Questo articolo è stato originariamente pubblicato su AIXA AI, l’azienda di intelligenza artificiale dietro Olearia.
L’olio d’oliva muove tra i quindici e i venti miliardi di dollari all’anno a livello globale. La Spagna da sola produce quasi la metà dell’olio del pianeta. Jaén, una sola provincia andalusa, genera più olio extravergine di quanto ne produca l’intera Italia. È un mercato enorme, antico e decisivo per l’economia di regioni dove l’olivo non è una coltura come le altre, ma la coltura.
Eppure, alle sette del mattino di un qualsiasi lunedì, il prezzo dell’extravergine alla produzione si commenta in un gruppo WhatsApp.
Non è un’esagerazione. È letteralmente così che circola l’informazione in gran parte del settore olivicolo mediterraneo. Gruppi WhatsApp, telefonate tra conoscenti, voci che si confermano o si smentiscono nel corso della giornata. I dati meteo arrivano da app generiche che non distinguono un oliveto da un campo di grano. E i flussi commerciali — chi vende a chi, quante tonnellate, a che prezzo — richiedono di navigare le viscere di Eurostat con la pazienza di un monaco benedettino.
A differenza di altre commodity agricole che dispongono di piattaforme consolidate — AgFlow per i cereali, S&P Global per le materie prime in generale — l’olio d’oliva non aveva nulla di comparabile. I dati esistevano. Erano lì, sparsi in venti fonti ufficiali diverse, in formati apparentemente progettati per essere incompatibili tra loro. Metterli insieme a mano era un lavoro a tempo pieno che nessuno aveva tempo di fare.
Ci siamo proposti di costruire la piattaforma che non esisteva. “Un paio di mesi”, dicemmo.
È passato un anno. Questo è ciò che ne è uscito, e ciò che abbiamo imparato a caro prezzo.
La prima regola che ci siamo imposti — e la prima che abbiamo infranto
Un utente doveva capire lo stato del mercato in meno di dieci secondi. Se ci metteva di più, avevamo fallito.
La regola era giusta. Ciò che abbiamo costruito per rispettarla un po’ meno.
All’inizio abbiamo progettato grafici elaborati con più indicatori sovrapposti. Ci sembravano impressionanti. Li abbiamo mostrati a persone del settore durante lo sviluppo. Ci hanno chiesto un numero grande col prezzo di oggi e se era salito o sceso. Avevamo progettato per schermi da scrivania. Ci hanno detto che avrebbero consultato la piattaforma dal cellulare, in campagna, con copertura a tratti. Avevamo dato per scontato che chi arriva alla piattaforma abbia tempo e contesto. Ci arriva tra una riunione e l’altra, sul furgone, con una domanda concreta da risolvere in due minuti.
Ogni conversazione con qualcuno del settore durante quei mesi ci mostrava qualcosa che avevamo dato per scontato sbagliando.
La dashboard che abbiamo oggi è il risultato di quell’apprendimento. Quattordici widget che si aggiornano automaticamente: prezzi dei quattro mercati europei, segnali tecnici, bilancio di campagna, previsione del modello di machine learning, calendario degli eventi del settore, flussi commerciali in una mini-mappa, indicatori di costi, meteo, commodity concorrenti e notizie rilevanti. Ogni widget risponde a una domanda concreta. La profondità è a un clic di distanza, ma non combatte per l’attenzione con ciò che è essenziale.
Ci abbiamo messo più tempo di quanto vorremmo ammettere per arrivare a qualcosa di così semplice.
Venticinque anni di prezzi e il problema dei giovedì
Il modulo di mercato è il cuore della piattaforma. Contiene i prezzi ufficiali della Commissione Europea dal 2000, suddivisi per categoria — Extravergine, Vergine, Lampante, Raffinato — e per oltre trenta mercati regionali. Jaén, Córdoba, Siviglia, Puglia, Creta, Alentejo, Toscana. I quattro grandi produttori europei: Spagna, Italia, Grecia, Portogallo.
I prezzi della Commissione Europea vengono pubblicati il giovedì. A volte il venerdì. A volte con una settimana di ritardo. In un mercato dove un giorno di differenza può significare centesimi al chilo su migliaia di tonnellate, quel ritardo conta.
Per la Spagna abbiamo inoltre dati giornalieri del mercato alla produzione, pubblicati ogni mattina. I nostri estrattori raccolgono i prezzi di Extravergine, Vergine e Lampante ogni ora. Quando i dati ufficiali europei hanno più di sette giorni di ritardo, il sistema genera stime proprie con un modello addestrato su oltre vent’anni di dati.
Ma un prezzo isolato non dice nulla. 4,30 euro al chilo sono tanti o pochi? Dipende da quando guardi. Due anni fa era a 8 euro. Il minimo storico è stato 1,60. Per questo ogni vista di mercato include percentili storici — in che zona degli ultimi venticinque anni si colloca il prezzo attuale — spread tra categorie e tra paesi, e confronti tra campagne.
Tutto proviene da fonti ufficiali e verificabili. Se un numero appare sulla piattaforma, puoi risalire alla fonte originale per verificarlo. Non abbiamo “dati esclusivi” di provenienza misteriosa. Questo ci limita. Ma crediamo sia ciò che rende l’informazione abbastanza solida da prendere decisioni reali.
Cosa ci hanno insegnato diecimila settimane di backtesting
Qui la cosa si fa interessante, ed è qui che la realtà ci ha corretto con più durezza.
Quando abbiamo costruito il modello di stima dei prezzi, la prima versione assumeva qualcosa che sembrava ovvio: che i mercati mediterranei dell’olio siano fortemente correlati. Che quando sale la Spagna, sale l’Italia con un piccolo ritardo. Che il mercato spagnolo trascini gli altri.
Abbiamo fatto backtesting walk-forward con dati dal 2002. Più di diecimila settimane valutate. E i risultati ci hanno detto che ci sbagliavamo.
I mercati mediterranei sono più indipendenti di quanto pensassimo. Il fattore di influenza della Spagna sull’Italia è risultato molto minore delle attese. Ogni mercato ha le sue dinamiche, i suoi tempi, i suoi compratori e venditori che rispondono a segnali locali.
Il nostro modello per la Spagna combina vari indicatori statistici con dati giornalieri come segnale anticipatore. Migliora del 6-9% rispetto a un semplice modello di momentum, con tassi di successo del 69-74% a seconda della categoria di olio. Statisticamente significativo. Modesto, ma reale.
E poi c’è il Portogallo.
Il Portogallo ci ha tenuti bloccati per settimane. I segnali tecnici uscivano sistematicamente al contrario. Il modello comprava quando avrebbe dovuto vendere e vendeva quando avrebbe dovuto comprare. Ci abbiamo messo un po’ a capire che funziona come un mercato follower con una dinamica che è letteralmente l’inverso di ciò che ti aspetteresti guardando solo il momentum. Bisogna invertire la componente perché i segnali abbiano senso.
È il tipo di cosa che non compare in nessun manuale. Ed è anche il tipo di cosa che ti ricorda perché non puoi costruire un sistema di market intelligence da una scrivania, dando per scontato che i dati si comportino come credi che dovrebbero comportarsi.
I segnali che nessuno applicava all’olio
Parlando con persone del settore durante lo sviluppo, una cosa ci ha sorpreso: molti trader già pensavano all’olio come a un asset finanziario — cercavano pattern, provavano a individuare i minimi e i massimi di mercato — ma lo facevano con strumenti generici che non capiscono le particolarità di questo mercato.
Abbiamo costruito un modulo di analisi tecnica professionale. RSI, MACD, Bollinger, volatilità su più finestre, momentum. Ma la parte più interessante non sono stati gli indicatori in sé, bensì ciò che abbiamo trovato validandoli su venticinque anni di dati.
Il miglior predittore, di gran lunga, è il momentum a quattro settimane. Il segnale composito che funziona meglio pondera il momentum al 40%, l’RSI al 25%, la correlazione con i dati di vegetazione satellitare al 20% e la stagionalità al 15%.
La stagionalità si è rivelata affascinante. Ogni paese ha un suo pattern che si ripete con sorprendente stabilità decennio dopo decennio. In Spagna i prezzi tendono a salire in settembre e ottobre, quando parte la nuova campagna e l’offerta è ancora incerta. In Italia, agosto è il mese forte. Il Portogallo ha picchi a novembre e gennaio. Sono pattern che i veterani del settore intuiscono, ma che nessuno aveva quantificato su due decenni di dati.
Quantificarli non li rende più facili da sfruttare — il mercato è troppo piccolo e troppo influenzato da fattori non prevedibili. Ma aiutano a calibrare le aspettative nei momenti di volatilità, che è esattamente quando serve di più avere qualcosa di solido a cui aggrapparsi.
Il modulo di rischio che è apparso per caso
Durante quelle conversazioni, un trader ci ha chiesto se potevamo calcolargli un Value at Risk.
All’inizio ci è sembrato fuori luogo. Metriche bancarie per l’olio d’oliva? Ma più ci pensavamo, più aveva senso. I frantoi e le cooperative stoccano migliaia di tonnellate di olio nelle loro cantine. Quella è una posizione aperta, esposizione al rischio di prezzo, che piaccia o no. E nessuno la stava misurando.
Oggi il modulo ha sette schede. VaR con tre metodi — storico, parametrico e Cornish-Fisher per correggere l’asimmetria della distribuzione dei rendimenti. CVaR per scenari estremi. Backtesting con il test di Kupiec per verificare che i modelli facciano quel che promettono. Stress test con scenari storici reali: la crisi finanziaria del 2008, la siccità mediterranea del 2017, il COVID, la guerra in Ucraina col suo +80% sull’energia e +120% sui fertilizzanti. Correlazioni tra asset con tre metodi statistici. Simulazioni Monte Carlo fino a cinquantamila traiettorie. E ottimizzazione di portafoglio con la frontiera efficiente di Markowitz.
Sono strumenti che esistono da decenni nei mercati finanziari. Semplicemente nessuno li aveva applicati all’olio d’oliva.
Nel farlo, abbiamo scoperto qualcosa che dovrebbe preoccupare chiunque abbia una posizione grande in questo mercato: ha code pesanti. Gli eventi estremi sono molto più frequenti di quanto predirebbe una distribuzione normale. Il VaR parametrico classico sottostima sistematicamente il rischio reale. Non è qualcosa che puoi vedere senza i dati davanti. E una volta che lo vedi, non riesci più a non vederlo.
Mezzo milione di chilometri quadrati dall’alto
L’osservatorio satellitare è partito con nove regioni e un indice di vegetazione. Oggi monitora trentasette regioni in nove paesi mediterranei, dall’Andalusia al Libano, con sei indici spettrali e due derivati.
I dati arrivano da satelliti europei di osservazione della Terra, con risoluzione di dieci metri per pixel. Elaboriamo le bande spettrali per calcolare indici che rivelano lo stato della vegetazione. Ogni pixel viene filtrato automaticamente: scartiamo nuvole, ombre, acqua e pixel difettosi prima di fare qualsiasi calcolo.
E anche qui la realtà ci ha corretti.
L’indice di vegetazione standard — quello che usa tutto il mondo accademico — non funziona bene per gli oliveti. In un oliveto tradizionale, dove gli alberi sono distanziati di otto o dodici metri, gran parte di ciò che il satellite vede è terreno nudo. L’indice standard ti sta misurando più terra che alberi. Abbiamo dovuto passare a indici progettati specificamente per colture sparse, con correzione matematica per la luminosità del suolo. La differenza in precisione è importante.
Di tutti gli indici che calcoliamo, tre sono quelli che consideriamo più preziosi per il settore.
Un indice di salute vegetativa corretto per il suolo. Un indice di stress idrico che rileva i problemi quattro-sette giorni prima che gli alberi mostrino sintomi visibili — tempo sufficiente per agire se hai irrigazione. E un indice di area fogliare che correla tra il 70% e l’85% con la produzione finale, il che permette di stimare il raccolto quattro o cinque mesi prima della raccolta.
Quest’ultima cifra conta molto. Una cooperativa potrà fare proiezioni di volume a luglio, quando la raccolta non arriverà fino a novembre. Questo cambia completamente il modo in cui si pianifica la logistica e si imposta la trattativa.
Tre volte al giorno il sistema lancia estrazioni automatiche, con un meccanismo di backup nel caso in cui la fonte primaria raggiunga la sua quota di elaborazione. Su 540.362 chilometri quadrati di oliveti mediterranei, c’è sempre qualcosa in elaborazione.
Chi vende a chi, e a quanto
Il modulo di commercio internazionale è stato un progetto a sé.
Estrarre dati di commercio estero dell’UE in modo automatico richiede più pazienza di quanto si immagini, perché le fonti ufficiali europee sono… capricciose. A volte non rispondono. A volte restituiscono dati in formati cambiati senza preavviso. Ci sono endpoint che funzionavano perfettamente la settimana precedente e la successiva, silenzio.
I dati grezzi di commercio estero sono difficili da digerire. Ciò che abbiamo fatto è dargli forma. Diagrammi Sankey che mostrano visivamente chi vende a chi. Treemap delle destinazioni di esportazione. Un indice di efficienza commerciale che quantifica qualcosa che il settore intuisce ma raramente misura: l’Italia esporta meno quantità della Spagna, ma a prezzo più alto per tonnellata. L’indice di concentrazione di Herfindahl-Hirschman per rilevare la dipendenza da un unico mercato. Il coefficiente di Gini per misurare la disuguaglianza nella distribuzione dei flussi.
Puoi vedere come la Tunisia sia cresciuta come esportatrice nell’ultimo decennio, cambiando la dinamica competitiva del Mediterraneo. Come le esportazioni spagnole verso gli Stati Uniti — che superano il miliardo di euro annui — vivano sotto l’ombra permanente dei dazi. Come i flussi globali si siano riorganizzati dopo la crisi dei prezzi del 2023 e 2024.
La storia dell’olio d’oliva come mercato globale si legge in quei flussi. Finché non li vedi tutti in un unico posto, non ti rendi conto di quanti pezzi abbia il puzzle.
La metà dimenticata dell’equazione
Tutti parlano di prezzi. Quasi nessuno parla di costi.
Abbiamo serie storiche degli indici energetici Eurostat, costi di trasporto trimestrali, input agricoli — fertilizzanti NPK, prodotti fitosanitari, manodopera — e inflazione. Con quei dati puoi fare qualcosa che sorprendentemente poche persone fanno: calcolare se stai davvero guadagnando, e non solo fatturando.
Secondo i dati AEMO, i costi di produzione variano radicalmente a seconda del sistema di coltivazione: l’oliveto superintensivo irriguo può produrre a 2,81 euro al chilo — il più efficiente del mercato. L’oliveto tradizionale di bassa pendenza in asciutto si aggira intorno ai 4 euro. L’oliveto di montagna arriva a 4,61 euro al chilo. Con l’extravergine alla produzione vicino ai 4,30, le implicazioni sono evidenti ma non per questo meno preoccupanti.
Quello con margine comodo è il superintensivo ben gestito. Quello sul filo del rasoio è l’oliveto tradizionale in asciutto e, soprattutto, quello di montagna — quello che costa più produrlo di quanto valga sul mercato. Sono proprio i sistemi più legati al territorio, al paesaggio e alla cultura olivicola mediterranea ad avere i numeri più stretti.
Finché non vedi i numeri messi insieme, non prendi piena consapevolezza di quanto siano sottili quei margini.
177 task automatici al giorno — e cosa succede quando falliscono
Dietro ogni modulo ci sono sedici estrattori automatici che operano a frequenze diverse. Il sistema esegue 177 task programmati al giorno.
Ogni ora, dalle sette del mattino alle undici di sera: valute, prezzi di Spagna alla produzione, prezzi europei ufficiali, indicatori di mercato, energia, commodity, fiducia dei consumatori, prezzi di mercati non europei, commercio estero. Tre volte al giorno: dati satellitari. Una volta al giorno: previsioni meteo. Trimestralmente: input agricoli e trasporti. Annualmente: bilancia commerciale e produzione mondiale del Consiglio Oleicolo Internazionale.
Ogni estrattore sa quando eseguirsi, quali dati richiedere e cosa fare quando qualcosa fallisce. Perché le fonti ufficiali falliscono. Costantemente.
A ottobre 2025, l’API della Commissione Europea ha cambiato i nomi dei mercati greci dall’inglese al greco senza preavviso. Da un giorno all’altro, “Chania” è diventato “Χανιά”. “Heraklion” è diventato “Ηράκλειο”. Per un sistema che sono anni che normalizza i nomi dei mercati sotto un formato coerente, è un guasto silenzioso: i dati continuano ad arrivare, ma non combaciano più con i record storici. Ce ne siamo accorti perché i grafici della Grecia hanno iniziato a mostrare buchi dove non avrebbero dovuto essercene.
Abbiamo anche visto pubblicazioni con errori che trasformano 3,50 in 350. Endpoint deprecati senza preavviso. L’API di Eurostat COMEXT che a volte semplicemente non risponde — nessun codice di errore, nessun messaggio, solo silenzio.
Ciascuno di questi problemi lo abbiamo incontrato almeno una volta. Abbiamo tabelle di normalizzazione dei nomi dei mercati per gestire le variazioni. Retry con backoff esponenziale. Validazioni che rilevano prezzi anomali. Il lavoro invisibile di tenere in piedi tutto questo è probabilmente il 70% dello sforzo reale di costruire una piattaforma di dati.
Nessuno lo vede. È la cosa più importante che facciamo.
L’assistente che abbiamo dovuto ricostruire tre volte
Questo è probabilmente ciò che è cambiato di più negli ultimi mesi. Ed è anche ciò che ci è costato di più.
La prima versione era un chatbot con accesso ai dati. Parole chiave che innescavano query: “prezzo” chiamava l’API dei prezzi, “meteo” quella del meteo. Semplice. E mediocre.
Il 60% delle volte rispondeva “non ho informazioni sufficienti”. Abbiamo fatto test documentati e solo nove query su sedici funzionavano. Il sistema non estraeva bene i dati, inventava cifre quando la struttura non tornava, e selezionava strumenti sbagliati. Quattro risposte su dieci erano incomplete o direttamente fabbricate.
L’abbiamo riscritto da zero. Due volte.
Oggi l’assistente funziona in modo radicalmente diverso. Quando gli fai una domanda, un sistema di pianificazione intelligente analizza di cosa hai davvero bisogno — non con parole chiave, ma capendo la query: tipo di analisi, orizzonte temporale, ambito geografico, categoria di olio — e decide esattamente quali dati interrogare dal nostro database di oltre due milioni di record. Non passa da API intermedie: interroga direttamente i dati grezzi, esegue i calcoli necessari e sintetizza una risposta fondata.
Ogni numero che compare nella risposta viene verificato automaticamente contro i dati di origine. Se dice che l’extravergine a Jaén è a 4,27 euro, quel 4,27 esiste nel database e viene da una fonte ufficiale. Se non riesce a verificare un dato, lo dice.
Quello che più ci è costato è stato farlo incrociare domini con naturalezza. Domande come “ho 4.000 chili di lampante a Jaén, vendo adesso o aspetto settembre?” richiedono dati di prezzo attuali, indicatori tecnici, stagionalità storica del lampante, bilancio nazionale degli stock, previsione del raccolto, meteo e stato dell’oliveto. Tutto incrociato. Quando funziona — quando gli poni qualcosa di complesso e torna con una risposta che integra sei fonti di dati diverse, calcola la stagionalità del lampante per settembre negli ultimi cinque anni, confronta con il prezzo che ti offrono e ti raccomanda una strategia di vendita scaglionata — è il tipo di analisi che a un consulente richiederebbe mezza giornata.
Abbiamo anche imparato che confrontare regioni non è così semplice come mettere due numeri uno accanto all’altro. Un NDVI di 0,35 a Jaén può essere eccellente per la sua climatologia, mentre lo stesso valore in Toscana sarebbe preoccupante. Perché il confronto abbia senso, ogni regione viene prima confrontata con sé stessa nello stesso mese di anni precedenti. Solo allora si può valutare se un’area va meglio o peggio del previsto, e confrontarla con un’altra in modo onesto.
Il sistema ha quindici operazioni di calcolo avanzato — da medie e tendenze fino a correlazioni tra variabili, stagionalità per mese, anomalie rispetto alla media storica, crescita annua composta e distribuzioni statistiche — che si eseguono su venticinque anni di dati in alcuni casi. E ha allerte proattive: se c’è rischio di gelate nella tua zona, o se un indicatore di mercato supera una soglia, te lo dice anche se non l’hai chiesto.
Non è perfetto. Ci sono domande che ancora non risolve con la precisione che vorremmo. Ma non inventa più dati, non dice più “non ho informazioni” quando ce le ha, e ogni risposta porta un indicatore di verifica che ti dice quale percentuale dei numeri è stata incrociata contro le fonti originali.
Report che si scrivono, si impaginano e si traducono da soli
Ogni settimana la piattaforma genera un report di market intelligence. Tre pagine A4, design editoriale professionale, grafici renderizzati automaticamente. Senza che nessuno scriva una sola parola.
Il processo ha quattro fasi che si eseguono automaticamente.
Primo, il raccoglitore di dati va a cercare informazioni in quindici fonti: prezzi giornalieri della Spagna, prezzi settimanali dei quattro mercati europei con tutto lo storico, cambio EUR/USD, indicatori tecnici, commodity concorrenti, costi di energia e trasporto, stato della vegetazione via satellite, gradi-giorno accumulati per i nove paesi mediterranei, allerte climatiche, fase fenologica attuale dell’olivo, flussi commerciali, produzione.
Dopo, il motore di inferenza calcola dodici metriche derivate. Percentili storici di ogni prezzo. Margini sui costi di produzione — distinguendo tra oliveto tradizionale, intensivo e superintensivo, con dati AEMO e MAPA. Spread tra categorie e tra paesi. Correlazioni. Rapporti rispetto alle commodity concorrenti.
Poi, un modello AI redige l’analisi. Con un sistema a cascata — se il modello principale fallisce, ricade automaticamente sul secondario — genera l’editoriale che mette i numeri in contesto. Compresa quella che chiamiamo internamente la “causal chain signal box”: un riquadro che incrocia segnali del mondo fisico (clima, satellite), del mondo finanziario (prezzi, volatilità, momentum) e del mondo biologico (fenologia, produzione) per dare una lettura integrata.
Infine, si renderizza il PDF. Tre pagine: Mercato, Campagna/Offerta ed Editoriale. Il processo di impaginazione automatica sembra semplice finché non passi due pomeriggi a litigare con i margini di stampa.
Il risultato è qualcosa che una cooperativa può mettere sul tavolo del suo consiglio di amministrazione, o che un trader può leggere in tre minuti per aggiornarsi. Lo ha scritto una macchina alle quattro del mattino, mentre nessuno guardava.
Il calendario che pensa in termini fenologici
Uno dei moduli che più ci ha sorpreso durante lo sviluppo è il calendario di mercato intelligente.
Non è un calendario con date. È un motore di regole con venti condizioni predefinite, organizzate per fase fenologica dell’olivo — riposo invernale, differenziazione floreale, germogliazione, fioritura, allegagione, ingrossamento del frutto, invaiatura, maturazione, raccolta — che valuta dati in tempo reale e genera raccomandazioni di azione.
Se siamo in fioritura e l’indice di stress idrico supera una soglia, il sistema genera un’allerta critica con raccomandazione specifica. Se siamo in periodo di raccolta e il momentum dei prezzi supera il 5% settimanale, genera un’opportunità. Tutto filtrato per prospettiva: compratore o venditore.
Sembra semplice. Non lo è. Mappare le dieci fasi fenologiche dell’olivo, con le loro variazioni per paese e regione, incrociarle con dati climatici, vegetazionali, di mercato e storici, e generare insight azionabili che qualcuno possa applicare quella stessa mattina, ha richiesto una quantità di lavoro di ricerca agronomica che non avevamo anticipato.
Ci succede molto spesso. Non anticipare quanto lavoro abbia qualcosa che sembra semplice visto da fuori.
Le previsioni, con onestà
Prevedere il prezzo dell’olio d’oliva è molto difficile. Dipende da fattori climatici che nessuno controlla, decisioni politiche imprevedibili, e trattative tra un numero relativamente piccolo di grandi attori. Chiunque prometta certezze sta mentendo.
Detto questo, abbiamo modelli in produzione. Per la Spagna, un modello statistico con cross-validation su oltre milleduecento settimane. Per l’Italia, un ensemble che combina tre modelli con pesi ottimizzati. Per Grecia e Portogallo, modelli più semplici perché i dati storici sono più scarsi.
I risultati sono modesti ma reali: miglioramento del 6-9% rispetto a un semplice modello di momentum, con tassi di successo del 69-74% a seconda della categoria di olio. Statisticamente significativi.
Lo presentiamo per quel che è: uno strumento in più nell’arsenale decisionale. Mostriamo intervalli di confidenza, non punti. Quando il modello non ha abbastanza confidenza per dire qualcosa di utile, lo dice apertamente.
Crediamo sia l’unico modo onesto di presentarlo. Se qualcuno vuole certezze nette, c’è chi gliele vende. Noi preferiamo che chi usa la piattaforma sappia esattamente di cosa può fidarsi e di cosa no.
Il momento in cui siamo
È un momento interessante per lanciare qualcosa del genere.
Il mercato dell’olio d’oliva ha vissuto due anni di trasformazione intensa. I prezzi sono schizzati fino a 8 euro al chilo, sono tornati a scendere, e l’attuale campagna genera di nuovo incertezza. I dazi con gli Stati Uniti sono già una realtà, e le esportazioni spagnole verso quel mercato superano il miliardo di euro l’anno. Il quaderno di campagna digitale europeo sarà obbligatorio a partire dal 2027. La produzione europea si è ripresa dopo la siccità del 2023, ma nessuno può garantire che la prossima campagna non torni indietro.
Volatilità, barriere commerciali, pressione regolatoria, cambiamento climatico.
In questo contesto, avere accesso a informazione integrata — non sparsa su venti siti, non raccontata per sentito dire in un gruppo WhatsApp — può fare una differenza reale. Non come lusso tecnologico. Come necessità operativa.
Ciò che ancora non c’è
Ci resta molto lavoro. Parecchio.
Vogliamo migliorare i modelli di previsione — gli LSTM e i Transformer che abbiamo in roadmap. Vogliamo allerte push in tempo reale quando una soglia viene superata. Vogliamo espandere la directory dalle 4.400 aziende che abbiamo oggi a tutta la catena del valore. Vogliamo aprire un’API pubblica perché altri possano costruire sopra i nostri dati. Vogliamo app native.
Ogni settimana scopriamo qualcosa che potremmo fare meglio. Ogni conversazione con qualcuno del settore rivela un’esigenza che non avevamo considerato. Non è un problema. È esattamente ciò che dovrebbe succedere quando costruisci qualcosa per persone reali che prendono decisioni con conseguenze economiche reali.
Olearia Intelligence non è un prodotto finito. Probabilmente non lo sarà mai. È un sistema vivo — centinaia di migliaia di righe di codice, 177 task giornalieri che girano da soli, un database con ottantaquattro tabelle che da quasi un anno accumula dati da venti fonti diverse — costruito per gente che lavora in campagna, negozia in ufficio, o controlla il mercato alle sette del mattino dal cellulare.
È iniziato come un gruppo WhatsApp. Abbiamo ancora molto da imparare.
Siamo in beta privata. Se lavori nel settore e ti interessa quello che abbiamo raccontato, stiamo ascoltando.
Ti interessa Olearia Intelligence? Puoi richiedere l’accesso o scriverci a [email protected]. Se vuoi solo parlare del settore, va bene lo stesso. Impariamo sempre qualcosa da quelle conversazioni.
Articolo originale pubblicato su AIXA AI.
