Dall’esterno una piattaforma immobiliare sembra di nicchia, ma dentro racchiude tre cose che ho realizzato molte volte: un marketplace con annunci, ricerca, filtri e mappa; un CRM per contatti, stati e registro delle chiamate; e la prenotazione di visite, calendari e promemoria. Aggiungere l’AI la rende uno dei contesti migliori per affidare a un modello un compito concreto: molto testo semistrutturato, fotografie, domande ripetitive e un agente immobiliare che ha sempre poco tempo.
Comincio dal modello dei dati, perché è lì che questi prodotti si giocano tutto. Un annuncio non è una riga con un campo descrizione: ha un tipo, uno storico dei prezzi, uno stato (bozza, attivo, riservato, venduto), una posizione con coordinate, contenuti multimediali e un proprietario o un’agenzia. Servono PostgreSQL con vincoli effettivi, PostGIS o almeno coordinate indicizzate per la ricerca su mappa, ricerca full-text su indirizzi e descrizioni e un audit trail che registri chi ha modificato un prezzo e quando. I duplicati sono il problema classico — lo stesso appartamento pubblicato da tre agenti — quindi la deduplicazione si progetta subito, anziché aggiustarla in seguito.
La parte pubblica è realizzata con Next.js e SSR o ISR per le pagine degli annunci, perché nell’immobiliare la SEO porta traffico: ogni annuncio è una landing page con dati strutturati, immagini rapide e un URL comprensibile. L’area degli agenti è una dashboard con pipeline dei contatti, calendario delle visite e notifiche via e-mail o Telegram. L’approccio mobile-first vale per entrambi: gli acquirenti scorrono dal telefono, gli agenti lavorano dall’auto.
Vedo il massimo valore nell’AI quando è un passaggio del flusso di lavoro, non un chatbot in homepage. Il modello prepara una descrizione curata a partire da pochi campi e foto, che l’agente poi modifica e approva. Estrae dati strutturati da un PDF disordinato, da un annuncio copiato o da una nota vocale. La ricerca semantica converte «due camere, tranquillo, vicino a un parco, entro il budget» in filtri e embedding sulle descrizioni. Per qualificare un contatto, il modello riassume la conversazione e suggerisce il passo successivo, ma decide l’agente. Il RAG sui documenti dell’agenzia — contratti, policy e guide dei quartieri — fa sì che le risposte riportino una fonte.
Le protezioni sono le stesse di ogni prodotto AI che costruisco. Il modello non pubblica mai un prezzo, non firma né contatta un cliente da solo: prepara una bozza e una persona la conferma. Ogni generazione viene registrata insieme all’input, così una risposta errata può essere ricostruita. I dati personali vengono ridotti al minimo prima di raggiungere un provider e il costo è limitato per ciascun flusso. OpenAI o Anthropic è dietro un’interfaccia, così cambiare modello significa modificare la configurazione, non riscrivere il prodotto. Avvio un flusso dietro un feature flag, misuro il tempo risparmiato per agente e solo dopo aggiungo il successivo.
Lo stesso approccio funziona ben oltre l’immobiliare: piattaforme di prenotazione, strumenti di vendita per l’ospitalità, marketplace e SaaS con molto CRM — qualsiasi prodotto in cui le persone gestiscono tanto testo e decisioni ripetitive. Se ne stai costruendo uno, mandami il flusso che il tuo team detesta svolgere a mano. Ti risponderò con il prodotto minimo per automatizzarlo, i dati necessari e il punto in cui una persona resta coinvolta.
Dai al prossimo prodotto qualcuno che resti.
Pronto a iniziare? Scrivimi: posso cominciare subito e restare. Collaborazioni a lungo termine, non passaggi di consegne dopo due settimane. Parliamo del progetto, dei requisiti e del modo migliore per procedere.