Parte tre: agente di riferimento o scelta degli agenti?

La prima parte ha sostenuto che introdurre l'AI nel customer support sia la scelta più sicura e al contempo di minor valore che tu possa fare. La seconda parte ha esaminato Oura, che prende sul serio la misurazione della user experience dell'AI, e cosa questo comporti.

Ti diamo il benvenuto alla parte 3, dove ci concentreremo sull'opportunità di sviluppare o meno un tuo agente customer-facing, e su cosa sta accadendo nel tuo contesto di business mentre prendi questa decisione.

Di cosa stiamo parlando, e di cosa no

L'AI può essere un tema scoraggiante, e termini così generici di certo non aiutano. La maggior parte delle persone la utilizza quotidianamente in qualche forma e molti hanno persino sentito parlare di un "agent harness", ma preferirebbero evitare di doverne spiegare il significato. Non preoccuparti: questo post non si perderà in tecnicismi.

Ciò che vale la pena comprendere è più semplice. Parliamo di agenti di Conversational AI, noti colloquialmente come chatbot, e delle questioni strategiche legate alla loro implementazione per il tuo business.

Un agente AI basato su LLM non segue uno script prefissato. Anche quando si basa su informazioni approvate ed è progettato per fornire risposte coerenti, il modo in cui una conversazione si sviluppa dipende da ciò che l'utente chiede, da come lo chiede e da cosa accade dopo. Le conversazioni possono deviare verso direzioni che nessuno aveva previsto in fase di progettazione.

Inoltre, parlano come persone reali, quindi li trattiamo come tratteremmo i nostri simili. Ci spieghiamo, perdiamo la pazienza, concediamo loro il beneficio del dubbio e li giudichiamo più severamente di quanto faremmo con uno stagista presuntuoso.

Comprendere questa dinamica relazionale è il nostro focus in Nebuly. Aiutiamo le aziende a capire se i loro agenti AI offrono alle persone una buona esperienza, e i nostri clienti si dividono quasi a metà tra chi misura agenti sviluppati per i dipendenti e chi agenti pensati per i clienti. Un agente ha valore solo se genera valore per qualcuno e, poiché non puoi scriptare ogni conversazione in anticipo, l'unico modo per saperlo è leggere le conversazioni.

Il nostro lavoro sull'AI employee-facing ci offre un punto di vista unico, trattandosi dell'ambito in cui la tecnologia è stata testata in modo più aggressivo.

Prima di usare l'AI come clienti, la usiamo nel nostro lavoro

Dal lancio di ChatGPT Enterprise nell'agosto 2023, siamo diventati tutti cavie nella corsa per scoprire come questa tecnologia crei valore. In realtà Microsoft ha battuto OpenAI sul tempo con Bing Chat Enterprise (ora Copilot), ma in qualche modo non ha avuto la stessa risonanza.

Le aziende hanno lasciato che questa nuova tecnologia seguisse i percorsi di minor resistenza per trovare valore. Ciò ha significato spingere l'adozione di molteplici agenti con funzionalità sovrapposte. Partecipando alle conferenze di Forrester e Gartner nelle ultime due settimane, ho sentito definire questo approccio come "Pronti, Fuoco, Mira". Ma le cose stanno iniziando a cambiare.

L'ultima indagine di McKinsey ha rilevato che il piccolo gruppo di aziende che ottiene ritorni finanziari significativi dall'AI ha una probabilità molto più elevata di utilizzarla sia per la crescita che per l'efficienza (74% contro 47%), e il doppio delle probabilità di disporre di metodi definiti per misurarne l'impatto. Allo stesso modo, Gartner ha riscontrato che le organizzazioni che ottengono buoni risultati monitorano continuamente i ritorni e interrompono i progetti che non funzionano.

Al contrario, l'AI agentica rivolta ai clienti è stata per lo più integrata a posteriori su un prodotto legacy esistente: la FAQ o il chatbot basato su menu. Come illustrato nella Parte 1, questo non è stato esattamente un successo dal punto di vista della customer experience. Il problema non è nemmeno la mancanza di misurazione, anzi; si tratta piuttosto di un tipo di misurazione errato. Gli agenti AI implementati al solo scopo di ottimizzare un centro di costo faranno esattamente questo, in stile Terminator: Niente umani!

La differenza fondamentale in uno scenario customer-facing è la visibilità dell'errore. Un agente rivolto ai dipendenti che non risponde alle loro esigenze salta subito all'occhio perché c'è una maggiore misurazione qualitativa dell'esperienza: i dipendenti si lamentano. Un agente customer-facing debole può degradare silenziosamente la percezione del tuo brand mentre i KPI restano positivi. I clienti pagano due volte per fare affari con te, e questo finisce per minare il tuo brand.

La disciplina del misurare l'esperienza e adattarsi di conseguenza, appresa nell'AI per i dipendenti, deve trasferirsi ai team che creano agenti per i clienti, e ciò deve avvenire su scala più ampia rispetto ai pochi casi esemplari evidenziati nella Parte 1.

Ma ora…

Perché dovresti creare un agente customer-facing?

La vera questione sul tavolo, come espresso da Accenture Song nel report Unmissable, è se sarai la scelta degli agenti o un agente di prima scelta. La maggior parte delle aziende, sostengono, dovrà diventare la scelta degli agenti, rendendo le proprie offerte facili da trovare, valutare e acquistare per gli agenti AI. Un numero più ristretto, forte di una reale autorevolezza nel settore e di dati proprietari, potrà diventare anche un agente di prima scelta: quello di cui clienti e altri agenti si fidano e a cui si rivolgono, continuamente.

La prima di queste dinamiche è già in atto. Che tu l'abbia pianificato o meno, i tuoi clienti stanno chiedendo informazioni sui tuoi prodotti e servizi agli assistenti generici, e tu non hai il controllo di quelle risposte.

I brand stanno già decidendo come gestire la situazione. Negli Stati Uniti, Delta sta impedendo agli agenti AI di prenotare voli per conto dei clienti, e alcune banche, tra cui JPMorgan Chase, li stanno bloccando dall'accesso agli account dei clienti per motivi di sicurezza. Nel Regno Unito, John Lewis ha intrapreso la strada opposta, rendendo i suoi prodotti individuabili e acquistabili tramite ChatGPT e Gemini, mentre Tesco ne sta sviluppando uno proprio.

Anche dove gli agenti generici sono ben accetti, il processo non è privo di attriti. I sistemi anti-bot che proteggono i siti web da truffe e attacchi informatici bloccano anche gli agenti AI, e queste difese esistono per ottime ragioni: nessuno vuole competere con i bot per i biglietti di un concerto o le prenotazioni al ristorante.

Il tuo agente proprietario non si scontra con queste barriere: ecco la prima ragione.

Cosa accade già oggi in assenza di agenti di brand autorevoli

A settembre il Financial Times ha dato risalto a uno studio della fintech britannica Saturn, che ha sottoposto quesiti finanziari reali ai modelli più diffusi, tra cui ChatGPT, Claude, Copilot, Gemini e Grok. Le domande riguardavano debiti, mutui, pensioni, fisco e previdenza; i modelli hanno fornito indicazioni errate o incomplete nel 57% dei casi.

Sui temi più complessi, il tasso di fallimento è salito all'88%. Persino il modello con le performance migliori ha fallito nel 39% delle risposte. I modelli rispondono senza conoscere le normative, i dettagli dei prodotti o le circostanze specifiche del cliente, e i risultati parlano chiaro.

Le persone prendono comunque decisioni basandosi su quelle risposte. La Mills Review della FCA ha rilevato che un adulto su cinque nel Regno Unito è favorevole a lasciare che l'AI prenda decisioni finanziarie al proprio posto, con una domanda particolarmente forte proprio su debiti, pensioni e investimenti: le tipologie di quesiti complessi su cui i modelli hanno ottenuto i risultati peggiori. Un sondaggio di PensionBee ha rilevato che la maggior parte degli utenti accetterebbe la risposta di un chatbot su decisioni finanziarie senza verificarla.

Un'azienda regolamentata che fornisce consulenza ha un dovere di diligenza (duty of care), uno storico documentale, una procedura di reclamo e un fondo di indennizzo a tutela del cliente. Un consulente umano che sbagliasse il 57% delle risposte dovrebbe cercarsi un altro lavoro. Gli assistenti generici non hanno nulla di tutto questo: come ha sottolineato l'amministratore delegato di Saturn, la consulenza finanziaria fornita dall'AI non è attualmente regolamentata.

Questo è anche uno dei motivi per cui le aziende regolamentate esitano a costruire un proprio agente AI. Se metti il tuo agente a diretto contatto con i clienti, porti con te anche il tuo dovere di diligenza. Ed è un costo effettivo.

Tuttavia, quando gli assistenti generici sbagliano informazioni sul tuo settore, la fiducia ne risente, a prescindere dal fatto che quella risposta sia partita da te o meno.

Al di là dei settori più ovvi come banche, assicurazioni, sanità, pharma, legale o qualunque ambito in cui la risposta ha conseguenze concrete, non credo che alcuna azienda voglia che i propri clienti perdano fiducia nel suo mercato.

Qual è la vera posta in gioco

Tutto ciò che abbiamo visto finora rientra in una logica difensiva. Un'azienda con cui ho parlato di recente ha descritto il proprio agente AI come sia difensivo che offensivo, e questa distinzione è particolarmente utile.

Difensivo significa proteggere i clienti da consigli generici errati e tutelare il brand dalle ripercussioni quando tali consigli vengono seguiti. Offensivo significa dare ai clienti un motivo per tornare: un'esperienza di qualità tale da fidelizzarli e far crescere il business.

La maggior parte delle aziende sta giocando in difesa al momento, ma passare all'attacco offre i ritorni più elevati. Il report Be Distinctive Everywhere di JKR e Kantar ha rilevato che il 71% della brand equity deriva dall'esperienza: il 30% da ciò che un brand possiede ed eroga direttamente (il tuo prodotto) e il 41% da ciò che viene generato tramite passaparola, recensioni e canali social (la riprova sociale).

Se colleghi questo dato ai due percorsi delineati da Accenture, diventare un agente di prima scelta rappresenta l'esperienza proprietaria nella sua forma più diretta: una conversazione one-to-one tra il cliente e il tuo brand.

Nel momento in cui disponi di un agente, la conversazione diventa parte integrante del prodotto: è lì che i clienti valutano se offri davvero un valore diverso.

Il report sottolinea inoltre che l'assenza di attrito non basta: un'esperienza che chiunque altro avrebbe potuto offrire soddisfa il bisogno ma non differenzia il brand. Finché gli assistenti generici continuano a deludere le aspettative, il semplice fatto di sapere con chi si sta parlando ti distingue. Andando oltre, Kantar associa una crescita e una fidelizzazione più forti ai brand significativamente differenziati: migliore è il tuo agente, più alto sarà il tuo ritorno.

Chi può diventare l'agente di prima scelta?

Accenture riserva il ruolo di agente di prima scelta alle aziende che possiedono già una profonda autorevolezza nel settore e dati proprietari. In questo modo si tratta l'autorevolezza come un asset preesistente che il brand porta con sé nell'AI. Riterrei che questo non sia affatto scontato, considerando quanti prodotti agentici di scarsa qualità vediamo rilasciati da marchi molto noti. Nella pratica, l'autorevolezza si costruisce o si distrugge nelle conversazioni stesse, e questo cambia le regole del gioco su chi può vincere.

Una ricerca del 2026 condotta da Medallia ha rilevato che oltre il 40% dei consumatori trova gli errori umani più facili da perdonare rispetto a quelli dell'AI, contro un 7% che sostiene il contrario. Questo rende la posta in gioco sbilanciata. Per un brand sfidante (challenger), un agente customer-facing è una vetrina nativa, e a volte è il prodotto stesso: ogni conversazione riuscita costruisce un'autorevolezza che non si potrebbe acquistare altrimenti.

Per un brand consolidato, l'agente è un'ulteriore interfaccia su una base già ampia, e una pessima esperienza mette a rischio più valore di quanto una buona riuscita ne possa aggiungere. Un brand affermato parte in vantaggio, ma può comunque perdere terreno.

Virgin Atlantic sta portando avanti entrambi gli approcci. Gestisce il proprio AI Concierge, sviluppato per incarnare quella che il suo Chief Experience Officer definisce l'ambizione di diventare "la compagnia di viaggi più amata", e ad aprile è diventata la prima compagnia aerea a lanciare un'app all'interno di ChatGPT.

Quindi, chi dovrebbe creare un agente customer-facing?

Non tutti. La narrazione dei vendor sostiene che ogni azienda ne abbia bisogno, ma non è così.

Rimanendo un momento su Virgin Atlantic, hanno dimostrato che un agente customer-facing non deve necessariamente fare tutto per avere successo. Hanno iniziato con un task circoscritto e ad alto valore, sfruttando l'AI per ciò in cui eccelle: la conversazione non strutturata. Hanno quindi implementato Concierge all'interno di un customer journey che conoscevano a fondo. L'agente deve semplicemente svolgere bene il compito affidato, e svolgerlo bene significa che il cliente ha ottenuto esattamente ciò di cui aveva bisogno.

Ci sono due domande che vale la pena porsi. Possiedi competenze di dominio o conoscenze sui clienti che un modello generico non può avere? E una risposta sbagliata comporta un costo reale per il tuo cliente?

Due sì, e il caso a favore dello sviluppo è solido. Due no, e la strategia più sensata è farsi trovare e consigliare facilmente dagli assistenti generici, investendo il budget dove serve davvero. Un sì e un no: in questo caso dipenderà dalle prossime mosse dei tuoi competitor.

L'asticella qui non è necessariamente un assistente di punta (flagship): un'azienda di noleggio macchinari che risponde a domande su disponibilità e consegne tramite un agente AI su WhatsApp veicola il proprio brand in ogni singola interazione, e un errore può costare giorni di fermo cantiere ai suoi clienti.

Poni queste domande al tuo team con attenzione: scoprirai che i presupposti per costruire un agente ci sono per molte più aziende di quante non lo stiano già facendo. Credo che molti oggi rispondano negativamente per default, ed è questo che deve cambiare.

La fattibilità tecnica non è più il limite di un tempo. Negli ultimi anni si è sviluppato un mercato maturo di società di product engineering, system integrator e società di consulenza che realizzano queste soluzioni per professione.

Ciò che di solito manca, e il motivo per cui l'iniziativa non decolla, è decidere come definire il successo dell'esperienza e stabilire chi sia responsabile quando l'agente commette un errore. Nessuno di questi due elementi è fornito in dotazione con la tecnologia.

Svilupparlo è solo metà della sfida

La parte più difficile è sapere se ciò che hai creato funziona davvero, ed è qui che tornano utili gli insegnamenti tratti dall'AI employee-facing.

Le aziende che ricavano valore reale dall'AI internamente sono quelle che ne misurano l'impatto e adattano la propria operatività per valorizzare al meglio la tecnologia. È questo l'insegnamento fondamentale da applicare.

Il caso Klarna dimostra cosa succede in assenza di una misurazione adeguata. A marzo 2024 l'azienda ha annunciato che il suo assistente basato su tecnologia OpenAI aveva gestito 2,3 milioni di conversazioni nel suo primo mese (due terzi delle chat del customer service, pari al lavoro di 700 dipendenti a tempo pieno), con una soddisfazione in linea con gli operatori umani e una stima di 40 milioni di dollari di incremento dei profitti.

Quattordici mesi dopo, il suo CEO ha dichiarato a Bloomberg che dare priorità ai costi a discapito dell'esperienza ha prodotto una "qualità inferiore" e che Klarna si stava adoperando per garantire che i clienti potessero sempre parlare con un operatore umano.

Tutte le metriche del primo comunicato indicavano che il prodotto funzionasse perfettamente. La smentita è arrivata direttamente dai clienti e dal giudizio del CEO, oltre un anno dopo e pubblicamente.

Klarna non ha abbandonato l'AI. Verso la fine del 2025 il suo assistente copriva il lavoro di 853 collaboratori a tempo pieno e aveva generato circa 60 milioni di dollari di risparmi. Ma il danno c'era stato: ne hanno fatto le spese i clienti e il brand di Klarna è diventato sinonimo di customer service scadente gestito dall'AI. Tutto questo non rende giustizia agli sforzi compiuti per costruire quello che oggi è un agente AI di successo. È una sconfitta per tutti.

Non si dovrebbe arrivare a tanto: oggi molti leader intercetterebbero il problema prima, ma affidarsi solo all'intuito rimane una strategia debole. L'evidenza che un agente sta deludendo i clienti va individuata con largo anticipo e, preferibilmente, all'interno dell'organizzazione.

Inizia a costruire e misura l'esperienza

La Conversational AI sta diventando la nuova interfaccia. Man mano che clienti e dipendenti passano dalla navigazione sui canali digitali alla delega dei compiti agli agenti AI, le metriche di engagement tradizionali perdono valore. La conversazione stessa diventa l'unica traccia della user experience: ti dice se gli utenti hanno ottenuto ciò che cercavano e il motivo per cui ci sono o non ci sono riusciti. Questo crea una fonte straordinariamente ricca di insight, ma introduce anche un nuovo elemento di rischio: risposte scadenti erodono rapidamente la fiducia, spingono gli utenti verso canali a costo più elevato e amplificano il danno reputazionale. Eppure, la maggior parte delle organizzazioni si limita a misurare l'adozione dell'AI, non il valore generato.

Le dashboard di osservabilità tecnica mostrano metriche quantitative (token, latenza, trace), ma non rilevano se un agente ha prodotto il risultato desiderato, se tale risultato ha generato valore o dove e perché si è verificato un errore. Senza queste evidenze qualitative, le aziende non possono migliorare i prodotti agentici in modo affidabile, gestire i rischi né giustificare gli investimenti successivi.

I prodotti digitali si basano su analytics e user research. I prodotti AI richiedono lo stesso approccio, ricavato direttamente dalle conversazioni.

Parliamone insieme

Il 21 ottobre organizzeremo una tavola rotonda nell'ambito delle Nebuly Sessions presso The Hoxton, a Southwark, dedicata all'AI customer-facing capace di differenziare il tuo brand. Sarà una cena, non un panel: aspettati un confronto stimolante e uno scambio aperto di opinioni, senza presentazioni di slide. Puoi registrarti qui sotto: