**Elai, IA predittiva che taglia tempi e costi — Transcript & Summary | SozAI**
Source: https://sozai.app/transcript/elai-ia-predictive-cut-time-costs/

Elai è un'innovativa AI predittiva italiana che riduce tempi e costi fino al 90%, nata da un progetto di dottorato e pronta a espandersi negli USA.

## Key Takeaways

- Elai automatizza e accelera la creazione di modelli predittivi, riducendo drasticamente tempi e costi.
- La combinazione di AI generativa e motori esecutivi è unica e innovativa a livello mondiale.
- L'azienda nasce da un progetto accademico e si è trasformata in una realtà internazionale con clienti in 15 paesi.
- Elai supporta decisioni aziendali più rapide e basate su dati puliti e integrati da fonti multiple.
- La democratizzazione dell'AI è un valore chiave per rendere la tecnologia accessibile anche alle PMI.

## What the video covers

- Elai è un agente di data science autonomo che gestisce l'intero ciclo di vita dei modelli predittivi, dalla preparazione dei dati alla messa in produzione.
- La soluzione combina due motori di intelligenza artificiale, uno generativo e uno esecutivo, per ottimizzare e automatizzare il processo di creazione dei modelli.
- Elai permette di sviluppare modelli predittivi in pochi minuti, rispetto ai 6-9 mesi richiesti dai metodi tradizionali, riducendo tempi e costi fino al 90%.
- L'azienda è nata da un progetto di dottorato all'Università di Roma 3 e si è evoluta da startup a realtà con oltre 100 clienti in 15 paesi.
- Elai integra dati interni ed esterni, pulendoli e arricchendoli per fornire previsioni accurate e supportare decisioni aziendali rapide e basate su dati certi.
- Il CEO e co-founder Antonio Sciuto, con esperienza internazionale in Salesforce, racconta la storia e la visione dell'azienda.
- Il prodotto è stato sviluppato con finanziamenti pubblici e privati, tra cui Cassa Depositi e Prestiti, e ha superato l'acceleratore LUISS.
- La tecnologia di Elai democratizza l'intelligenza artificiale, rendendola accessibile e meno complessa per le imprese di varie dimensioni.
- Elai si prepara a espandersi sul mercato statunitense, consolidando la sua presenza globale.
- L'intervista è parte della rubrica 'Stories di Successo' del Sole 24 Ore, dedicata a startup e imprenditori digitali.

## Chapters

1. 00:00 Introduzione a Stories di Successo e presentazione di Elai
2. 02:17 Descrizione tecnica dell'agente di data science di Elai
3. 04:22 Funzionamento innovativo dei due motori di intelligenza artificiale
4. 06:15 Origini di Elai: dalla ricerca universitaria alla startup
5. 08:23 Esperienza internazionale del CEO e crescita aziendale
6. 10:31 Impatto e vantaggi dell'AI predittiva per le aziende
7. 14:35 Applicazioni pratiche e settori di mercato di Elai
8. 16:50 Conclusioni e interazione con il pubblico

Answers

## Questions about this video

Che cos'è Elai e cosa offre alle aziende?

Elai è un agente di data science autonomo che crea modelli predittivi in pochi minuti, automatizzando l'intero ciclo di vita della data science per aiutare le aziende a prendere decisioni rapide e basate su dati affidabili.

In che modo Elai riduce tempi e costi rispetto ai metodi tradizionali?

Elai combina due motori di intelligenza artificiale che automatizzano la preparazione, l'integrazione e la modellazione dei dati, riducendo i tempi da mesi a pochi minuti e tagliando i costi fino al 90%.

Qual è la storia di origine di Elai?

Elai nasce da un progetto di dottorato all'Università di Roma 3 nel 2016, si trasforma in startup nel 2018, riceve finanziamenti pubblici e privati, e oggi conta oltre 100 clienti in 15 paesi con piani di espansione negli Stati Uniti.

## Full Transcript — Download SRT & Markdown

00:11

Speaker A

Buongiorno. Buongiorno a tutti e a tutte. Bentornati e bentornata a una nuova puntata di Stories di Successo del Sole 24 Ore. L'appuntamento settimanale dedicato alle interviste a startup per imprenditori e imprenditrici digitali.

00:24

Speaker A

Siamo in diretta sui social, sul sito e anche sulla TV del Sole 24 Ore, canale 246 del digitale terrestre, e siamo qui oggi per raccontare la storia di un'azienda che ha sviluppato degli strumenti di AI per la realizzazione di

00:39

Speaker A

modelli predittivi di intelligenza artificiale che aiutano le aziende a tagliare tempi e costi. Vedremo addirittura tagliare i costi fino al 90%. Un modello molto innovativo per un'azienda italiana che è pronta anche a sbarcare negli Stati Uniti e che è nata

00:54

Speaker A

dall'evoluzione di una startup che a sua volta è prodotto di un progetto di dottorato di ricerca. Quindi una storia articolata ma molto interessante che ci racconta il CEO e co-founder dell'azienda che si chiama Elai. Lui è Antonio Sciuto

01:10

Speaker A

ed è qui in studio con me. Buongiorno Antonio e benvenuto. Buongiorno Alessia e grazie mille per l'invito. Allora, io ho fatto una brevissima sintesi di questa storia molto interessante e vorrei che iniziassimo innanzitutto a raccontare che cos'è questa soluzione offerta da

01:29

Speaker A

Elai e perché è così innovativa rispetto alle altre e anche che cos'è appunto l'intelligenza artificiale predittiva, perché è così utile per le aziende e poi raccontare anche la storia di com'è nata questa azienda. Certo, benissimo.

01:43

Speaker A

Troppe domande, tutte in una, ma abbiamo tempo per... No, parliamo intanto di che cosa è, così riusciamo a spiegare in maniera semplice di cosa si tratta. E è un agente di data science che viene definito come autonomo perché da solo prende decisioni,

01:59

Speaker A

effettua delle azioni. Che cosa significa agente di data science? Un agente che integra i dati da tante fonti aziendali, li pulisce, li arricchisce, li prepara,

02:17

Speaker A

e da lì sviluppa in autonomia dei modelli predittivi, fa il back testing di questi

02:32

Speaker A

modelli e addirittura li mette in produzione nei sistemi aziendali e poi si occupa addirittura di mantenerli, riaddestrarli. Quindi, in sintesi, cosa fa? Gestisce l'intero ciclo di vita della data science, che è la parte dell'AI più a valore aggiunto, la parte

02:50

Speaker A

predittiva. Quindi è un agente che è in grado di creare questi modelli predittivi, come giustamente dicevi tu, in pochi minuti, è a supporto di tutte le principali funzioni aziendali, quindi determina immediatamente valore perché permette

03:06

Speaker A

alle persone chiave in azienda di prendere decisioni basate sui dati che sono seri, dati molto notevoli e quindi accelerare l'impatto. Quindi prendere decisioni in maniera più veloce, più efficace e con appunto con la base di dati più certi e più puliti,

03:21

Speaker A

come dicevi, no? Esatto. I dati, tra l'altro, permette di integrare sia dati esterni a quelli che sono i dati aziendali, sia dati interni, di metterli insieme e sviluppare questi modelli. Il modo in cui funziona è veramente innovativo, unico al mondo,

03:39

Speaker A

in quanto combina due motori di intelligenza artificiale, uno che è legato all'AI generativa, quindi immaginiamoci come se un team composto da data scientist, da AI engineer guardasse dei dati, li comprendesse, lì definisse tutte quelle che sono le

03:49

Speaker A

operazioni per trasformarli, per pulire questo dato, per integrarlo, per convogliare in un unico dataset tanti dati che vengono da tante fonti.

04:05

Speaker A

Quindi il primo agente alla fine definisce una serie di task che né più né meno sarebbero gli stessi che identificherebbe un team di esperti. Un altro motore prende in carico questa pipeline di task che viene definita dall'agente e li esegue in maniera

04:22

Speaker A

autonoma. I due motori sono dinamicamente collegati e quindi vanno avanti e indietro per ottimizzare tutto il processo fin quando Elai terminerà e metterà questo modello in test, testerà tutti i risultati e lo metterà a disposizione, pronto a predire a

04:37

Speaker A

supporto dei manager aziendali. E avremmo modo poi di approfondire durante la chiacchierata, ma appunto dicevo, come dicevo all'inizio, uno dei fattori più innovativi e rivoluzionari in un certo senso della proposta di Elai è la possibilità di permettere alle

04:49

Speaker A

aziende di creare questi modelli predittivi in pochi minuti rispetto ai mesi che richiedono i modelli tradizionali, quindi è un'innovazione, diciamo, un salto di efficacia notevolissimo.

05:07

Speaker A

Esattamente così. Nello specifico tante ricerche da McKinsey all'MIT concordano nel fatto che per una large enterprise un modello predittivo mediamente complesso richiede dai 6 ai 9 mesi. Questo perché nonostante oggi ci siano tanti tool che permettono di

05:22

Speaker A

migliorare la produttività dei data scientist proprio nel definire il coding su Python, le parti precedenti sono ancora molto manuali, quindi la parte di ovviamente di comprensione del dato, ma anche la parte di pulizia, di trasformazione del dato, di integrazione

05:36

Speaker A

del dato in un'unica tabella rimane molto manuale e molto onerosa, anche perché immaginiamoci centinaia di fonti dati, migliaia di colonne, milioni e milioni di righe, quindi diventa un esercizio complesso.

05:51

Speaker A

Certo. Certo. E prima di andare avanti ricordo a tutti che siamo in diretta sui social e attraverso i social potete partecipare, come dico sempre, a questa intervista, quindi nello spazio dei commenti sotto le dirette potete postare delle domande, delle considerazioni per

06:06

Speaker A

partecipare a questa chiacchierata. Ehm, vedremo poi quali sono le applicazioni pratiche per le aziende, quali sono i settori produttivi degli oltre 100 clienti che avete in giro per il mondo.

06:15

Speaker A

Però vorrei fare prima un passetto indietro e raccontare com'è nata Elai, perché Elai, come accennavo, è l'evoluzione di una startup nata da un progetto di ricerca. Vogliamo raccontare questa storia?

06:34

Speaker A

Sì, sì, la storia, tra l'altro, è molto bella. Quella che si chiamava Big Profiles nasce da un'idea, il dottorato di ricerca di Lorenzo Luce che durante questo dottorato ebbe l'idea o l'ambizione di creare un modello capace

06:52

Speaker A

di generare modelli. Parliamo del 2016 quando questa idea nasce e inizia a essere sviluppata all'interno dell'Università di Roma 3. La cosa curiosa che succede è che un executive di una grossa multinazionale straniera in visita a Roma 3 notò questi

07:12

Speaker A

diagrammi, questi flussi, questi modelli su una di queste lavagne e chiese al professor Paolo Merialdo chi li avesse creati. Da lì l'intuizione di Lorenzo che quella poteva diventare un'idea di business, lo scambio con questa azienda che poi diventa il cliente numero uno, anzi

07:31

Speaker A

il cliente zero, possiamo dirlo, sono i nostri partner Teleperformance. Nasce questa idea di portarla e farla diventare azienda. Nel 2018 l'azienda neocostituita viene selezionata come una delle sei nell'acceleratore della LUISS e dopo 6 mesi riceve il primo

07:46

Speaker A

finanziamento di circa 700.000 euro da cui si iniziano le attività di sviluppo del prodotto. Il prodotto poi viene portato sul mercato nel 2020. Nel 2020 c'è un round di 2 milioni fatto da Cassa Depositi e Prestiti.

08:02

Speaker A

Sì. E poi arriviamo praticamente ai giorni nostri perché il team di Lorenzo da Roma riesce a portare l'azienda a più di 100 clienti nel mondo in 15 paesi, fino a quando un fondo, chiedendomi una consulenza come parte

08:17

Speaker A

della due diligence del round che era in procinto di avvenire, mi presentò questa azienda e io non ci credevo, non riuscivo a credere dopo i miei 6 anni passati in Salesforce come Global Business Development Officer ne ho viste tante di...

08:23

Speaker A

Sì, perché tu vieni da un'esperienza molto qualificata di alto livello anche negli Stati Uniti.

08:39

Speaker A

Io ho avuto la fortuna di fare tante cose, dal consumer goods, consulenza, poi sono approdato in Salesforce nel 2018 e ho avuto la fortuna di lavorare direttamente nell'office di Marbiof, prima come diciamo supporto diretto all'office del CEO e poi dopo come

08:56

Speaker A

Global Business Development Officer. Quindi diciamo che di soluzioni tecnologiche ne ho viste e anche lavorato con tantissime aziende nel mondo e non...

09:11

Speaker A

Eh, Lorenzo mi disse scherzando, guarda, semmai tu dovessi decidere di collaborare con noi, sarei felice di diventare il capo del prodotto e lasciarti guidare l'azienda. Io gli dissi "Guarda Lorenzo vabbè vediamo." E invece poi è andato a finire

09:26

Speaker A

è successo, perché Lorenzo è ancora in azienda. Esatto. La cosa è andata che alla fine questi test producono dei risultati strabilianti che mi portano a decidere di fare io stesso il round, di coinvolgere un gruppo di senior executive da vari paesi del mondo e alla

09:42

Speaker A

fine nel gennaio del 2026 facciamo l'ultimo round di 3 milioni che a parte il valore del round la cosa significativa è che molti di noi prendono un ruolo di linea nell'azienda.

09:56

Speaker A

Io e il ruolo di CEO Chersten Moody che è stata Global Chief Data Officer di Unilever, di State Farm e di Prudential è diventata, l'abbiamo annunciata la settimana scorsa, la nostra CEO per la operating branch aperto in Nord America.

10:11

Speaker A

Quindi, quindi da quel momento, dal gennaio 2026, se non erro, Big Profile diventa Eli, nasce Eli anche con questo, tra l'altro, con il finanziamento che hai citato di casse deposito e prestiti e quindi inizia un po' l'evoluzione globale o continua l'evoluzione della

10:31

Speaker A

dell'azienda che ora ha delle dimensioni notevoli. abbiamo detto eh circa 100 imprese clienti eh in 15 paesi e si prepara anche a sbarcare negli Stati Uniti.

10:42

Speaker A

Esatto. Siamo abbiamo già aperto la filiale negli Stati Uniti dove abbiamo già dei clienti, però adesso abbiamo un presidio proprio operativo guidato da Chersten Moody che è una executive con un profilo globale, tra l'altro con esperienza diretta nel mondo della data

10:57

Speaker A

science. Lei ha creato e strutturato dal nulla team globali data science per grandi multinazionali. Diciamo che cosa cambia è un cambio importante di ambizione perché ovviamente per quanto il lavoro fatto da Lorenzo dal team è gregio, sai, partire da Roma e fare dei

11:16

Speaker A

business development andando a contattare one toone dei profili molto bassi all'interno delle aziende è un percorso difficile e devo dire chapot e complimenti a loro per quello che sono riusciti a fare. Oggi l'ambizione cambia perché noi oltre a portare tanti anni di

11:32

Speaker A

esperienza in giro per il mondo e in tanti diversi settori portiamo anche facilità di attivare le aziende e credibilità che portiamo sul mercato, quindi ci diamo degli obiettivi molto ambiziosi.

11:46

Speaker A

Peraltro le aziende tra tra i clienti che avete ci sono anche nomi importanti. Sì, abbiamo tante multinazionali e aziende rilevanti da teleperformance anche Intro e poi abbiamo recentemente annunciato proprio settimana scorsa il fatto che Valentino è diventato un nuovo cliente

12:08

Speaker A

che si è aggiunto ai live. Quindi spaziamo dal mondo delle utilities, dove abbiamo per esempio anche Edison al mondo delle banche, abbiamo anche Bancaella, supportiamo tantissime non profit, Save the Children, Unicef, Retailer, quindi un campo di applicazione piuttosto vasto, piuttosto vasto. Ecco,

12:25

Speaker A

e questo mi dà il là per chiederti di di raccontarci appunto qualche caso di applicazione di questo modello di Ali e e soprattutto qual è la ricaduta appunto pratica, per esempio, su un'azienda che fa fashion come Valentino.

12:42

Speaker A

Esatto. Beh, allora, intanto la prima grande distinzione che va fatto, perché si parla di tanto di intelligenza artificiale, però poi quando si va a guardare nei numeri, lo studio, l'ultimo State of the Art of della Mciny ci dice

12:55

Speaker A

che il 95% dei progetti di GNI o comunque degli approcci di GNI non deliberano nessun impatto sul conto economico aziendale. motivo sono diversi, ma invece uno dei principali è quello che la l'intelligenza artificiale predittiva da decenni fa delivera valore

13:15

Speaker A

perché guardiamo le banche, le banche da sempre hanno a che fare con modelli per la definizione della tariffa, con modelli per la definizione del credit score, quindi da sempre sviluppano praticamente dei modelli, quindi che il fatto che l'intelligenza

13:29

Speaker A

artificiale predittiva crei valore è risaputo, ma anche perché perché se applicata nelle le aree strategiche aziendali migliora le decisioni in ambiti chiave e di conseguenza migliora l'impatto. Quali sono questi ambiti?

13:42

Speaker A

Beh, intanto eh guardando le aziende ogni funzione ha tantissimi dati e ha delle decisioni chiave da prendere.

13:51

Speaker A

Parliamo di tutte le funzioni dalla per dire dalle risorse umane. Immaginiamoci di definire quella che è il potenziale di ogni dipendente, valori e modelli predittivi per il quello che è il potenziale, per il percorso di crescita, ma ovviamente non si applicano mai. Poi

14:06

Speaker A

andiamo al marketing, alle vendite, alla mentena predittiva. Il motivo per cui non si applica in questi ambiti è quello che dicevamo prima, che ci vuole tanto tempo a fare un modello. Quando invece adottando un agend agente i modelli

14:18

Speaker A

diventano fattibili veramente minuti e soprattutto si democratizza la l'intelligenza predittiva a persone come noi che non sono dei tecnici che ricevono un training di poche ore, di circa 6 ore e si diventa capaci di farlo. Ecco, questo è un altro

14:35

Speaker A

aspetto importante dell'innovazione portata da Ali perché è la, come dicevi, la democratizzazione dell'intelligenza artificiale che forse l'aiuta anche un po' a scendere da questo ruolo di mostro nell'iperanio, no, che ci ruba il lavoro e nient'altro. Ora ho detto una cosa

14:50

Speaker A

estremamente eh retorica e banale, però a volte magari la mancata conoscenza di questi modelli genera appunto dei dei degli stereotipi e dei pregiudizi come quelli che ho citato.

15:02

Speaker A

Sì. Allora, io la vedo molto come una copilot, no? Alla fine penso che i lavori si stiano naturalmente evolvendo, come si sono, diciamo, evoluti tante volte con le varie ondate di innovazione. Certo.

15:16

Speaker A

Quello che dici sulla sulla preditiva è esattamente così. Ad oggi è un po' un mito perché è complessa, perché è difficile, perché richiede team estesi di professionisti per sviluppare questi modelli e fare tutte le operazioni che dicevamo prima. Il fatto di avere un

15:32

Speaker A

agente come la che riesce ad automatizzare tutte queste operazioni la rende disponibile a tutti perché fondamentalmente avendo una conoscenza di base di quelli che sono i modelli predittivi, alla fine interagendo con noi ha bisogno solo di sapere che modello predittivo devo fare,

15:53

Speaker A

scegliendo tra sei classi di modelli che descrivono il 100% dei fenomeni aziendali o che esistono in natura.

15:59

Speaker A

definire praticamente quali dati utilizzare. Immaginati un cruscotto dati dove selezioni che dati utilizzare e se il modello lo richiede qual è la funzione obiettivo del modello.

16:09

Speaker A

[sbuffare] Banalmente, detto questo, farà tutta una serie di scelte. ovviamente ci darà full transparency di quello che ha fatto, descriverà tutto quello che ha rapporti della sua rapporti e soprattutto avrà bisogno di un confronto direttamente con chi lo usa

16:26

Speaker A

per permettergli di riscontrare queste predizioni prima di mandarle in esecuzione. La cosa anche divertente è che comunque dentro i live c'è un ulteriore agente che aiuta l'utente a fare le scelte giuste, quindi anche un percorso molto guidato.

16:42

Speaker A

Certo. Quindi è, diciamo, come dicevi, un copilot ideale, un assistente che non ci sostituisce, ma ci aiuta a prendere le decisioni giuste e [sbuffare] appunto a fare delle scelte delle scelte ragionate. Parlavamo dei dei settori produttivi delle imprese con

17:00

Speaker A

che sono vostre clienti, quindi abbiamo detto il no profit, la la moda e i servizi. Vogliamo citarne qualcun altro giusto per per dare un'idea di quale sia l'applicazione di questo modello? Ma la cosa ti direi che una delle applicazioni

17:14

Speaker A

più importanti comune un po' a tutti i settori, per esempio, è quella di prevedere la domanda, no? I modelli di forecasting nelle aziende, un po' in tutte le aziende, a seconda dei beni servizi che trattano, sono fondamentali perché eh ti

17:29

Speaker A

permettono non solo di definire quanto l'azienda venderà, ma di ottimizzare indietro tutta la filiera della supply chain e quindi evitare sprechi e soprattutto far sì che il prodotto sia disponibile, il prodotto servizio sia disponibile per i consumatori. Cosa

17:44

Speaker A

cambia in passato? Eh eh io eh ho lavorato in Procter, ho lavorato in Nestle, che sono comunque delle aziende eccellenti. I modelli di forecasting vengono comunque fatti ancora oggi da tutte le aziende, integrando relativamente poche fonti dati e avendo

18:01

Speaker A

un modello eh diciamo che in generale supporta tanti tipi di prodotti differenti. Quindi alla fine avendo un modello unico che deve predire sufficientemente bene delle cose molto diverse tra di loro, il modello cosa fa? C deve naturalmente appiattire tutta una

18:19

Speaker A

serie di fenomeni che sono specifici della singola SKU per permettere di avere un risultato mediamente buono.

18:26

Speaker A

Oggi cosa cambia? Con un un agente come l'ai, invece che sviluppare un unico modello, viene addirittura sviluppato un modello per ognuna dellesku per ogni prodotto e tutti questi modelli che quindi aumentano per design da by design la loro abilità

18:42

Speaker A

proittiva sono collegati in maniera dinamica permettendo di trasformare il forecasting non solo in un in una diciamo strumento di predizione della domanda, ma soprattutto in un copkit decisionale che poi ti permette di fare tutte le scelte legate lungo la filiera,

19:00

Speaker A

quindi è proprio uno step quantico di innovazione e di impatto sul valore. Vorrei fare anche un passaggio sui finanziamenti. Prima ne hai accennato quando abbiamo raccontato la storia di Eli che da Big Profiles è diventata Eli vogliamo appunto

19:18

Speaker A

integrare questo questo racconto con quali sono stati quali sono i finanziamenti di di Eli, quali sono le fonti, se c'è stata anche per esempio un'accelerazione dal punto di vista finanziario della Università Roma 3 oppure no. Sì. Allora, eh i passi chiave

19:33

Speaker A

sono i seguenti. Il primo finanziamento eh succede in seguito all'ingresso nel laboratorio della Lisby. Ah, ok. Sì.

19:42

Speaker A

Dove dopo 6 mesi quella che allora era la Big Profile riceve questo finanziamento di circa €700.000.

19:50

Speaker A

Poi successivamente a questo, nel 2000, nel 2020 invece c'è un round più cospigo in cui entra Cassa Depositi e Prestiti.

20:00

Speaker A

Sì. eh con un round di circa 2 milioni. L'ultimo avviene nel 2026 che oltre a essere un round da 3 milioni è un round dove entrano come parte del capitale, come equity partner, tanti soggetti che non solo investono, ma alla fine si

20:19

Speaker A

tassano permettendo all'azienda di avere una leadership team di rilevanza globale, nonostante siamo ancora una media, piccola media impresa italiana che adesso ha anche la sua filiale negli Stati Uniti, no? Che è anche un po', diciamo, curioso, no, che degli italiani

20:38

Speaker A

sbarcano sulle ai n Infatti, infatti questo è anche un altro aspetto eh sul quale volevo soffermarmi e con te perché, appunto, è anche all'inizio quando hai detto "Mi è mi è parso strano trovare in Italia un'innovazione eh del genere, un un

20:54

Speaker A

agente AI, una piattaforma così evoluta, ecco, e forse anche tu che venivi da da Oltreoceano avevi un pregiudizio sulla realtà italiana oppure Pure in Italia l'innovazione c'è, ma non è, diciamo, non se ne parla abbastanza bene.

21:08

Speaker A

Allora, la qualifico meglio. Forse abbiamo anche noi una responsabilità in No, no, no. Io, secondo me in Italia poi vabbè, io dopo tantissimi anni all'estero son tornato d'Italia perché amo l'Italia in maniera viscerale, profonda. Eh, no, la sorpresa era più

21:26

Speaker A

legata all'ambito, cioè se guardiamo oggi gli Stati Uniti sono quelli che dominano un po' nell'ambito intelligenza artificiale.

21:35

Speaker A

Dominano uno perché hanno un quadro normativo molto permissivo, cioè che gli permette di innovare. Poi se qualcosa è sbagliato la si corregge dopo, che è molto diverso dal modello cinese che centralizza tutto e dal modello europeo che definisce delle regole ben chiare

21:50

Speaker A

all'interno in cui giocare. Oltre a quello, gli Stati Uniti hanno il vantaggio di avere i modelli, hanno il vantaggio di avere aziende che dettano il mercato come Open AI, come Antropic che vediamo tutti i giorni, quindi è anche più facile al punto di

22:02

Speaker A

vista del processo. Beh, diciamo che c'è tutto uninfrastruttura negli Stati Uniti che rende possibile lo sviluppo di aziende in maniera molto più facile agevole di quello che invece farle in contesti diversi. Diciamo che la sorpresa era legata all'ambito, cioè

22:21

Speaker A

trovare un agente unico interamente a livello proprietario sviluppato in Italia per me era stata una sorpresa. Ma sul talento ho mai avuto dubbi. Secondo me noi italiani quando vogliamo altro che dire la nostra. No, no, ma devo dire che anche

22:38

Speaker A

io non nutrivo dubbi sul talento quanto forse sulla, diciamo, su una su una comunicazione di questo eh di questo talento oppure su una pubblicità, passami il termine, eh delle innovazioni che vengono fatte in Italia e poi mi piace sempre molto raccontare le

22:55

Speaker A

esperienze che arrivano anche da dottorati di ricerca e quindi da esperienze universitarie perché per tanto tempo si è parlato di questa distanza tra il mercato della formazione, il mercato e scusi, no, il mercato, il settore della formazione e

23:07

Speaker A

il mercato del lavoro e invece università e mondo di lavoro forse cominciano a avvicinarsi. Beh, sì, eh mi piace quello che hai detto, il discorso della pubblicità, diciamo, della creare conoscenza di un prodotto come questo.

23:21

Speaker A

difficoltà è ovvia quando hai un gruppo di giovani brillanti che alla fine escono da un percorso diciamo universitario creano l'azienda, creano un prodotto innovativo, lo portano sul mercato, la loro difficoltà nella goto market del prodotto è uno dei motivi per cui le

23:41

Speaker A

startup fanno fatica. È normale che portare conoscenza che abbiamo cascato dentro la piattaforma per industria, perché ovviamente io personalmente ho lavorato il consumer goods in tech, ma anche durante il periodo di Mcin molto nei servizi finanziari, il delle banche

23:56

Speaker A

assicurazioni. Chersten quel mondo lì, ha fatto oltre Consumer Gost tante assicurazioni e poi a breve annunceremo anche altri profili di altissimo livello. Quindi diciamo che la combinazione della conoscenza del business e anche praticamente il rich che abbiamo eh fanno un po' la

24:15

Speaker A

differenza rispetto al tema che dicevi correttamente. Quando una startup nasce e parte praticamente da nulla è molto complicato.

24:24

Speaker A

Certo. Allora, una domanda che arriva da Instagram, molto eh molto semplice e molto significativa. Occorre un esempio pratico.

24:32

Speaker A

Va benissimo. Facciamo praticamente un esempio che potrebbe che è molto molto semplice. Diciamo che un modello predittivo che è comune a tantissime aziende è quello di definire qual è il miglior prodotto per Alessia. Cioè, Alessia ha una storia di

24:49

Speaker A

acquisti, ha una storia di ingaggi o comunque di interazioni che ha avuto sui social on negozio. Tutti questi sono tantissimi dati che idealmente, quindi per esempio i vestiti che ho comprato, i cosmetici che ho preferiti, ma non solo, tutto quello che hai

25:09

Speaker A

guardato interagendo con la tua marca privata, i siti in cui sei stata, come hai reagito alle pubblicità, al messaggio e ipotizziamo che tutti questi dati in un'azienda che fa bene il suo lavoro vengano in qualche modo catturati quando è possibile. Alla fine questi

25:27

Speaker A

dati convergono in un modello predittivo. Ei che cosa farà? integrerà tutti questi dati, li comprenderà, li trasformerà e attraverso tecniche di data science li trasformerà in un modello predittivo che nello specifico per Alessia, sulla base di tantissimi dati, definirà non solo qual è il

25:48

Speaker A

miglior prodotto per Alessia, cioè quello che ha la maggior probabilità di essere acquistato da Alessia, ma anche dove proporgelo, con che messaggio proporglielo, a che ora, con quale call to action, magari anche descrivere il miglior la miglior all'interno della

26:05

Speaker A

boutique dove andrai che ha gli stessi interessi che hai tu che ti conosce che quindi è più in grado di avere una, diciamo, un approccio molto personalizzato che le statistiche ci dicono aumenta la conversione in vendita di più del 40%. Quindi l'esempio in

26:23

Speaker A

questo caso molto comune a tutti nel mondo del CRM da cui vengo è quello di integrare tantissime fonti dati interne esterne al fine di definire un modello che viene chiamato di propensity che definisce qual è il prodotto che ha la

26:37

Speaker A

probabilità più alta di essere acquistato. Ma questa è una raccomandazione specifica per Alessia e immaginiamoci per milioni di consumatori di clienti che possono essere dei target. però, appunto, l'elaborazione di tanti dati diversi, di tante variabili, eh in in poco tempo, è sicuramente un un

26:55

Speaker A

driver di efficienza notevolissimo. Spero che siamo eh riusciti a eh a dare un esempio sufficientemente pratico. Mi viene in mente quello che succede sui social quando scorro la la mia timeline, mi viene il suggerimento di un prodotto al quale magari ho pensato e ho detto:

27:13

Speaker A

"Oddio, ma questo l'algoritmo mi legge nel pensiero". In realtà no, ha e ha analizzato tutto il mio comportamento e mi dà questo risultato che però a volte è veramente perfettamente così. E l'altra cosa è che i dati continuano a essere, diciamo,

27:30

Speaker A

gestiti, integrati in maniera continua e quindi le predizioni si aggiornano autonomamente. Grande vantaggio è che ALI mantiene anche tutti i modelli predittivi che vengono creati in maniera che siano sempre attuali.

27:41

Speaker A

Certo. Allora, noi abbiamo ancora qualche minuto per fare un passaggio eh sui social. Come vengono utilizzati i social nel business di Ali? Quali sono le piattaforme che usate di più?

27:53

Speaker A

Allora, io sono un grande fan di LinkedIn e tra l'altro molto attivo prima, perché ovviamente per me piattaforme come LinkedIn sono uno strumento di comunicazione non solo verso il mercato, ma l'ho sempre considerato un potentissimo strumento di comunicazione verso il team.Ok.

28:12

Speaker A

Ho gestito organizzazioni grandi e complesse. In America ero presidente di Nestley Water, avevo 10.000 persone, quindi ogni parola conta. Quindi l'utilizzo di una piattaforma come LinkedIn è sempre stato uno strumento importante. Lo è anche per Eli. Alla fine comunichiamo tutte le cose che

28:32

Speaker A

facciamo, che in questo momento sono tantissime. Io sono adesso in partenza per gli Stati Uniti dove Eli sarà la piattaforma utilizzata 30 Leading University in America per fare una unathon live creeranno modelli predittivi e quindi tutte queste anche

28:50

Speaker A

le cose che succedono con i nostri clienti sono cose che ovviamente portiamo su LinkedIn come anche utilizziamo LinkedIn come approccio per l'attivazione dei nostri clienti prospect o comunque attuali e nel futuro pensate anche di utilizzare altre piattaforme per le racconto nel

29:08

Speaker A

vostro business, non so, Instagram o o TikTok. Io da former chief marketing officer ti direi mai dire mai, eh, però ad oggi direi che quello che noi raccontiamo ha una valenza molto di business e quindi ti direi che anche per il target

29:25

Speaker A

a cui ci riferiamo, LinkedIn lo trovo uno sbocco naturale, è molto molto efficace ed efficiente.

29:32

Speaker A

Esattamente. Allora, [sbuffare] per concludere la nostra intervista, peraltro su LinkedIn arrivano proprio su LinkedIn stanno arrivando molti commenti e volevo leggerteli prima di salutarci.

29:47

Speaker A

Eh, Massimiliano Reale dice molto interessante anche Monica Russo, molto interessante, innovativo. Complimenti ad Antonio Sciuto, complimenti anche da parte mia perché secondo me siamo riusciti nell'obiettivo di spiegare, questo è un po' il mio pallino, l'intelligenza artificiale in maniera semplice,

30:04

Speaker A

comprensibile, non superficiale, soprattutto di spiegare le ricadute su, diciamo, la la vita reale delle aziende.

30:11

Speaker A

Ti ringrazio per l'invito e anche per i complimenti e ringrazio anche tutti i commenti ricevuti.

30:16

Speaker A

Eh, però prima di salutarci la domanda che faccio a tutti gli ospiti, non si può sfuggire, consiglio strategico a un aspirante imprenditore o imprenditrice digitale che ci sta seguendo e che ha un sogno nel cassetto. Beh, la cosa che io

30:29

Speaker A

dico sempre è che idee buone eh ce ne sono tante, ma quello che fa la differenza è il team, quindi guardate a quello prima ancora di innamorarvi delle idee, perché quello che alla fine riesce a farle succedere sono le persone che ci

30:45

Speaker A

lavorano. Grazie, grazie ad Antonio Sciuto, SIO e C-Founder di Eli, per averci raccontato questa bella storia di innovazione.

30:53

Speaker A

Grazie a tutti quelli che ci hanno seguito. Vi ricordo che come sempre potrete rivedere questa puntata sul sito del Sole 24 ore. Vi auguro buona giornata. Ci vediamo martedì prossimo.

31:03

Speaker A

Grazie. Grazie. Grazie. เฮ

Topics: Elai intelligenza artificiale predittiva data science startup italiana modelli predittivi automazione AI riduzione costi innovazione tecnologica espansione USA Sole 24 Ore

Studia questo video

- [Flashcard da questo video](https://sozai.app/it/tools/ai-flashcard-generator/?from=transcript&id=77261)
- [Quiz su questo video](https://sozai.app/it/tools/quiz-generator/?from=transcript&id=77261)

Gratis, creato dall'IA a partire da questa trascrizione. Senza registrazione.


---
This is the markdown twin of https://sozai.app/transcript/elai-ia-predictive-cut-time-costs/ — the same content, without the markup.
Published by SozAI (https://sozai.app). Reuse and quotation are allowed with attribution and a link back.
Machine-readable index: https://sozai.app/llms.txt · data API: https://sozai.app/api/