{"id":3365,"date":"2026-07-23T09:00:00","date_gmt":"2026-07-23T07:00:00","guid":{"rendered":"https:\/\/brentasoft.com\/blog\/ai-machine-learning-odoo-19-pmi-italiane-guida\/"},"modified":"2026-06-10T07:55:53","modified_gmt":"2026-06-10T05:55:53","slug":"ai-machine-learning-odoo-19-pmi-italiane-guida","status":"publish","type":"post","link":"https:\/\/brentasoft.com\/blog\/ai-machine-learning-odoo-19-pmi-italiane-guida\/","title":{"rendered":"Integrare AI e Machine Learning con Odoo: casi d&#8217;uso per PMI italiane (guida pratica)"},"content":{"rendered":"<p><em>Quarantaseiesima guida operativa Odoo 19 per PMI italiane. Le PMI italiane stanno entrando nell&#8217;era dell&#8217;AI applicata al business. Non grandi modelli LLM da bilancio enterprise, ma micro-applicazioni AI\/ML che si innestano nei processi Odoo quotidiani: scoring lead, forecast vendite, detection anomalie pagamenti, classificazione automatica documenti, chatbot interno per Q&amp;A su Odoo. In questa guida vediamo come integrare AI\/ML con Odoo in modo pragmatico e ROI-driven per PMI italiane.<\/em><\/p>\n<p>Vediamo: panorama AI per Odoo PMI, casi d&#8217;uso prioritari, architetture (Odoo native vs external API vs custom ML), costi tipici, governance AI, errori comuni, casi pratici PMI italiane gi\u00e0 operative.<\/p>\n<h2>Cosa NON aspettarsi dall&#8217;AI in Odoo (oggi)<\/h2>\n<h3>Realismo PMI italiane 2026<\/h3>\n<ul>\n<li>NO: AI che &#8220;gestisce tutto da solo&#8221;<\/li>\n<li>NO: chatbot che sostituisce account manager<\/li>\n<li>NO: forecast 100% accurati<\/li>\n<li>NO: automation magico che elimina lavoro umano<\/li>\n<\/ul>\n<h3>Cosa aspettarsi realisticamente<\/h3>\n<ul>\n<li>S\u00cc: assistenti che velocizzano 20-40% task ripetitivi<\/li>\n<li>S\u00cc: predittive che migliorano decisioni del 15-30%<\/li>\n<li>S\u00cc: classificazione automatica con 80-95% accuracy<\/li>\n<li>S\u00cc: ROI tipico 18-36 mesi per casi d&#8217;uso ben scelti<\/li>\n<\/ul>\n<h2>I 6 casi d&#8217;uso AI\/ML pi\u00f9 redditizi per PMI<\/h2>\n<h3>1. Lead scoring predittivo (CRM)<\/h3>\n<ul>\n<li>ML predice probabilit\u00e0 conversione lead basata su storico<\/li>\n<li>Feature: settore, dimensione azienda, fonte, comportamento, timing<\/li>\n<li>Sales team prioritizza top 20% lead<\/li>\n<li>ROI: +25-50% conversion rate, payback 6-12 mesi<\/li>\n<li>Implementazione: 8-25k \u20ac<\/li>\n<\/ul>\n<h3>2. Demand forecasting (Magazzino)<\/h3>\n<ul>\n<li>Predice domanda prodotti per riordini ottimali<\/li>\n<li>Feature: storico vendite, seasonality, eventi, trend<\/li>\n<li>Riduce stockout e overstock simultaneamente<\/li>\n<li>ROI: -15-30% capitale circolante, payback 12-18 mesi<\/li>\n<li>Implementazione: 12-35k \u20ac<\/li>\n<\/ul>\n<h3>3. Detection anomalie pagamenti (Cash flow)<\/h3>\n<ul>\n<li>ML identifica fatture a rischio mancato pagamento<\/li>\n<li>Feature: storico cliente, settore, ammontare, timing<\/li>\n<li>Sollecito proattivo prima della scadenza<\/li>\n<li>ROI: -10-25% DSO, payback 6-12 mesi<\/li>\n<li>Implementazione: 8-20k \u20ac<\/li>\n<\/ul>\n<h3>4. Classificazione documenti automatica<\/h3>\n<ul>\n<li>OCR + ML classifica fatture passive, bolla, contratti<\/li>\n<li>Estrazione dati strutturati per input automatico<\/li>\n<li>Riduce data entry 60-80%<\/li>\n<li>ROI: 1-2 FTE risparmiati, payback 6-9 mesi<\/li>\n<li>Implementazione: 15-40k \u20ac<\/li>\n<\/ul>\n<h3>5. Chatbot interno per Q&amp;A Odoo<\/h3>\n<ul>\n<li>LLM trained su documentazione interna + manuali<\/li>\n<li>Risponde a &#8220;come faccio X in Odoo?&#8221;<\/li>\n<li>Riduce ticket helpdesk 40-60%<\/li>\n<li>ROI: -30-50% tempo helpdesk interno<\/li>\n<li>Implementazione: 10-30k \u20ac<\/li>\n<\/ul>\n<h3>6. Sentiment analysis comunicazioni<\/h3>\n<ul>\n<li>Analisi email\/ticket clienti per priorit\u00e0 + emotional state<\/li>\n<li>Detection clienti unhappy prima dell&#8217;churn<\/li>\n<li>Escalation automatica quando serve<\/li>\n<li>ROI: -10-20% churn rate<\/li>\n<li>Implementazione: 12-30k \u20ac<\/li>\n<\/ul>\n<h2>Detection anomalie pagamenti: caso pratico<\/h2>\n<p>Una delle applicazioni AI\/ML con ROI pi\u00f9 rapido per PMI italiane: analizzare lo storico fatture per prevedere quali sono a rischio mancato pagamento. Da qui si parte:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-01-fatture-lista.png\" alt=\"Lista fatture Odoo 19 per AI detection anomalie pagamento PMI\" class=\"aligncenter size-full wp-image-3362\"\/><\/p>\n<ul>\n<li>Modello ML training su 3-5 anni di storico fatture<\/li>\n<li>Feature: settore cliente, dimensione, storico pagamenti, ammontare, timing<\/li>\n<li>Output: score 0-100 di rischio mancato pagamento<\/li>\n<li>Workflow: fatture &gt; 60 score \u2192 sollecito proattivo automatico<\/li>\n<li>Risultato tipico: -15-25% DSO, -20% perdite per insoluti<\/li>\n<\/ul>\n<h2>Segmentazione cliente avanzata<\/h2>\n<p>L&#8217;AI\/ML permette di scoprire pattern di segmentazione non ovvi nei dati clienti. I filtri Odoo tradizionali si arricchiscono con cluster ML calcolati automaticamente:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-02-filtri.png\" alt=\"Filtri segmentazione Odoo 19 con suggerimenti AI per PMI italiane\" class=\"aligncenter size-full wp-image-3363\"\/><\/p>\n<ul>\n<li>Clustering automatico su comportamenti d&#8217;acquisto<\/li>\n<li>Identificazione pattern non ovvi (es. cluster &#8220;alto valore + bassa frequenza&#8221;)<\/li>\n<li>Targeting marketing personalizzato per cluster<\/li>\n<li>Next-best-action raccomandata per cliente<\/li>\n<li>Lifecycle stage prediction automatica<\/li>\n<\/ul>\n<h2>Predictive cash flow<\/h2>\n<p>I pagamenti ricevuti sono il dato grezzo per il forecast di cash flow predittivo. ML modella patterns stagionali + comportamenti specifici cliente per dare CFO visibilit\u00e0 a 30-90 giorni:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-03-pagamento.png\" alt=\"Pagamento Odoo 19 per predictive cash flow AI PMI italiane\" class=\"aligncenter size-full wp-image-3364\"\/><\/p>\n<ul>\n<li>Forecast cash flow 30\/60\/90 giorni<\/li>\n<li>Identificazione week\/month con shortage previsti<\/li>\n<li>Suggerimenti azioni preventive (sollecito, factoring, linee credito)<\/li>\n<li>Accuracy tipica: 85-93% per 30 giorni, 75-85% per 90 giorni<\/li>\n<li>Aggiornamento daily basato su nuovi dati<\/li>\n<\/ul>\n<h2>Architetture AI\/ML per Odoo<\/h2>\n<h3>Opzione 1: Odoo native + module Odoo AI<\/h3>\n<ul>\n<li>Funzionalit\u00e0 AI integrate da Odoo SA (CRM scoring, Smart Suggest)<\/li>\n<li>Pro: integrazione zero, configurazione semplice<\/li>\n<li>Contro: limitate ai casi d&#8217;uso predefiniti<\/li>\n<li>Quando: PMI piccola, esigenze standard<\/li>\n<li>Costo: incluso in Odoo Enterprise<\/li>\n<\/ul>\n<h3>Opzione 2: External API (OpenAI, Anthropic, Google)<\/h3>\n<ul>\n<li>Odoo chiama API esterne per task AI<\/li>\n<li>Es: GPT-4 per classificazione documenti, sentiment analysis<\/li>\n<li>Pro: capabilities top-class, no expertise interna necessaria<\/li>\n<li>Contro: costo per API call, data residency considerations<\/li>\n<li>Costo: 200-2.000 \u20ac\/mese per uso PMI tipico<\/li>\n<\/ul>\n<h3>Opzione 3: Self-hosted LLM (Ollama, LocalAI)<\/h3>\n<ul>\n<li>LLM locale su server aziendale<\/li>\n<li>Es: Llama, Mistral per Q&amp;A interno<\/li>\n<li>Pro: zero data leakage, costo predittibile<\/li>\n<li>Contro: setup complesso, hardware GPU obbligatorio<\/li>\n<li>Costo: 8-25k \u20ac setup + 3-8k \u20ac\/anno hosting<\/li>\n<\/ul>\n<h3>Opzione 4: Custom ML model<\/h3>\n<ul>\n<li>Modello custom train su dati specifici dell&#8217;azienda<\/li>\n<li>Es: lead scoring, demand forecast, anomaly detection<\/li>\n<li>Pro: accuracy massima sul caso d&#8217;uso specifico<\/li>\n<li>Contro: serve data scientist, manutenzione modello<\/li>\n<li>Costo: 15-50k \u20ac sviluppo + 5-15k \u20ac\/anno mantenimento<\/li>\n<\/ul>\n<h3>Opzione 5: Vector DB + RAG per knowledge base<\/h3>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-pool-052.png\" alt=\"Integrazione AI Machine Learning Odoo PMI\" class=\"aligncenter size-full wp-image-3462\"\/><\/p>\n<ul>\n<li>Pinecone, Weaviate, Qdrant per knowledge base aziendale<\/li>\n<li>RAG (Retrieval Augmented Generation) per Q&amp;A<\/li>\n<li>Pro: chatbot specifico aziendale<\/li>\n<li>Contro: setup tecnico, manutenzione knowledge<\/li>\n<li>Costo: 8-20k \u20ac setup + 2-5k \u20ac\/anno<\/li>\n<\/ul>\n<h2>Governance AI per PMI<\/h2>\n<h3>Data governance<\/h3>\n<ul>\n<li>Quali dati possono essere usati per AI training<\/li>\n<li>Consenso GDPR per uso AI (esplicito se necessario)<\/li>\n<li>Anonymization quando possibile<\/li>\n<li>Audit log per ogni AI prediction<\/li>\n<\/ul>\n<h3>Model governance<\/h3>\n<ul>\n<li>Versioning modelli ML<\/li>\n<li>Test su staging prima di produzione<\/li>\n<li>Monitoring drift performance modello<\/li>\n<li>Retrain periodico (mensile\/trimestrale)<\/li>\n<\/ul>\n<h3>Human-in-the-loop<\/h3>\n<ul>\n<li>AI suggerisce, umano decide su transazioni critiche<\/li>\n<li>Soglia confidence per autonomia (es. &gt; 90% confidence = auto, &lt; 90% = umano)<\/li>\n<li>Override umano sempre tracciato per learning<\/li>\n<li>Review periodica decisioni AI<\/li>\n<\/ul>\n<h3>Trasparenza e explainability<\/h3>\n<ul>\n<li>Spiegazione &#8220;perch\u00e9 AI dice X&#8221; per ogni decisione critica<\/li>\n<li>Documentazione modello accessibile<\/li>\n<li>Comunicazione utenti su uso AI<\/li>\n<li>Diritto opt-out per casi specifici<\/li>\n<\/ul>\n<h2>Costi tipici implementazione AI<\/h2>\n<table border=\"1\" cellspacing=\"0\" cellpadding=\"6\">\n<thead>\n<tr>\n<th>Caso d&#8217;uso<\/th>\n<th>Setup<\/th>\n<th>Ricorrente\/anno<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Lead scoring (Odoo native)<\/td>\n<td>2-5k \u20ac<\/td>\n<td>incluso Enterprise<\/td>\n<\/tr>\n<tr>\n<td>Lead scoring (custom ML)<\/td>\n<td>15-30k \u20ac<\/td>\n<td>4-8k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Demand forecasting<\/td>\n<td>20-50k \u20ac<\/td>\n<td>5-12k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Document classification (OCR + ML)<\/td>\n<td>15-40k \u20ac<\/td>\n<td>4-12k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Chatbot Q&amp;A interno (RAG)<\/td>\n<td>12-30k \u20ac<\/td>\n<td>3-8k \u20ac + API call<\/td>\n<\/tr>\n<tr>\n<td>Predictive cash flow<\/td>\n<td>8-22k \u20ac<\/td>\n<td>2-5k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Sentiment analysis<\/td>\n<td>10-25k \u20ac<\/td>\n<td>3-7k \u20ac<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Errori comuni nell&#8217;implementazione AI<\/h2>\n<h3>&#8220;Iniziare dal caso d&#8217;uso pi\u00f9 sexy&#8221;<\/h3>\n<p><strong>Problema<\/strong>: chatbot LLM sviluppato come prima cosa, marketing-driven, no ROI chiaro.<br \/>\n<strong>Soluzione<\/strong>: iniziare dai casi d&#8217;uso con ROI quantificabile (lead scoring, document classification).<\/p>\n<h3>&#8220;Data quality sottovalutata&#8221;<\/h3>\n<p><strong>Problema<\/strong>: ML su dati sporchi\/incompleti, accuracy mediocre.<br \/>\n<strong>Soluzione<\/strong>: 60-70% effort iniziale su data cleansing prima di model training.<\/p>\n<h3>&#8220;Aspettative gonfiate&#8221;<\/h3>\n<p><strong>Problema<\/strong>: management aspetta &#8220;ChatGPT-like miracle&#8221;, delusione.<br \/>\n<strong>Soluzione<\/strong>: communicazione realistic su capabilities + limiti, set expectation 80-90% accuracy non 100%.<\/p>\n<h3>&#8220;AI senza human-in-the-loop&#8221;<\/h3>\n<p><strong>Problema<\/strong>: AI prende decisioni autonome critical, errori non identificati.<br \/>\n<strong>Soluzione<\/strong>: human-in-the-loop per decisioni critical, AI per suggerimenti + automation low-risk.<\/p>\n<h3>&#8220;Nessun ROI tracking&#8221;<\/h3>\n<p><strong>Problema<\/strong>: AI deployed ma nessuno misura impatto reale.<br \/>\n<strong>Soluzione<\/strong>: KPI before\/after misurati, dashboard ROI AI, kill criteria se non funziona.<\/p>\n<h3>&#8220;Privacy\/GDPR ignorato&#8221;<\/h3>\n<p><strong>Problema<\/strong>: dati personali inviati a OpenAI\/Google senza basi giuridiche.<br \/>\n<strong>Soluzione<\/strong>: legal review pre-implementazione, DPA con provider, anonymization where possible.<\/p>\n<h2>Casi pratici PMI italiane gi\u00e0 operative con AI<\/h2>\n<h3>Caso 1 \u2014 Manifattura: demand forecasting<\/h3>\n<ul>\n<li>250 SKU, 5 anni storico vendite<\/li>\n<li>Modello Prophet (Facebook) per forecast 12 settimane<\/li>\n<li>Setup: 28k \u20ac<\/li>\n<li>Risultato anno 1: -22% stockout, -18% capitale circolante<\/li>\n<li>ROI: payback 14 mesi<\/li>\n<\/ul>\n<h3>Caso 2 \u2014 Distributore: lead scoring AI<\/h3>\n<ul>\n<li>800 lead\/mese da multiple fonti<\/li>\n<li>Modello XGBoost training su 3 anni storico<\/li>\n<li>Setup: 18k \u20ac<\/li>\n<li>Risultato: +35% conversion top 20% lead, sales focus su high-value<\/li>\n<li>ROI: payback 8 mesi<\/li>\n<\/ul>\n<h3>Caso 3 \u2014 Servizi B2B: classificazione documenti<\/h3>\n<ul>\n<li>3.000 fatture passive\/mese da centinaia di fornitori<\/li>\n<li>OCR + ML per estrazione automatica + classificazione<\/li>\n<li>Setup: 32k \u20ac<\/li>\n<li>Risultato: 1.5 FTE risparmiato (52k \u20ac\/anno)<\/li>\n<li>ROI: payback 7 mesi<\/li>\n<\/ul>\n<h3>Caso 4 \u2014 E-commerce: chatbot supporto customer<\/h3>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-pool-053.png\" alt=\"Casi uso AI Odoo PMI italiane\" class=\"aligncenter size-full wp-image-3463\"\/><\/p>\n<ul>\n<li>4.000 ticket support\/mese<\/li>\n<li>Chatbot LLM + RAG con knowledge base interna<\/li>\n<li>Setup: 22k \u20ac<\/li>\n<li>Risultato: -50% ticket gestiti da team, customer satisfaction +12 NPS<\/li>\n<li>ROI: payback 10 mesi<\/li>\n<\/ul>\n<h2>FAQ<\/h2>\n<h3>Devo essere PMI grande per usare AI?<\/h3>\n<p>No. Casi d&#8217;uso semplici (lead scoring, document classification) sono affordable gi\u00e0 per PMI 30-50 utenti. Soglia minima realistica: 30k+ transazioni\/anno per avere dati sufficienti a ML training.<\/p>\n<h3>Posso usare ChatGPT\/Claude direttamente per i miei dati Odoo?<\/h3>\n<p>Tecnicamente s\u00ec via API. Considerazioni: data privacy (mai inviare dati personali senza basi giuridiche), costo per call ($0.01-$0.10 tipico), accuracy variabile per task specifici. Best practice: gateway interno che decide cosa inviare a LLM esterno.<\/p>\n<h3>Quanto serve aspettare prima di vedere ROI AI?<\/h3>\n<p>Casi d&#8217;uso ben scelti: 6-12 mesi typical payback. Casi d&#8217;uso &#8220;exploratory&#8221; (chatbot generale, AI marketing): 18-36 mesi o mai. Suggerimento: iniziare da casi ROI chiaro, espandere se funziona.<\/p>\n<h3>Devo assumere data scientist interno?<\/h3>\n<p>Per progetti standard (lead scoring, demand forecast): partner Odoo con expertise AI \u00e8 sufficiente. Per progetti custom strategici (modelli proprietari, vantaggio competitivo): data scientist interno raccomandato a partire da PMI 100+ utenti.<\/p>\n<h3>Quali rischi AI specifici per PMI italiane?<\/h3>\n<p>4 rischi: (1) GDPR violations su dati personali; (2) bias modelli che discriminano clienti\/fornitori; (3) decisioni automatizzate senza accountability; (4) dipendenza fornitori AI esterni. Mitigation: legal review + human-in-the-loop + multiple vendors.<\/p>\n<h2>Prossimi passi<\/h2>\n<p>Nelle prossime guide vedremo come <strong>implementare un primo caso d&#8217;uso AI step-by-step<\/strong>, come <strong>misurare il ROI di iniziative AI<\/strong>, e come <strong>scalare l&#8217;adozione AI<\/strong> da 1 a 5-10 casi d&#8217;uso operativi.<\/p>\n<p style=\"margin-top:30px;background:#f4f4f8;padding:18px;border-radius:8px;\"><strong>Vuoi integrare AI\/ML con Odoo nella tua PMI?<\/strong><br \/>\nG Tech Group implementa casi d&#8217;uso AI\/ML in Odoo per PMI italiane: lead scoring, demand forecasting, classificazione documenti, chatbot interni. Approccio pragmatico ROI-driven, payback 6-18 mesi tipico.<br \/>\n<a href=\"https:\/\/brentasoft.com\/preventivatore.php\"><strong>Richiedi un preventivo gratuito<\/strong><\/a> oppure prova la nostra <a href=\"https:\/\/odoo.brentasoft.com\/\">demo Odoo 19 live<\/a>. Oppure <a href=\"https:\/\/www.odoo.com?utm_campaign=partner-d192ce8a&amp;utm_source=partner_ref\" target=\"_blank\" rel=\"noopener noreferrer\">prova Odoo direttamente su odoo.com<\/a> (link partner Brentasoft).<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Quarantaseiesima guida Odoo 19: integrazione AI\/ML pragmatica per PMI. 6 casi d&#8217;uso (lead scoring, forecast, document classification, chatbot, anomaly), architetture, costi, casi PMI.<\/p>\n","protected":false},"author":2,"featured_media":3362,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"AI e Machine Learning con Odoo: guida PMI","_seopress_titles_desc":"AI\/ML pragmatica per Odoo PMI: lead scoring, demand forecasting, document classification, chatbot, anomaly detection. Architetture, costi, casi pratici.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"https:\/\/brentasoft.com\/blog\/ai-machine-learning-odoo-19-pmi-italiane-guida\/","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-01-fatture-lista.png","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[689,4],"tags":[],"class_list":["post-3365","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-guide-odoo","category-intelligenza-artificiale"],"_links":{"self":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts\/3365","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/comments?post=3365"}],"version-history":[{"count":0,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts\/3365\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/media\/3362"}],"wp:attachment":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/media?parent=3365"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/categories?post=3365"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/tags?post=3365"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}