai una PMI e stai pensando a come introdurre l’AI nei tuoi processi, le opzioni sono due:
- Affidarti a soluzioni “chiavi in mano” generiche, che però non si adattano ai tuoi documenti, ai tuoi flussi, alla tua terminologia.
- Far sviluppare un’applicazione su misura, integrata con i tuoi sistemi (Google Drive, gestionali, ERP), capace di rispondere sulla tua specifica knowledge base.
La seconda strada produce risultati misurabili con considerevole risparmio di tempo sulle attività di ricerca informazioni interne, più produttività, decisioni basate sui dati invece che sulla memoria di chi è in ufficio quel giorno.
Vuoi capire dove stai perdendo risorse?
Sono uno sviluppatore software con oltre vent’anni di esperienza. In Vis Logica, insieme ai miei colleghi, aiutiamo le piccole e medie imprese a eliminare inefficienze e automatizzare i processi con software sartoriale su misura, costruito sui flussi reali dell’azienda.
A differenza delle software house tradizionali, lavori direttamente con chi sviluppa: nessun intermediario commerciale, nessuna riunione persa a tradurre requisiti, solo soluzioni costruite sul tuo caso concreto.
Se sei un CEO, un imprenditore o un decision maker e vuoi un confronto su come l’AI può abbattere i costi nei tuoi processi:
Compila senza impegno il form contatti su vislogica.com
Ci vediamo in video call, analizziamo insieme il tuo caso e valutiamo concretamente cosa si può fare. Senza obbligo di proseguire, senza vendita aggressiva: solo un’analisi onesta dei margini di miglioramento.
Il primo passo è una conversazione. Quello dopo, se ha senso, lo decidiamo insieme.
Domande frequenti sulle applicazioni RAG aziendali
Un’architettura (Retrieval Augmented Generation) che permette di interrogare un modello di linguaggio basando le risposte esclusivamente sui documenti privati dell’azienda: Excel, CSV, PDF e Word, archiviati on-premise o sul cloud. Chiunque in azienda può fare una domanda e ricevere una risposta puntuale, estratta dai documenti ufficiali.
No, ed è il punto centrale del caso studio: gli strumenti no-code funzionano per piccoli progetti amatoriali, non per ciò che un’azienda mette in produzione, dove servono manutenzione, sicurezza e performance. Il paradigma corretto è lo human in the loop: lo sviluppatore guida l’AI e valida ogni riga di codice prodotta.
Un metodo in tre layer per governare un’AI probabilistica: il Directive Layer definisce strategie e vincoli in linguaggio naturale, l’Orchestration Layer li esegue gestendo errori e dipendenze, l’Execution Layer usa script deterministici per compilazione e migration. Quando l’AI sbaglia, aggiorna le direttive perché quell’errore non si ripeta.
Blazor per il front-end, ASP.NET Core Web API per il back-end, Entity Framework Core per l’accesso ai dati e n8n per l’automazione dei flussi e il dialogo con l’LLM, il tutto in un ambiente di sviluppo con agente AI integrato.
Perché senza validazione umana si accumula debito tecnico invisibile: codice che funziona in demo ma non regge la produzione. Il valore non è generare codice in fretta, ma mantenere il pieno governo di architettura, sicurezza e manutenibilità.
Approfondimenti correlati
- Leggi anche il RAG automatizzato con n8n, per sincronizzare documenti e ricerca vettoriale.
- Leggi anche RAG e fine tuning a confronto, per capire quale tecnica scegliere.
- Leggi anche perché gli MCP server sono il futuro delle AI agentiche.
