Una PMI italiana che vuole introdurre AI nei suoi flussi operativi si trova davanti a un bivio falso. Da un lato le piattaforme enterprise con licenze annuali sopra il budget marketing tipico, dall’altro il vibe coding di workflow custom in Python che richiede sviluppatori dedicati. Lo spazio operativo dove le aziende italiane da 10 a 200 persone stanno realmente costruendo automazioni utili passa per due strumenti combinati: Make come orchestratore visivo dei flussi e Claude API come motore di ragionamento dentro i passaggi che richiedono comprensione del testo. Questo stack regge in produzione, costa poco rispetto al valore prodotto e ha una curva di apprendimento ragionevole per chi gestisce il marketing operations senza essere uno sviluppatore.
Perché Make + Claude e non altre combinazioni
Make (ex Integromat) ha vinto la categoria degli orchestratori no-code per PMI europea grazie a tre fattori. Pricing trasparente legato al numero di operazioni mensili, non al numero di workflow attivi. Connettori nativi verso le piattaforme che le PMI italiane usano davvero: HubSpot, Pipedrive, Salesforce, Airtable, Google Workspace, Microsoft 365, WordPress, WooCommerce, Mailchimp, Brevo. Logica visuale dei moduli con condizioni, filtri, routing che permette a un product owner di leggere il flusso senza saper programmare. Zapier resta più popolare negli Stati Uniti, n8n è più potente ma richiede self-hosting o un’istanza dedicata che molte PMI non sono pronte a gestire.
Claude API entra nel quadro come modello generativo bilanciato. Anthropic ha posizionato Claude come modello forte sul ragionamento strutturato, classificazione, estrazione di informazioni da testo non strutturato. Sulle istruzioni complesse con vincoli multipli, Claude rispetta il prompt con meno deriva rispetto ad alternative. Sul pricing, Claude Sonnet resta competitivo per workload PMI: input intorno ai 3$ per milione di token, output intorno ai 15$ per milione. Per il volume tipico di una PMI italiana, parliamo di 50-200€ al mese di API. La documentazione ufficiale su docs.anthropic.com è curata e i pattern di prompt engineering documentati funzionano in produzione.
Lo stack combinato Make + Claude lavora bene quando Make gestisce i trigger, le condizioni, le integrazioni con i sistemi esistenti, mentre Claude viene chiamato come passaggio puntuale per i task che richiedono comprensione del linguaggio. La divisione del lavoro è netta. Make non capisce un’email, non sa se un lead è interessante, non sa estrarre il totale da una fattura PDF. Claude fa esattamente questo, ma non sa parlare con il CRM né mandare email. Insieme, coprono il ciclo completo dal trigger esterno alla conseguenza operativa.
Tre pattern che ricorrono in produzione
I pattern che vediamo applicati nei progetti PMI italiani si riducono a tre categorie operative.
Il primo pattern è la classificazione di input in arrivo. Un form di richiesta preventivo, un’email a un alias commerciale, un messaggio WhatsApp Business, un commento social: tutti input testuali che oggi vengono letti da una persona e instradati a mano. Il workflow Make ascolta il canale, prende il testo, lo passa a Claude con un prompt che gli chiede di restituire una categoria strutturata (urgente/standard, tipologia di richiesta, presenza di parole chiave critiche, indicazione di budget). Claude risponde in JSON, Make legge il JSON e instrada: ticket in HubSpot se è supporto, lead in Pipedrive se è commerciale, segnalazione a un canale Slack se è urgenza. Il tempo di risposta percepito dal cliente scende da ore a minuti.
Il secondo pattern è la estrazione di dati da documenti. Una PMI riceve fatture passive in PDF da decine di fornitori, ognuna con un layout diverso. La contabilità impiega 20 minuti per fattura a registrarle a mano. Il workflow prende il PDF dalla mailbox amministrazione, lo converte in testo via OCR (Make ha moduli nativi), passa il testo a Claude con un prompt che chiede di estrarre fornitore, numero fattura, data, totale, IVA, voci di costo. Claude restituisce un oggetto strutturato. Make scrive la riga su Airtable o su un gestionale via webhook. La revisione umana resta, ma diventa un controllo qualità in 90 secondi invece di un inserimento manuale.
Il terzo pattern è la generazione di risposte tier-1 con guard-rail. Customer support su domande ricorrenti: tempi di consegna, modalità di reso, disponibilità prodotto, orari ufficio. Una FAQ articolata risolve queste richieste, ma molti clienti scrivono comunque all’email. Claude legge la domanda, confronta con una knowledge base interna passata nel prompt, restituisce una bozza di risposta in italiano corretto e tono brand. Make mette la bozza in coda di approvazione dentro Front, Help Scout o anche Gmail con etichetta dedicata. L’operatore approva con un click. Le risposte standard escono in pochi minuti, il tempo dell’operatore si concentra sui casi reali.
Costi mensili tipici e il fattore fallback
Per una PMI italiana che attiva 3-5 workflow combinati di questo tipo, la struttura di costo mensile è prevedibile. Make Core o Pro tra 30 e 60€ al mese in base al volume di operazioni: si parte dal piano da 9$ per i primissimi test, si sale a 16-29$ per piccoli flussi a regime, si arriva a 60-90$ per setup completi con 50.000+ operazioni mensili. Claude API tra 50 e 200€ al mese per i volumi tipici PMI: classificazione lead, estrazione documenti, generazione bozze. Costi infrastrutturali aggiuntivi marginali: storage Airtable se serve, costo OCR se i documenti sono molti.
Totale tipico in regime: 100-300€ al mese per uno stack che fa lavoro equivalente a 0,3-0,5 FTE su task ripetitivi. Il ROI si misura nel tempo recuperato dalle persone, non nel risparmio sui costi software. La giustificazione interna passa di solito così: prima di automation, l’addetto X impiegava 15 ore a settimana per smistare richieste, archiviare documenti, rispondere alle FAQ. Dopo automation, le stesse attività richiedono 5 ore a settimana, le 10 ore liberate si redirigono su attività di vendita o relazione cliente. Il costo dello stack si ripaga in 1-2 mesi.
Il fattore che molti dimenticano nei progetti pilota è il fallback su provider alternativi. Costruire un workflow che gira solo su Claude API funziona finché Anthropic ha uptime nominale, ma anche i provider migliori hanno incidenti. Make permette di strutturare un router con condizione: chiama Claude come primario, se la risposta non arriva entro N secondi o restituisce errore, ripiega su GPT con un prompt equivalente. Il prompt va testato su entrambi i modelli durante la fase di build, non al primo incidente. Gemini come secondo fallback è un’opzione, specialmente per workload con immagini.
Strutturare il workflow in modo che il modello sia un parametro, non un nome hardcoded, riduce il rischio operativo. Quando Anthropic rilascia un nuovo modello con prezzi diversi, cambi un campo. Quando un cliente vuole testare se OpenAI lavora meglio su un task specifico, fai uno swap di 5 minuti. Questa flessibilità non è ingegneria avanzata, è un’abitudine di setup.
Workflow passo-passo: richiesta preventivo via form web
Mettiamo a terra un caso concreto end-to-end. Una PMI manifatturiera italiana riceve 30-80 richieste preventivo al mese via form sul sito. Oggi le richieste arrivano in una mailbox commerciale, vengono lette da un addetto che le inoltra al sales pertinente sulla base del settore e del prodotto richiesto. Tempo medio di smistamento: 4-8 ore lavorative. Tempo di prima risposta al cliente: 24-48 ore.
Il workflow target. Il form web invia i dati a un webhook Make. Make ha un primo modulo che valida i campi obbligatori. Se mancano dati critici, Make manda un’email automatica al richiedente chiedendo l’integrazione (gestita con template predefinito, niente AI). Se i dati sono completi, Make passa il payload a Claude API con un prompt strutturato. Il prompt chiede a Claude di restituire un JSON con: categoria prodotto richiesto, stima del valore commerciale potenziale (alto/medio/basso) sulla base di azienda e quantità menzionata, settore di appartenenza, lingua del messaggio, presenza di urgenza dichiarata.
Claude risponde in 2-4 secondi. Make legge il JSON e applica una logica di routing su 4 condizioni. Se valore alto e settore strategico, lead va a un commerciale senior con notifica push. Se valore medio, lead va al sales junior con email standard. Se lingua non italiana, viene aggiunto un tag specifico per il commerciale che gestisce l’estero. Se categoria prodotto è fuori catalogo principale, viene segnalato a marketing per valutazione opportunità. Parallelamente Make crea il record nel CRM, allega il testo originale e le metadata estratte, e manda al richiedente una conferma automatica scritta in italiano professionale dal template (anche qui, non AI per le risposte transazionali). La risposta commerciale vera resta umana.
A regime, il tempo di prima risposta al cliente scende a 1-3 ore lavorative. Il commerciale apre il lead già qualificato e con contesto completo. Il marketing ha visibilità sulle richieste fuori catalogo, dato che prima si perdeva nel flusso. Tempo di setup del workflow: 2 giornate di consulenza, una per il design del flusso con il cliente e una per implementazione e test. Tempo di manutenzione: 1-2 ore al mese per piccoli aggiustamenti del prompt sulla base dei casi limite.
Questo è il tipo di intervento dove un partner esterno serve all’inizio per impostare correttamente la struttura, poi il team interno gestisce manutenzione e iterazioni. Se vuoi capire come applicare lo stack alla tua operatività, iniziamo da un audit di un’ora. Per approfondire stack e budget realistici, leggi Stack AI realistico per PMI italiana. Per il versante outbound dello stesso impianto, vai a Email sequence con AI: oltre il template.