# AI Knowledge Skillization Studio

> Skill metodologica trasversale per trasformazione dell'archivio documentale degli studi professionali italiani in asset strutturato di file markdown skill-format, riutilizzabile da qualsiasi LLM cloud o locale, che codifica template documentali, casi storici, procedure, criteri di scelta. Usa SEMPRE quando il professionista dice skillizzare archivio studio, codificare know-how studio, asset patrimoniale AI studio, rendere lo studio AI-ready, indipendenza da vendor AI, knowledge base markdown studio, produzione standard documenti studio, passaggio generazionale knowledge, archivio interrogabile studio. Esegue discovery archivio, mappatura tipologie documentali, estrazione pattern ricorrenti, codifica in skill .md strutturate, setup infrastruttura interrogazione cloud o locale, governance archivio. Output 20-300+ skill in base a dimensione, infrastruttura, manuale operativo. Pricing 18-400K euro più retainer 600-8.000 euro/mese.

- Skill: `gigik2a/ai-knowledge-skillization-studio` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gigik2a/ai-knowledge-skillization-studio`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gigik2a/ai-knowledge-skillization-studio/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Product & Planning
- Author: gigik2a (https://skillmd.com/u/gigik2a)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/gigik2a/ai-knowledge-skillization-studio

---


# ai-knowledge-skillization-studio — Skillizzazione archivio studi professionali

## 1. Cosa fa questa skill

Questa skill rappresenta **una nuova categoria di servizio K2-AI** che si differenzia radicalmente dal mercato consulenza AI italiano. Mentre gli altri consulenti vendono "tool AI da comprare e integrare", K2-AI offre **codificazione strutturata del know-how dello studio** in formato skill markdown — un asset patrimoniale del cliente, indipendente dal tool, portabile tra cloud e locale, durevole nel tempo.

### Il paradigm shift

**Approccio tradizionale del mercato**:
"Comprate Claude Team / ChatGPT Enterprise / Lexis+ AI. Vi insegniamo a usarli."
→ Cliente dipende da vendor specifico
→ Se cambia il modello AI, ricomincia da capo
→ Investimento volatile
→ Lock-in tecnologico
→ L'asset è del vendor, non del cliente

**Approccio K2-AI Skillization**:
"Codifichiamo il vostro studio in skill `.md` standard. Funzioneranno con Claude oggi, Llama domani, qualsiasi LLM dopodomani."
→ Asset patrimoniale del cliente
→ Indipendenza vendor by design
→ Portabilità cloud ↔ locale
→ Investimento durevole
→ Lock-in inverso (il consulente che ha codificato lo studio diventa partner duraturo)

### Il valore strategico

Tre dimensioni di valore creato per il cliente:

**1. Produttività operativa**: lo studio produce standard di alta qualità, coerenti, in tempi ridotti. Per studi con alto volume documentale, ROI tipico 5-15x sull'investimento in 24 mesi.

**2. Asset patrimoniale**: la codifica dello studio è un asset valutabile (significativo nel passaggio generazionale, M&A tra studi, inserimento di soci). Patrimonio quantificabile dello studio che oggi vive non scritto.

**3. Continuità intergenerazionale**: il problema del passaggio generazionale negli studi professionali italiani è enorme. Skill `.md` rendono trasferibile in modo strutturato quello che oggi è in testa al titolare 60enne.

### Il pattern operativo

K2-AI applica al cliente **lo stesso pattern usato da Luca per costruire K2-AI**:
- 200+ skill `.md` che codificano know-how
- Funzionano oggi con Claude
- Domani funzioneranno con qualsiasi LLM compatibile
- Asset patrimoniale durevole e portabile

L'obiettivo è creare per ogni studio cliente un ecosistema di skill `.md` proporzionato alla sua dimensione e complessità.

---

## 2. Quando attivarsi

### Trigger primari
- "Skillizzare archivio studio"
- "Codificare know-how studio"
- "Asset patrimoniale AI"
- "Rendere lo studio AI-ready in modo durevole"
- "Indipendenza da vendor AI"
- "Knowledge base markdown"
- "Produzione standard documenti"
- "Passaggio generazionale knowledge"
- "Skill format studio"

### Trigger contestuali
- Studio con archivio storico significativo (3+ anni di attività, 1.000+ documenti)
- Titolare in fase di passaggio generazionale (avvicinamento pensione)
- Studio con problema di trasferimento conoscenza ai junior
- Studio con alto turnover di personale junior
- Studio con problemi di standardizzazione qualità output
- Cliente che ha già fatto AI assessment e vuole approccio strutturale, non tool-based
- Cliente preoccupato di vendor lock-in
- Cliente con esigenza di portabilità cloud ↔ locale per privacy

### Trigger da skill di sistema
- **flusso-ai-studi-professionali** identifica cliente come candidato Skillization
- **ai-roadmap-progettazione** propone Skillization come parte di roadmap PREMIUM
- **ai-implementazione-pilota** durante implementazione attiva codificazione
- **ai-privacy-tiered-architecture** per studi con esigenze privacy alta + skillization

### Quando NON attivarsi
- Studio molto piccolo (1 prof, <500 documenti) dove ROI non giustifica
- Studio nuovo (<2 anni di attività) senza archivio significativo
- Cliente che cerca solo tool ready-to-use senza intenzione di asset proprio
- Cliente con budget < 15K€ (sotto questa soglia non si fa bene)
- Studio in fase di chiusura o forte ridimensionamento

---

## 3. Il framework della skillizzazione

### 3.1 Cosa è una "skill" nel contesto cliente

Una skill nel contesto K2-AI Skillization è un file `.md` strutturato che codifica:
- **Cosa** è il documento/processo (titolo, descrizione, scope)
- **Quando** si applica (trigger, condizioni di uso)
- **Come** si fa (struttura, criteri, regole operative)
- **Esempi reali** (anonimizzati, dall'archivio storico dello studio)
- **Casi limite** (eccezioni, varianti, situazioni particolari)
- **Riferimenti** (normative, prassi, standard di settore)
- **Lessons learned** (errori tipici, best practice del titolare)

### 3.2 Anatomia di una skill cliente

Format standard derivato dal pattern K2-AI ma adattato al contesto cliente:

```markdown
---
name: nome-skill-cliente
description: Trigger linguistici quando attivare. Cosa produce. Quando NON usare.
domain: [settore studio]
document_type: [tipologia documento]
frequency: [frequenza utilizzo]
complexity: [bassa/media/alta]
last_updated: YYYY-MM-DD
version: X.Y
---

# nome-skill-cliente

## 1. Scope e applicabilità
[Quando usare questa skill]

## 2. Struttura del documento/processo
[Anatomia standard secondo prassi dello studio]

## 3. Criteri di compilazione
[Regole operative del titolare]

## 4. Esempi dall'archivio
[2-5 esempi reali anonimizzati]

## 5. Casi limite e varianti
[Eccezioni e situazioni particolari]

## 6. Riferimenti normativi e tecnici
[Norme, standard, fonti]

## 7. Lessons learned
[Errori tipici, accorgimenti del titolare]

## 8. Checklist operativa
[Pronta da seguire in ordine]
```

### 3.3 Tipologie di skill cliente

**Tipo A — Document Templates (skill di produzione)**
Codificano la produzione di documenti tipici dello studio.
Esempi: skill-relazione-sopralluogo, skill-lettera-diffida, skill-capitolato-MEP

**Tipo B — Process Procedures (skill di processo)**
Codificano procedure operative dello studio.
Esempi: skill-onboarding-cliente, skill-gestione-fascicolo, skill-archiviazione-progetto

**Tipo C — Decision Frameworks (skill di scelta)**
Codificano criteri di decisione del professionista esperto.
Esempi: skill-criteri-strategia-causa, skill-scelta-fornitore-impianti, skill-pricing-mandato

**Tipo D — Knowledge Base (skill di consultazione)**
Codificano conoscenza specifica dello studio.
Esempi: skill-giurisprudenza-tribunale-bologna, skill-prezziari-edilizia-emilia, skill-clausole-contrattuali-standard

**Tipo E — Quality Standards (skill di controllo qualità)**
Codificano criteri di qualità finale del lavoro dello studio.
Esempi: skill-checklist-pre-firma-atti, skill-review-relazione-strutturale, skill-verifica-fascicolo

### 3.4 Numero ottimale di skill per dimensione studio

**Studio piccolo (1-3 prof)**: 20-50 skill totali
- 60% Tipo A (templates)
- 20% Tipo B (procedure)
- 10% Tipo C (decisioni)
- 5% Tipo D (knowledge)
- 5% Tipo E (qualità)

**Studio medio (5-15 prof)**: 60-150 skill totali
- 50% Tipo A
- 25% Tipo B
- 10% Tipo C
- 10% Tipo D
- 5% Tipo E

**Studio grande (15+ prof)**: 150-400 skill totali
- 45% Tipo A
- 25% Tipo B
- 10% Tipo C
- 15% Tipo D
- 5% Tipo E

Più lo studio è grande, più aumenta la quota di knowledge base (Tipo D), perché il valore di "ricordare cosa abbiamo fatto in passato" cresce con l'archivio.

---

## 4. Workflow operativo del progetto Skillization

Il progetto si articola in **6 fasi distribuite su 4-12 mesi** in base a dimensione studio.

### Fase 1 — Discovery dell'archivio (4-8 settimane)

#### Obiettivi
- Mappatura completa dell'archivio dello studio
- Identificazione tipologie documentali ricorrenti
- Quantificazione volumi e priorità
- Coinvolgimento del team

#### Attività concrete

**Audit fisico dell'archivio**:
- Quanti documenti totali (per anno, per tipo)
- Dove sono (server, cartelle locali, cloud)
- Come sono nominati e organizzati
- Stato di digitalizzazione
- Eventuali archivi cartacei residui

**Categorizzazione tipologie**:
- Catalogazione tipi di documento (tipicamente 30-150 tipi distinti)
- Frequenza di produzione per tipo
- Importanza/criticità per tipo
- Variabilità (standardizzato vs caso per caso)

**Interviste al team**:
- Titolare/i: visione, criteri, prassi consolidate
- Senior: esperienza operativa concreta
- Junior: difficoltà, dove cercano aiuto
- Segreteria/admin: pattern operativi

**Analisi campione**:
- Selezione 5-10 documenti per ogni tipo principale
- Analisi struttura ricorrente
- Estrazione varianti
- Identificazione "regole non scritte"

#### Output fase 1
- **Archive Map**: matrice tutti i tipi di documento × volume × priorità (XLSX)
- **Skillization Backlog**: lista priorizzata di skill da costruire (40-200+ items)
- **Discovery Report**: documento sintetico per cliente (DOCX 15-25 pp)
- **Workshop di restituzione**: 90 min con team studio

#### Pricing fase 1
Da 8.000€ (studio piccolo) a 25.000€ (studio grande).

### Fase 2 — Design del set di skill (2-4 settimane)

#### Obiettivi
- Definire architettura del set di skill
- Stabilire convenzioni di naming, format, governance
- Selezionare skill per primo batch di costruzione

#### Attività concrete

**Architecture design**:
- Definizione tassonomia delle skill (categorie, sottocategorie)
- Convenzioni di naming (es. `skill-{tipo}-{materia}-{specificità}`)
- Standard di metadati (tag, version, owner)
- Relazioni tra skill (skill che richiamano skill)

**Format definition**:
- Template standard per ogni tipologia di skill
- Sezioni obbligatorie vs opzionali
- Stile narrativo e tono
- Standard per esempi (anonimizzazione, riferimenti)

**Governance design**:
- Chi crea le skill (K2-AI + ruoli interni)
- Chi approva (titolari/responsabili)
- Chi può modificare
- Versioning e changelog
- Frequenza di review

**Prioritizzazione batch 1**:
- Selezione 10-30 skill di "alto valore + bassa complessità" per primo batch
- Sequenziamento logico
- Allocazione effort

#### Output fase 2
- **Skill Architecture Document** (DOCX 10-15 pp)
- **Naming & Format Standards** (DOCX 5-8 pp)
- **Governance Framework** (DOCX 5-8 pp)
- **Batch 1 Selection** (XLSX con piano)

#### Pricing fase 2
Da 4.000€ a 8.000€.

### Fase 3 — Costruzione batch 1 (8-16 settimane)

#### Obiettivi
- Costruire le prime 10-30 skill
- Validare metodologia con il cliente
- Generare ROI rapido per dimostrare valore

#### Approccio operativo

Per ogni skill del batch:

**Step 3.1 — Estrazione**
- Selezione 5-10 documenti reali dell'archivio
- Analisi pattern strutturali ricorrenti
- Identificazione variabili e costanti

**Step 3.2 — Drafting**
- Scrittura della skill secondo template
- Anonimizzazione esempi
- Codifica criteri (intervista al titolare se necessario)

**Step 3.3 — Review**
- Review da parte del titolare/responsabile
- Iterazioni
- Approvazione finale
- Versioning v1.0

**Step 3.4 — Test pratico**
- Uso della skill su 2-3 casi reali nuovi
- Validazione output
- Eventuali aggiustamenti

**Step 3.5 — Deployment**
- Aggiunta al repository skill dello studio
- Documentazione
- Comunicazione al team

#### Ritmo tipico
- 1-3 skill alla settimana per K2-AI
- 8-16 settimane per batch 1 di 10-30 skill

#### Output fase 3
- **10-30 skill .md** approvate e in produzione
- **Batch 1 Report** con metriche di successo
- **Workshop di mid-progetto** con team

#### Pricing fase 3
Da 12.000€ a 35.000€.

### Fase 4 — Scaling progressivo (12-32 settimane)

#### Obiettivi
- Costruire i batch successivi (batch 2, 3, 4...)
- Coprire progressivamente l'intera tassonomia
- Far diventare il team studio autonomo nella creazione

#### Approccio

**Batch successivi**:
- Stessa metodologia del batch 1
- Velocità crescente (team più rodato)
- Coinvolgimento progressivo del team studio

**Capacity building interno**:
- Workshop "Come creare una skill" per team studio
- Affiancamento a "AI Champion" interni
- Trasferimento progressivo della creazione

**Knowledge base avanzata** (Tipo D):
- Indicizzazione archivio storico per query
- Costruzione di skill di "ricerca casi simili"
- Eventuale embedding e vector DB

#### Output fase 4
- **60-200+ skill totali** dipendenti da dimensione
- **Team studio autonomo** nel mantenimento
- **Documentazione completa**

#### Pricing fase 4
Da 15.000€ a 80.000€ (parte significativa delibvabile via retainer).

### Fase 5 — Setup infrastruttura interrogazione (4-8 settimane, in parallelo a fase 3-4)

#### Obiettivi
- Predisporre l'infrastruttura tecnica per usare le skill
- Scegliere tra cloud, locale, ibrida in base a volume e privacy
- Garantire portabilità

#### Le 4 architetture possibili

**Architettura A — Claude Projects (cloud)**
Per studi piccoli/medi con privacy non critica.
- Skill caricate come knowledge base in Claude Projects
- Accesso via Claude Team
- Ricerca via Claude
- Costo: incluso in Claude Team
- Pro: zero overhead infrastrutturale
- Contro: dipendenza vendor, no privacy alta

**Architettura B — Cloud privato EU con RAG custom**
Per studi medi con privacy media.
- Vector DB hosted (Qdrant Cloud, Pinecone EU)
- LLM via API (Azure OpenAI Italia, AWS Bedrock EU)
- Frontend custom (web app interna)
- Costo: 300-1.500€/mese
- Pro: privacy garantita, scalabile
- Contro: setup tecnico, costi ricorrenti

**Architettura C — Self-hosted RAG (locale)**
Per studi grandi con privacy alta.
- Vector DB self-hosted (Qdrant, Weaviate)
- LLM locale (Llama 3.3, Mistral Large) o API EU
- Server dedicato
- Costo: hardware 8-25K€ + manutenzione 1-3K€/mese
- Pro: privacy massima, no token costs
- Contro: complessità tecnica, performance LLM inferiore

**Architettura D — Hybrid (skill in locale, LLM in cloud privato)**
Compromesso ottimale per molti casi.
- Skill repository in storage privato
- Embedding e ricerca in vector DB EU
- LLM via Azure OpenAI Italia per generazione
- Frontend custom
- Costo: medio (500-1.500€/mese)
- Pro: bilanciamento privacy/performance/costo
- Contro: complessità design

#### Decision tree architettura

```
Volume documenti dello studio:

< 1.000 doc → Architettura A (cloud Claude Projects)

1.000 - 10.000 doc:
   Privacy media → Architettura A o B
   Privacy alta → Architettura B o D

> 10.000 doc:
   Privacy media → Architettura B
   Privacy alta → Architettura C o D
   Privacy critica → Architettura C
```

#### Output fase 5
- Infrastruttura selezionata e operativa
- Frontend interrogazione (web app, plugin, mobile)
- Documentazione tecnica
- Procedure di backup e disaster recovery

#### Pricing fase 5
Da 5.000€ (Architettura A) a 35.000€+ (Architettura C complessa).

### Fase 6 — Governance e manutenzione (ongoing)

#### Obiettivi
- Mantenere il sistema vivo nel tempo
- Aggiornare skill esistenti
- Aggiungere nuove skill man mano che emergono
- Misurare ROI ed evolvere

#### Attività ricorrenti

**Mensili**:
- Review di nuove richieste skill (gap detection)
- Aggiornamento skill esistenti
- Audit usage (quali skill sono usate, quali no)
- Onboarding eventuali nuovi membri

**Trimestrali**:
- Review profonda con cliente
- Ristrutturazione tassonomia se necessario
- Aggiornamento per evoluzione normativa/settoriale
- Eventuale re-training del team

**Annuale**:
- Audit completo del set di skill
- Rinnovo retainer
- Evoluzione roadmap

#### Output fase 6 (ricorrente)
- Skill aggiornate
- Report mensile/trimestrale
- KPI dashboard

#### Pricing fase 6
Retainer mensile 800-3.500€ in base a dimensione e complessità.

---

## 5. Esempio applicato — Studio Ingegneria multidisciplinare (10 ing, Bologna)

### Contesto
Studio di ingegneria a Bologna, 10 ingegneri (3 senior + 4 mid + 3 junior), specializzazione mix civile/strutturale/MEP/sicurezza, archivio 8 anni con ~12.000 documenti significativi (relazioni, calcoli, capitolati, foto cantieri).

### Discovery output (Fase 1)

```
═══════════════════════════════════════════════════════
DISCOVERY ARCHIVIO — Studio XYZ Engineering
═══════════════════════════════════════════════════════

📊 ARCHIVIO MAPPATO

Volume totale: 12.347 documenti significativi
Periodo: 2018-2026 (8 anni)
Stato digitalizzazione: 95%
Storage: SharePoint principale + cartelle locali server

📋 TIPOLOGIE DOCUMENTALI IDENTIFICATE: 87

Top 15 per volume:
1. Relazioni di sopralluogo: 1.852
2. Capitolati speciali d'appalto: 924
3. Computi metrici estimativi: 887
4. Relazioni tecniche progettuali: 612
5. Foto cantiere classificate: ~7.500
6. SAL Stati Avanzamento Lavori: 543
7. Verbali consegna/ripresa lavori: 482
8. Schede tecniche intervento: 378
9. Relazioni di calcolo strutturale: 289
10. PSC Piani Sicurezza Coordinamento: 267
11. Fascicoli tecnici opera: 233
12. Pareri tecnici: 198
13. Relazioni paesaggistiche: 145
14. PE TLC: 124
15. Verifiche statiche: 98
... [altri 72 tipi minori]

🎯 SKILLIZATION BACKLOG PRIORIZZATO

Tier 1 (alto valore + alta frequenza): 32 skill
Tier 2 (medio valore + media frequenza): 48 skill  
Tier 3 (basso valore o bassa frequenza): 27 skill

Totale skill da costruire: 107 (in 18 mesi)

═══════════════════════════════════════════════════════
🏗 ARCHITETTURA RACCOMANDATA

Studio dimensione: medio
Volume: 12K doc → architettura B o D
Privacy: media (no dati particolari)
Scelta: Architettura D (Hybrid)

Stack:
├─ Vector DB: Qdrant Cloud EU Frankfurt
├─ LLM: Azure OpenAI Italia (GPT-4o)  
├─ Storage skill: SharePoint privato
├─ Frontend: web app custom (sviluppata)
└─ Mobile: app dedicata sopralluoghi

Costo infrastruttura: ~700€/mese
Setup tecnico: ~12.000€

═══════════════════════════════════════════════════════
📅 ROADMAP 18 MESI

Mesi 1-2: Discovery + Design (15.000€)
Mesi 3-6: Batch 1 — 30 skill priorità (28.000€)
Mesi 4-7: Setup infrastruttura D (12.000€)
Mesi 7-12: Batch 2 — 40 skill (35.000€)
Mesi 13-18: Batch 3 — 37 skill (30.000€)

Pricing:
- Setup totale 18 mesi: 120.000€
- Retainer post: 1.800€/mese

ROI atteso anno 2:
- Tempo risparmiato: ~1.500 ore/anno
- Valore: ~105.000€/anno (a 70€/h media)
- Asset patrimoniale: incalcolabile

═══════════════════════════════════════════════════════
```

---

## 6. Output deliverable

### Per ogni fase

**Fase 1 — Discovery**:
- Archive Map (XLSX)
- Skillization Backlog (XLSX)
- Discovery Report (DOCX 15-25 pp)
- Workshop materials (PPTX)

**Fase 2 — Design**:
- Skill Architecture Document (DOCX 10-15 pp)
- Naming & Format Standards (DOCX 5-8 pp)
- Governance Framework (DOCX 5-8 pp)

**Fase 3-4 — Costruzione**:
- Set di skill .md (numero variabile per dimensione)
- Batch reports
- Workshop di mid-progetto e closure

**Fase 5 — Infrastruttura**:
- Sistema operativo
- Documentazione tecnica
- Manuali utente

**Fase 6 — Governance**:
- Report mensili/trimestrali
- KPI dashboard
- Audit annuale

---

## 7. Pricing complessivo del programma

### Pacchetti

**SKILLIZATION STARTER** — Studio piccolo (1-3 prof, archivio <1.000 doc)
- 20-30 skill
- Architettura A (Claude Projects)
- Durata: 4-6 mesi
- **Pricing: 18.000-28.000€** + retainer 600-800€/mese

**SKILLIZATION STANDARD** — Studio medio (5-15 prof, archivio 1.000-10.000 doc)
- 60-120 skill
- Architettura B o D
- Durata: 8-12 mesi
- **Pricing: 45.000-95.000€** + retainer 1.200-2.000€/mese

**SKILLIZATION PREMIUM** — Studio grande (15+ prof, archivio 10.000+ doc)
- 150-300 skill
- Architettura B/C/D in base a privacy
- Durata: 12-18 mesi
- **Pricing: 95.000-180.000€** + retainer 2.000-3.500€/mese

**SKILLIZATION ENTERPRISE** — Studio strutturato (50+ prof, multi-sede)
- 250-500+ skill
- Architettura C custom + ISO 27001 prep
- Durata: 18-24 mesi
- **Pricing: 180.000-400.000€** + retainer 3.500-8.000€/mese

### Logica di prezzo

Il pricing apparentemente alto è giustificato da:
- **Asset patrimoniale durevole**: 10+ anni di valore residuo
- **ROI quantificabile**: tipicamente 5-15x sull'investimento in 24 mesi
- **Indipendenza vendor**: protezione da cambi tecnologici
- **Continuità intergenerazionale**: valore in passaggio generazionale
- **Differenziazione competitiva** dello studio nel mercato

### Confronto con alternative

| Approccio | Costo 36 mesi | Asset finale |
|-----------|---------------|--------------|
| ChatGPT Enterprise solo | ~25-40K€ | Nessuno (subscription) |
| AI implementation generica | ~50-80K€ | Tool integrati |
| **K2-AI Skillization** | **70-180K€** | **Skill repository proprietario + infrastruttura + governance** |

Il delta di prezzo è giustificato dalla natura **patrimoniale** dell'output.

---

## 8. Integrazione con altre skill

### Skill di sistema
- **flusso-ai-studi-professionali**: orchestratore che attiva questa skill
- **ai-assessment-studio**: assessment può identificare cliente come candidato Skillization
- **ai-roadmap-progettazione**: Skillization come parte di roadmap PREMIUM
- **ai-implementazione-pilota**: prima implementazione skill durante pilota
- **ai-manutenzione-evoluzione**: governance ongoing post-skillization
- **ai-privacy-tiered-architecture**: per scelta architettura cloud/locale

### Skill settoriali template (Livello 3)
- **ai-archive-templates-engineering**: template ready per studio ingegneria
- **ai-archive-templates-legal**: template ready per studio legale
- **ai-archive-templates-medical**: per studio medico
- **ai-archive-templates-notarial**: per studio notarile
- **ai-archive-templates-commercialist**: per studio commercialista

### Skill K2-AI di sistema
- **knowledge-source-italia**: per fonti aggiornate
- **k2ai-business-dashboard**: per tracking progetti Skillization

### Skill K2-AI commerciali
- **lead-qualifier**: per qualificare lead
- **pricing-proposal-generator**: per proposta commerciale
- **customer-success-manager**: per gestione retainer
- **case-study-generator**: per documentare progetti completati

### Skill produttive
- **docx, xlsx, pptx**: per deliverable
- **frontend-design**: per dashboard custom

---

## 9. Vantaggi competitivi del modello Skillization

### Per il cliente

**Vs approccio "compra ChatGPT Enterprise"**:
- Skillization: asset patrimoniale durevole
- ChatGPT Enterprise: subscription erodibile

**Vs approccio "implementiamo tool integrati"**:
- Skillization: indipendente da vendor specifici
- Tool integration: lock-in su scelta tecnologica

**Vs approccio "fai-da-te"**:
- Skillization: metodologia rodata, qualità garantita
- DIY: rischio inconsistenza, errori ricorrenti

### Per K2-AI

**Vs altri consulenti AI**:
- Skillization: differenziazione netta
- Mercato: indistinto

**Vs approccio "vendita tool"**:
- Skillization: ricavi alti, retention alta, IP K2-AI
- Vendita tool: ricavi bassi, retention bassa, no IP

**Vs approccio "consulenza generica"**:
- Skillization: asset cliente che vincola alla relazione
- Generic: cliente cambia consulente facilmente

---

## 10. Errori comuni da evitare

- **Non promettere skillizzazione completa al primo batch**: richiede iterazioni
- **Non saltare il discovery**: senza, il backlog è arbitrario
- **Non sovra-ingegnerizzare le skill**: meglio 20 skill semplici che 5 perfette
- **Non delegare la review al cliente senza guida**: titolare deve saper cosa cercare
- **Non sottovalutare l'anonimizzazione**: errori qui = rischi GDPR
- **Non tralasciare la governance**: skill non manutenute decadono in 12 mesi
- **Non usare un singolo formato per tutte le skill**: tipologie diverse richiedono format diversi
- **Non promettere autonomia totale dello studio**: il cliente avrà sempre bisogno di supporto K2-AI
- **Non saltare il workshop di restituzione**: senza il cliente non valorizza l'output
- **Non sovrapprovversi del retainer**: il vero ROI K2-AI è in retainer ricorrente
- **Non confondere skill con prompt**: skill è strutturata, prompt è ad hoc
- **Non vendere come "automation"**: è codification, è diverso
- **Non dimenticare la portabilità**: skill devono funzionare con qualsiasi LLM
- **Non saltare i test pratici**: skill non testata su caso reale = skill teorica

---

## 11. Disclaimer professionale

Inserire in tutti i deliverable cliente:

> "K2-AI fornisce metodologia e supporto operativo per la codificazione strutturata del know-how dello studio in formato skill markdown. L'output prodotto rappresenta una rappresentazione sistematizzata dei pattern e delle prassi dello studio basata sulle informazioni fornite e sui documenti analizzati.
>
> Le skill prodotte sono strumento di supporto al lavoro del professionista. Non sostituiscono il giudizio professionale, la responsabilità tecnica e deontologica, né l'aggiornamento normativo continuativo dello studio. Il professionista resta unico responsabile della qualità e correttezza degli output prodotti utilizzando le skill.
>
> L'archivio skillizzato è di proprietà esclusiva dello studio cliente. K2-AI mantiene il diritto di mantenere internamente la metodologia generale, ma le skill specifiche dello studio (con casi, criteri, esempi specifici) sono asset patrimoniale del cliente."