La sfida più grande è stata trovare il giusto equilibrio tra qualità dell’analisi AI e costi sostenibili. Quando abbiamo iniziato a testare il motore di ottimizzazione con modelli AI diversi, ci siamo scontrati con un trade-off concreto: i modelli più potenti producevano risultati eccellenti ma a costi troppo alti per un SaaS accessibile, mentre quelli più economici restituivano alternative poco affidabili o addirittura con costi superiori all’originale — l’opposto di quello che promettevamo. Abbiamo dovuto ripensare l’intera architettura: invece di affidarci all’AI per tutto, abbiamo costruito un sistema ibrido dove l’intelligenza artificiale propone le alternative, ma i prezzi vengono verificati in tempo reale sui distributori reali e i calcoli di risparmio sono eseguiti server-side, con filtri automatici che eliminano le proposte non vantaggiose. È stato un percorso di tentativi, rollback e riscritture — abbiamo testato e scartato diverse configurazioni prima di arrivare a una che funziona. La lezione: in un prodotto AI-driven non basta avere un buon modello. Serve un’ingegneria solida attorno al modello che ne compensi i limiti e garantisca risultati affidabili all’utente finale. L’AI è il motore, ma la fiducia del cliente si costruisce con tutto il resto.