AnythingLLM: come creare una chat privata sui documenti aziendali

Per un team di cinque persone, AnythingLLM dà il meglio con un'unica istanza Docker autogestita, accessi individuali e un modello locale. La chat sui documenti può restare sul server aziendale, ma se si sceglie un modello cloud, il testo necessario a rispondere viene inviato al relativo fornitore. Archiviare i file in locale, da solo, non basta a mantenere riservata la conversazione.

AnythingLLM è una buona scelta quando la prima esigenza è ottenere risposte dai documenti aziendali e il passo successivo è dotare l'assistente di qualche strumento utile. Desktop è pensato per l'uso individuale, Docker per un server condiviso e Cloud per chi preferisce affidare l'infrastruttura a Mintplex Labs.

Verificato sul sito ufficiale, nella documentazione e nel repository GitHub del progetto il 5 novembre 2026. La configurazione descritta segue un percorso di installazione documentato, con restrizioni di accesso consigliate: non è il resoconto di un test prestazionale o di sicurezza già eseguito.

Che cos'è AnythingLLM e quale versione scegliere?

AnythingLLM riunisce chat, ricerca nei documenti, workspace e agenti attorno a un modello scelto dall'utente. Docker, il software che esegue le applicazioni in container, permette di distribuire la versione server condivisa. Il modello linguistico di grandi dimensioni, o LLM, genera la risposta; AnythingLLM gli fornisce i documenti, la conversazione e gli strumenti disponibili per rispondere alla domanda aziendale.

Si può immaginare come una biblioteca aziendale. I workspace sono le sale di lettura, i documenti riempiono gli scaffali, l'indice di ricerca trova i passaggi utili e il modello scrive una risposta usando quelli che gli vengono messi davanti. Il bibliotecario può lavorare in sede oppure per un servizio esterno. È quest'ultima scelta a determinare chi vede il testo.

Il confronto delle funzionalità di Desktop e Docker riserva a Docker la gestione degli utenti e i controlli di accesso ai workspace. Installare Desktop sul portatile di ciascun collega non crea un servizio aziendale con gestione centralizzata.

Cloud utilizza un'istanza AWS isolata, gestita da Mintplex. L'isolamento dagli altri clienti è utile, ma non soddisfa il requisito di conservare i file nella propria sede. I limiti documentati escludono inoltre un LLM integrato, le connessioni a strumenti MCP e gli agenti con codice personalizzato. MCP è uno standard per collegare un agente a strumenti esterni. Occorre invece collegare un servizio di modelli supportato. Gli agenti integrati e il codice eseguibile personalizzato sono funzionalità distinte.

Per chi dirige l'azienda, la decisione riguarda chi si occuperà del server. Per il responsabile IT, riguarda quali dati e credenziali possono uscirne. Se il requisito è «i nostri documenti restano sui nostri dispositivi», il punto di partenza è Docker con elaborazione locale.

Modelli: il motore si sceglie separatamente dall'applicazione

AnythingLLM si collega a fornitori di modelli locali o cloud: installare l'applicazione non vincola quindi a una sola famiglia di modelli. La configurazione dei provider distingue fra modello predefinito di sistema, impostazioni specifiche dei workspace e modello usato dagli agenti.

Il motore integrato usa Lemonade, un livello software che serve i modelli, insieme a llama.cpp, che esegue modelli locali compatibili. Accetta file GGUF, un formato di distribuzione per modelli scaricabili. La documentazione include esempi con Llama e Phi, mentre la guida Docker mostra anche Qwen. Va scelto un modello adatto al computer: non tutti quelli di una stessa famiglia hanno gli stessi requisiti hardware.

Fra i collegamenti locali esterni ci sono LM Studio, applicazione desktop e server per modelli, e LocalAI. Nel cloud sono disponibili i modelli chat di OpenAI, i modelli Claude di Anthropic e Google Gemini, oltre agli endpoint generici compatibili con OpenAI. L'elenco delle integrazioni nel repository riporta altri provider.

Sono possibilità di collegamento, non una garanzia che ogni modello gestisca altrettanto bene documenti, immagini e chiamate agli strumenti. Un modello capace di scrivere una risposta scorrevole può comunque scegliere lo strumento sbagliato o non seguire un'istruzione lunga.

AnythingLLM e Ollama possono lavorare insieme

Ollama è un motore separato che può fornire ad AnythingLLM risposte generate in locale. L'applicazione aggiunge attorno a quel motore workspace documentali e controlli di accesso. Se esiste già un servizio locale per modelli che funziona bene, mantenerlo è un punto di partenza ragionevole.

Una nuova installazione può anche usare il motore integrato opzionale di Docker, descritto più avanti. Scegliere la versione per team non obbliga ad aggiungere un server separato per i modelli.

Per un workspace operativo riservato, va selezionato un modello chat locale, verificando anche il modello dell'agente. Un altro workspace può usare un provider cloud, se le regole di gestione dei dati lo consentono. Il modello di embedding si sceglie però a livello di sistema: è il vincolo importante da tenere presente quando si sfrutta questa flessibilità.

RAG in AnythingLLM: come i workspace usano i documenti

La ricerca documentale di AnythingLLM fornisce al modello i passaggi pertinenti; non gli insegna in modo permanente il contenuto di ogni file. La retrieval-augmented generation, o RAG, consiste nel cercare nel materiale di riferimento e inserire il testo selezionato nella richiesta inviata al modello.

Un embedding è una rappresentazione numerica che serve ad abbinare testi correlati. L'applicazione divide il documento in segmenti, crea gli embedding e li archivia in un indice ricercabile. Quando arriva una domanda, il recupero seleziona i segmenti utili alla risposta. La finestra di contesto del modello è la quantità di testo che può considerare contemporaneamente: istruzioni, cronologia e passaggi recuperati compresi.

I documenti si possono fornire in due modi:

• Allegare un documento a una chat, quando serve aiuto su quel file specifico. Per impostazione predefinita, AnythingLLM ne inserisce il testo completo, nei limiti della finestra di contesto. Gli allegati restano circoscritti a quel workspace e a quella conversazione.
• Indicizzare un documento in un workspace tramite embedding, quando deve diventare una fonte riutilizzabile. Sarà disponibile nelle diverse conversazioni del workspace e per gli utenti che vi hanno accesso.

La guida alla gestione dei documenti chiarisce questo cambiamento di ambito. Spostare la bozza di un titolare in un workspace condiviso significa decidere di condividerla, anche se la conversazione originale sembrava privata.

Per esempio, si può inserire una procedura approvata sui resi nel workspace dell'assistenza. «Che cosa deve verificare un operatore prima di autorizzare un reso?» è una domanda adatta al recupero documentale. «Elenca tutte le eccezioni presenti nei nostri file» richiede invece una copertura più ampia di quella che pochi estratti pertinenti possono garantire. Prima di considerare una risposta esaustiva, occorre controllare la procedura originale.

Per il primo progetto pilota sui documenti, conviene usare la modalità Query. È progettata per rispondere a partire dal materiale caricato e segnalare quando mancano informazioni pertinenti. La modalità Chat usa anche le conoscenze generali del modello; la modalità Agent può richiamare strumenti. Sono le modalità di chat documentate, e i nuovi workspace possono avviarsi in modalità Agent: la scelta va quindi fatta consapevolmente.

AnythingLLM è sicuro per i documenti aziendali riservati?

AnythingLLM permette di controllare i componenti, ma la riservatezza dipende dalla configurazione di tutti quelli che elaborano testo. La domanda utile è dove avviene l'elaborazione, oltre all'etichetta «locale» dell'applicazione.

File e testo archiviato. Desktop conserva i dati dell'applicazione in una cartella locale; la documentazione sull'archiviazione elenca documenti elaborati, embedding in cache, database e caricamenti diretti. In Docker, la cartella dei dati dell'applicazione va resa persistente sul server. In Cloud, i dati corrispondenti risiedono sull'istanza ospitata.

Embedding e indice. La configurazione predefinita di LanceDB conserva l'indice vettoriale sull'istanza di AnythingLLM. Per elaborare il testo in locale, va mantenuto il componente di embedding integrato. Se si sceglie un provider cloud per gli embedding, il testo da elaborare deve essergli inviato, anche quando i vettori risultanti vengono salvati in locale. Un database vettoriale remoto aggiunge un altro luogo in cui risiedono i dati dell'indice. Embedding e testo indicizzato vanno trattati come dati aziendali, non come una forma di anonimizzazione.

La richiesta di risposta. Un modello chat cloud riceve il contenuto del prompt necessario alla risposta: la domanda, il contesto della conversazione fornito e il testo recuperato dai documenti. Allegare o fissare un documento può comportare l'invio del testo completo. Il PDF originale può restare sul server mentre le frasi riservate ne escono. Quella copia è soggetta ai termini e alle impostazioni di conservazione del fornitore che la riceve; AnythingLLM non può mantenere in sede una richiesta di inferenza remota.

Agenti e servizi esterni. Ricerche web, API esterne e strumenti MCP possono inviare informazioni altrove. Un modello locale non rende locali anche questi servizi. Per un assistente documentale strettamente interno, disabilitare le funzionalità esterne e controllare quali strumenti sono disponibili prima di aggiungere file sensibili.

Il dettaglio di configurazione più rilevante è nella documentazione sugli embedding: il componente di embedding è unico per tutto il sistema, mentre i modelli chat possono variare fra workspace. Un workspace con un modello chat locale può quindi inviare comunque i propri documenti a un servizio di embedding cloud. Se il lavoro riservato e quello elaborato all'esterno richiedono regole diverse per gli embedding, servono istanze separate: cambiare il modello del workspace non crea quel confine.

Va distinta anche l'eliminazione dalla rimozione dell'accesso. Togliere un documento da un workspace lascia il file elaborato e la cache nella libreria documentale. La guida a privacy ed eliminazione indica di eliminarlo da My Documents per rimuovere la fonte elaborata e gli embedding in cache da tutti i workspace. Le copie nei backup o nei servizi esterni richiedono una gestione della conservazione separata.

La telemetria è un'altra impostazione, distinta dal traffico dei modelli. Si può disabilitare nelle impostazioni Privacy oppure con DISABLE_TELEMETRY=true. Questo non disattiva i provider cloud configurati, le connessioni agli strumenti o il download dei modelli.

Configurare AnythingLLM Docker per cinque persone su un server

Si parte da un server Linux, archiviazione persistente per l'applicazione, un modello locale e account separati. L'esempio presuppone una nuova installazione, Docker già presente e un responsabile IT in grado di fornire accesso autenticato tramite una rete privata esistente e un reverse proxy HTTPS in esecuzione sul server.

I requisiti di sistema per Docker indicano una base di 2GB di RAM, CPU a 2 core e 5GB di spazio per l'applicazione. Non sono una garanzia di capacità per l'inferenza locale o per cinque utenti simultanei. Occorre aggiungere memoria e disco per modello, documenti e richieste concorrenti. Su un computer Intel o AMD con LanceDB predefinito, verificare il supporto AVX2 all'interno del server o della macchina virtuale; ARM64 usa una build separata.

1. 1

   Creare l'archiviazione persistente e avviare l'applicazione

   Questi comandi vanno eseguiti sul server da chi lo gestisce. Adattano il comando ufficiale vincolando la porta web all'interfaccia di loopback per il proxy HTTPS, aggiungendo il riavvio automatico, disabilitando la telemetria e abilitando l'inferenza locale.

   export ANYTHINGLLM_STORAGE="$HOME/anythingllm"
   mkdir -p "$ANYTHINGLLM_STORAGE"
   touch "$ANYTHINGLLM_STORAGE/.env"
   sudo chown -R 1000:1000 "$ANYTHINGLLM_STORAGE"
   
   docker pull mintplexlabs/anythingllm:latest
   docker run -d \
     --name anythingllm \
     --restart unless-stopped \
     -p 127.0.0.1:3001:3001 \
     --cap-add SYS_ADMIN \
     -v "$ANYTHINGLLM_STORAGE:/app/server/storage" \
     -v "$ANYTHINGLLM_STORAGE/.env:/app/server/.env" \
     -e STORAGE_DIR=/app/server/storage \
     -e DISABLE_TELEMETRY=true \
     -e ENABLE_BUILT_IN_LLM=true \
     mintplexlabs/anythingllm:latest

   Il volume montato conserva i dati quando il container viene sostituito. La proprietà segue l'utente documentato dell'immagine, 1000:1000; un errore di archiviazione non va risolto rendendo la cartella scrivibile da chiunque. SYS_ADMIN segue il comando pubblicato e concede una capacità estesa al container: il servizio va quindi mantenuto su un'infrastruttura controllata. Consultare le istruzioni ufficiali di installazione Docker.

2. 2

   Scegliere un modello locale e mantenere locale l'elaborazione dei documenti

   Durante la configurazione iniziale, scegliere Built-in, scaricare un modello adatto al server e mantenere il componente di embedding integrato e il database vettoriale locale. In Settings > AI Providers > LLM, verificare il modello selezionato prima di caricare file aziendali.

   La guida al modello integrato in Docker richiede ENABLE_BUILT_IN_LLM=true all'avvio del container. Inserirlo soltanto nel file .env montato non abilita il motore. Il comando precedente usa l'inferenza su CPU. Per l'accelerazione NVIDIA, seguire i prerequisiti del Container Toolkit indicati nella guida e aggiungere --gpus all; le GPU AMD e Intel hanno impostazioni specifiche per dispositivi e gruppi.

   Scaricare motore, modello e runtime necessari mentre è disponibile l'accesso a Internet. Valutare le prestazioni della CPU con il carico del progetto pilota prima di invitare tutti. Il motore integrato mantiene caricato un solo modello alla volta: anche il pilota condiviso dovrebbe quindi partire con un modello.

3. 3

   Abilitare gli accessi individuali prima di aprire il servizio al team

   Sul server, aprire http://127.0.0.1:3001 oppure raggiungere il servizio di loopback tramite il tunnel amministrativo. In Security & Access, abilitare la modalità multiutente e creare il primo account amministratore. La sessione verrà chiusa; accedere di nuovo con le nuove credenziali.

   Per questo esempio di cinque persone, creare o invitare quattro colleghi dalla gestione utenti, assegnando a ciascuno il ruolo Default. Insieme all'account Admin, fanno cinque utenti. La documentazione sui ruoli specifica che gli utenti Default possono usare la chat soltanto nei workspace a cui sono stati aggiunti esplicitamente. Un Manager può vedere tutti i workspace: è un ruolo troppo ampio per chi deve consultare solo i documenti di un reparto. Admin ha pieno accesso al sistema. Il passaggio documentato alla modalità multiutente è irreversibile.

4. 4

   Creare i workspace e collegare i browser del team

   Creare Operazioni condivise per le procedure approvate e aggiungere tutti e cinque gli account. Creare Titolari per il materiale riservato e assegnarlo soltanto alle persone autorizzate. Inserire ogni documento nel workspace appropriato; non indicizzare materiale sensibile in Operazioni condivise per poi tentare di nasconderlo con un prompt.

   Configurare il reverse proxy HTTPS esistente perché inoltri il nome host scelto per il team a http://127.0.0.1:3001 su questo server e limitare l'accesso di rete al personale. L'esempio evita deliberatamente di esporre direttamente una porta web pubblica. Ogni collega apre l'indirizzo HTTPS e accede con il proprio account.

5. 5

   Eseguire una verifica di accettazione prima di ampliare l'uso

   Iniziare con pochi documenti approvati e dieci domande rappresentative, comprese due a cui i documenti non possono rispondere. Controllare i passaggi delle fonti, i workspace consentiti a un utente ordinario e un utente a cui l'accesso deve essere negato. Poi far inviare richieste rappresentative a tutte e cinque le persone contemporaneamente, osservando tempi di attesa e uso della memoria.

   Eseguire insieme il backup dei dati persistenti e della configurazione montata, fermando il container oppure usando un metodo di backup coerente. Proteggere il backup: contiene documenti e segreti di configurazione. Annotare la versione o il digest dell'immagine distribuita prima degli aggiornamenti ordinari e verificare di poter ripristinare il progetto pilota.

Se invece si usa un server locale esterno già esistente per i modelli, verificare il percorso di rete dal container. Al suo interno, localhost indica il container stesso, non il servizio di modelli dell'host. La guida al collegamento con l'host spiega la distinzione: usare un indirizzo raggiungibile e mantenere il servizio dei modelli accessibile solo a chiamanti fidati.

Agenti e MCP: che cosa può uscire dal workspace

Un agente aggiunge azioni alla chat documentale. Può usare strumenti per recuperare informazioni o svolgere attività: i suoi permessi meritano quindi la stessa attenzione dei documenti che legge.

In Settings > Agent Skills, selezionare solo le funzionalità necessarie al flusso di lavoro. Alcune sono abilitate per impostazione predefinita. La guida alla configurazione degli agenti permette anche di scegliere un modello agente per ciascun workspace. Per un primo pilota, recuperare una procedura approvata è un punto di partenza migliore che concedere accesso a ogni sistema aziendale.

Model Context Protocol, o MCP, è un sistema comune per collegare i modelli agli strumenti nelle applicazioni. La configurazione MCP di AnythingLLM supporta server locali avviati tramite comandi e connessioni remote. Uno strumento può leggere una cartella, interrogare un database o richiamare un altro servizio; le credenziali assegnate determinano fin dove può arrivare.

Docker autogestito supporta MCP Tools, ma non Resources, Prompts o Sampling, secondo la guida MCP per Docker. La configurazione si trova in plugins/anythingllm_mcp_servers.json, all'interno della cartella dei dati persistenti. Dopo una modifica, aprire Agent Skills e usare Refresh.

Un server MCP avviato localmente viene eseguito dentro il container. Vede i percorsi del container e i file montati esplicitamente, non una qualsiasi cartella dell'host. Le dipendenze degli strumenti installate manualmente possono scomparire alla sostituzione del container: prima di farvi affidamento, rendere riproducibile l'installazione.

Una restrizione del workspace non implica che siano limitate anche le credenziali del database usate da uno strumento. Assegnargli un account con permessi circoscritti e verificarne separatamente l'accesso. Un pilota in sola lettura rende più semplice esaminare le conseguenze prima di autorizzare azioni che modificano record o inviano messaggi.

Alternative ad AnythingLLM: quando conviene scegliere altro

AnythingLLM è indicato quando il lavoro ruota attorno a workspace documentali condivisi. Il vantaggio sta nel modo in cui riunisce questi elementi, non nell'esclusiva sulla chat con i documenti o su MCP.

Open WebUI per una chat condivisa più generalista

Open WebUI è un candidato iniziale più adatto quando serve soprattutto un'interfaccia generale autogestita per diversi servizi di modelli, con estensioni da configurare. La documentazione descrive i collegamenti ai provider e l'estensibilità; la guida attuale alle funzioni essenziali spiega gli allegati documentali e le basi di conoscenza riutilizzabili.

Se un'installazione di Open WebUI funziona già e soddisfa le esigenze di documenti e accessi, conviene mantenerla. Cambiare soltanto interfaccia non corregge fonti scadenti o un modello inadatto. AnythingLLM è preferibile quando si vuole organizzare l'adozione attorno a pochi workspace documentali con assegnazioni chiare.

LibreChat per collegare strumenti con credenziali individuali

LibreChat merita attenzione quando ogni persona deve collegare gli strumenti con le proprie credenziali. La documentazione MCP descrive connessioni per utente, credenziali e accesso OAuth, oltre agli strumenti associati a chat o agenti.

È un motivo concreto per valutarlo in un'azienda con sistemi autorizzati individualmente. In cambio, occorre amministrare quelle connessioni e scegliere modelli che richiamino gli strumenti in modo affidabile. Per una piccola raccolta condivisa di procedure con pochi strumenti, l'impostazione di AnythingLLM basata sui workspace resta il punto di partenza più diretto.

AnythingLLM o LM Studio?

LM Studio è adatto a chi vuole soprattutto scaricare, eseguire e confrontare modelli locali per uso individuale. La documentazione attuale dell'applicazione tratta anche MCP, erogazione di API e funzionamento senza interfaccia grafica, mentre la guida all'uso offline comprende la chat locale con i documenti. Può quindi essere utile da solo oppure come servizio di modelli per un'altra applicazione.

Scegliere AnythingLLM Docker quando il requisito decisivo è un'applicazione documentale condivisa con accessi assegnati ai workspace. Scegliere LM Studio quando la priorità è gestire l'esecuzione dei modelli. La differenza riguarda il livello software necessario, non la possibilità di leggere documenti, presente in entrambi.

Per scegliere il servizio che esegue i modelli, consultare il confronto fra Ollama e LM Studio. Se nessuno dei due soddisfa le esigenze hardware o di erogazione, la guida alle alternative a Ollama presenta altri runtime.

Dove si esagera con l'«AI privata»

«Funziona in locale» descrive una configurazione, non l'intero percorso dei dati. Un'interfaccia locale può richiamare un modello cloud; un modello locale può usare uno strumento esterno; un indice locale può essere costruito da un servizio di embedding cloud.

Anche «chatta con tutti i tuoi documenti» attribuisce al normale recupero documentale una copertura eccessiva. Il sistema seleziona passaggi e può non trovare l'eccezione che cambia la risposta. Aggiungere documenti non addestra il modello in modo permanente, e un passaggio citato deve comunque sostenere la conclusione.

Infine, i requisiti minimi di installazione non garantiscono le prestazioni per un team. L'esperienza dipende da modello, lunghezza del contesto, carico degli embedding e sovrapposizione delle richieste. Si può procedere se qualcuno è responsabile del server e il compito documentale è preciso. Conviene aspettare se non è ancora chiaro chi può accedere ai file o che cosa renda accettabile una risposta. Un sistema esistente che soddisfa già questi requisiti va mantenuto.

Domande frequenti

AnythingLLM è un progetto affidabile?

Sì. È un progetto open source di Mintplex Labs con codice pubblico e documentazione di installazione. Questo ne attesta la provenienza, ma non certifica la sicurezza del modello, dei plugin o della configurazione del server scelti.

A che cosa servono gli LLM?

Gli LLM generano e riassumono testi, rispondono a domande e aiutano a preparare bozze. Qui il compito aziendale utile è rispondere a una domanda usando passaggi pertinenti tratti da una raccolta di documenti approvati. Un agente aggiunge strumenti per compiere azioni.

Esistono modelli AI gratuiti e open source?

Sì, esistono modelli scaricabili da eseguire in locale. Bisogna controllare la licenza e le condizioni d'uso commerciale di ciascuno, senza presumere che la licenza MIT di AnythingLLM valga anche per i pesi del modello. Hardware e amministrazione comportano comunque dei costi.

Posso eseguire un LLM in locale con Ollama?

Sì. Basta eseguire un modello adatto in Ollama e collegare AnythingLLM al servizio raggiungibile. Con Docker, occorre considerare la rete del container: l'indirizzo localhost dell'host non funziona necessariamente al suo interno.

Quali sono le differenze principali fra Ollama e AnythingLLM?

Ollama fornisce il livello che esegue i modelli. AnythingLLM fornisce un'applicazione per documenti, workspace e agenti che può usare quel livello. Possono lavorare insieme, e l'attuale versione Docker di AnythingLLM dispone anche di un motore integrato opzionale.

Qual è il modo più economico per eseguire LLM in locale?

Partire dall'hardware già disponibile e da un modello che vi possa funzionare, poi verificare se svolge il compito abbastanza velocemente. Acquistare altro hardware solo dopo aver individuato il collo di bottiglia. La configurazione più economica in assoluto non esiste senza considerare carico di lavoro e attesa accettabile.

Qual è l'LLM meno intelligente?

Non esiste una classifica universale utile sotto questa etichetta. Un modello può scrivere con scioltezza e fallire comunque nel recupero documentale o nell'uso degli strumenti. Va valutato sulle proprie domande, compresi i casi in cui dovrebbe ammettere che la fonte non contiene la risposta.

Qual è il miglior LLM locale?

La scelta dipende dal compito, dalla memoria disponibile e dal ritardo accettabile. Usare un modello compatibile con il proprio hardware e valutarne la fedeltà alle fonti e il comportamento con gli strumenti. Questa guida basata sulla documentazione non proclama un vincitore nei benchmark.

Quanta RAM serve per eseguire LLM in locale?

I requisiti Desktop di AnythingLLM raccomandano, per un uso locale di base, 16GB di RAM e una CPU a 8 core. Un server deve avere anche la capacità necessaria al modello scelto e alle richieste sovrapposte. La base molto più ridotta richiesta dalla sola applicazione non rappresenta la memoria totale necessaria all'inferenza locale.

Da dove partire lunedì

Affidare a un responsabile IT il server, una raccolta di documenti approvati e un test di accettazione chiaro. Iniziare con inferenza locale, componente di embedding integrato, archiviazione locale e modalità Query; lasciare disabilitati gli strumenti superflui. Invitare le altre quattro persone soltanto dopo aver verificato i permessi dei rispettivi workspace. Se diventa necessario un modello cloud, decidere esplicitamente quale testo può uscire prima di cambiare l'impostazione.

Per consigli pratici su come usare l'AI in una piccola impresa, iscriviti alla newsletter.