Negli ultimi anni l’adozione di strumenti basati su modelli linguistici di grandi dimensioni e architetture intelligenti ha conosciuto un’accelerazione senza precedenti. Le imprese hanno stanziato budget considerevoli per integrare sistemi avanzati lungo tutto il percorso di gestione dei clienti. Molti di questi progetti non riescono però a produrre un ritorno sull’investimento chiaro e quantificabile.
A fare il punto sulle cause strutturali di questo divario e sulle strategie per superarlo è John McMullan, head of product marketing and strategy presso Observe.ai, azienda specializzata in piattaforme di agenti AI native per la customer experience.
Indice degli argomenti:
I nodi critici negli investimenti aziendali in intelligenza artificiale
Il divario tra hype tecnologico e ritorno sull’investimento
L’entusiasmo generalizzato verso i modelli di frontiera e il timore di rimanere indietro rispetto ai concorrenti hanno spinto numerose realtà ad accelerare l’implementazione di soluzioni automatizzate. Questa rincorsa si è sovrapposta a una mancanza di pianificazione strutturata dei flussi di lavoro. A differenza delle tradizionali applicazioni software aziendali acquisite con modalità pronte all’uso, i sistemi basati su intelligenza artificiale richiedono un monitoraggio continuo e un costante adattamento operativo.
McMullan osserva le ragioni profonde di questo disallineamento tra aspettative e risultati reali: «Gran parte di quel ROI non si è affatto concretizzato. E credo che ciò derivi essenzialmente da un interesse privo di disciplina». Secondo il dirigente, l’errore di fondo risiede nell’idea che l’intelligenza artificiale funzioni come un’applicazione SaaS tradizionale, dove l’installazione del prodotto garantisce in modo automatico la risoluzione del problema. L’adozione tecnologica rappresenta invece un ciclo di apprendimento permanente, all’interno del quale emergono continuamente casi limite che necessitano di regolazioni mirate.
Il limite dei comitati strategici e la necessità di team tattici
La carenza di disciplina operativa influisce negativamente sia sulle fasi di progettazione dell’esperienza sia sulla composizione delle squadre di lavoro operative. Spesso i progetti vengono affidati in via esclusiva a comitati strategici di alto livello. Questi organismi possiedono una visione orientata all’etica o all’indirizzo generale, ma risultano disconnessi dalle dinamiche quotidiane che caratterizzano l’assistenza ai clienti.
Per costruire dataset di riferimento efficaci e configurare le conoscenze che gli agenti devono o non devono possedere, è fondamentale coinvolgere analisti di business, ingegneri della telefonia e gli operatori più esperti presenti in azienda. Sono queste le figure tattiche dotate della sensibilità necessaria per guidare l’implementazione sul campo.
Il nodo della fiducia e il fenomeno del doppio lavoro
La sfiducia degli operatori e le pratiche informali
Un’ulteriore criticità riguarda la frequente duplicazione del lavoro svolto da personale umano e strumenti automatizzati. In diverse strutture operative gli operatori non si fidano delle indicazioni fornite dalle macchine o non ricevono output ritenuti sufficientemente stabili. Di conseguenza le organizzazioni finiscono per impiegare risorse umane aggiuntive per verificare manualmente le trascrizioni e i report generati automaticamente.
L’origine di questo attrito risiede nella presenza di architetture frammentate e percorsi di formazione non obbligatori. McMullan cita un caso riscontrato direttamente sul campo durante l’affiancamento ad alcuni team aziendali dopo il rilascio di un sistema dedicato alla chiusura delle attività post-chiamata.
In quell’occasione è emerso come gli operatori copiassero le trascrizioni delle telefonate per incollarle in istanze esterne non protette di ChatGPT al fine di confrontare le note. I dipendenti stavano compiendo due errori sistemici: la condivisione di dati riservati al di fuori dei perimetri di sicurezza aziendali e l’esecuzione di un doppio passaggio manuale per un’attività già automatizzata dalla piattaforma. La causa principale era la mancata comprensione del funzionamento dello strumento, derivante da una formazione facoltativa e dalla totale assenza di una progettazione integrata dei processi.
La costruzione graduale della sicurezza operativa
La fiducia nei confronti delle nuove tecnologie deve essere costruita in modo graduale attraverso la sperimentazione e la simulazione di scenari reali. L’utilizzo di strumenti avanzati per la valutazione degli agenti permette di effettuare test approfonditi su migliaia di interazioni ipotetiche. Questo processo consente di verificare la piena conformità delle risposte alle direttive aziendali prima di rilasciare i sistemi sugli operativi.
Dal fallimento nei test alla preparazione dei dati
I test interni costituiscono una componente essenziale del normale ciclo di sviluppo dell’architettura aziendale. Piccole anomalie o riscontri negativi emersi durante le simulazioni di laboratorio rappresentano passaggi necessari per perfezionare le risposte e rafforzare l’infrastruttura.
Per garantire l’efficacia delle soluzioni automatizzate è essenziale verificare la qualità dei dati di partenza. Un’architettura affidabile richiede basi di conoscenza accurate, informazioni correttamente indicizzate e sistemi di back-end quali CRM, ERP e piattaforme di fatturazione pronti a dialogare con gli agenti.
Il ruolo della shared intelligence nel superamento dei silos aziendali
Dalla frammentazione software al livello unico di intelligenza
La gestione dell’esperienza del cliente richiede la capacità di coordinare operazioni complesse che si articolano in più passaggi, dalla gestione delle pratiche amministrative alle richieste di assistenza tecnica. Senza un’architettura dati unificata, le interazioni rimangono slegate tra loro e costringono l’utente a ripetere informazioni personali ed esigenze operative a ogni cambio di canale.
La soluzione a questa frammentazione risiede nell’integrazione di un livello strutturale di shared intelligence, inteso come un’infrastruttura di intelligenza delle interazioni capace di posizionarsi tra i sistemi centrali dell’azienda e gli agenti di intelligenza artificiale.
Spiegando la differenza tra l’adozione di un modello basato su shared intelligence e la semplice somma di integrazioni punto-a-punto, McMullan sottolinea: «Se si considerano le soluzioni come interventi isolati o elementi posticci si finisce in quello che un altro autore ha definito “l’ufficio risorse umane dell’AI”. Ci si ritrova a dover gestire un’infinità di sistemi eterogenei, creando una complessità ingestibile tra policy frammentate, regole contrastanti e caos operativo».
Continuità del contesto nell’esperienza cliente omnicanale
L’infrastruttura di shared intelligence permette invece di raccogliere ogni punto di contatto in tempo reale, mantenendo vivo il contesto storico delle conversazioni e conservando la memoria delle interazioni precedenti.
In un’organizzazione dotata di shared intelligence, se un utente avvia una segnalazione via chat sul sito web per un ritardo nella consegna, invia successivamente un messaggio di posta elettronica e infine decide di contattare telefonicamente il servizio clienti, l’operatore telefonico visualizza immediatamente l’intero storico. Il personale umano o l’agente virtuale può così riprendere il flusso esattamente dal punto in cui era stato interrotto, senza richiedere nuovamente dati già forniti.
Indicazioni pratiche per la leadership e la scelta dei partner
Valorizzare il patrimonio informativo interno
Per i dirigenti che intendo superare le inefficienze legate ad adozioni affrettate, il percorso di ristrutturazione deve partire dalle risorse informative già presenti all’interno dell’organizzazione. Le aziende dispongono solitamente di ampi archivi contenenti registrazioni di chiamate gestite con successo e consultazioni della base di conoscenza da parte del personale. Questo patrimonio informativo rappresenta la base ideale per identificare i reali punti di attrito nei flussi operativi e guidare la costruzione di dataset mirati.
Il valore strategico di un partner tecnologico esperto
Un fattore determinante per accelerare il raggiungimento di risultati quantificabili consiste nell’affiancamento da parte di partner tecnologici specializzati. Sebbene le competenze dei team interni siano cresciute, la presenza di organizzazioni dotate di esperienza multidisciplinare consente di prevenire gli errori strutturali e di evitare che le risorse interne vengano assorbite interamente dalle attività di manutenzione dei modelli.
McMullan chiarisce l’impatto di un supporto esterno qualificato: «Un partner affidabile ti aiuta ad anticipare gli ostacoli. Ha già accumulato quell’esperienza sul campo e ha già affrontato quelle difficoltà. Ed è cruciale per la gestione e la manutenzione continua […] evita di dover attraversare da sola tutti gli alti e bassi dello sviluppo dell’AI».
La transizione verso un modello guidato da shared intelligence consente alle imprese di abbandonare l’aggiunta estemporanea di singoli moduli intelligenti sui processi preesistenti. Attraverso una riprogettazione mirata dei flussi informativi e l’unificazione del contesto tra agenti e personale, le organizzazioni riescono a costruire un’infrastruttura di assistenza coerente, in grado di restituire valore quantificabile agli investimenti tecnologici effettuati.
Partecipa alla community