Storie di adozione dell'IA #2: come le prime analisi hanno plasmato un assistente AI per il settore finanziario
Storie di adozione dell'IA #2: come le prime analisi hanno plasmato un assistente AI per il settore finanziario
In breve
→ Un'azienda di media europea ha sviluppato un assistente AI finanziario per i propri abbonati, offrendo ai lettori risposte rapide su mercati, azioni e concetti di investimento. Ha implementato l'analisi comportamentale prima del lancio, non dopo. → I primi dati sugli utenti hanno rivelato le tre categorie di query che dominavano l'utilizzo: informazioni su azioni specifiche, movimenti di mercato attuali e strumenti finanziari complessi. La roadmap si è concentrata su queste, anziché su priorità ipotizzate. → Nebuly è servito anche come sistema di allerta precoce per errori del modello e allucinazioni, consentendo di individuare e risolvere i problemi durante la fase beta, prima che raggiungessero un pubblico più ampio. → Il risultato tecnico più evidente è stato il tempo di latenza: il tempo medio di risposta è sceso da circa 35 secondi a 17 secondi, grazie ai dati di utilizzo reale che mostravano dove le prestazioni fossero insufficienti. → La lezione più ampia: implementare gli analytics fin dal primo giorno significa costruire attorno al comportamento reale degli utenti piuttosto che alle ipotesi. I team che lo fanno iterano più velocemente ed evitano di sviluppare funzionalità che nessuno vuole.
Una grande azienda media europea ha deciso di creare un assistente AI finanziario per i suoi abbonati. L'obiettivo era semplice: fornire ai lettori risposte rapide su mercati, azioni e concetti di investimento.
Hanno iniziato con un agente autonomo che estraeva dati di mercato, contenuti educativi e notizie. Ciò di cui avevano bisogno in seguito era la chiarezza su come le persone lo avrebbero effettivamente utilizzato, oltre alla sicurezza su accuratezza e stabilità, e a un piano per guidare l'engagement.
Perché hanno inserito l'analytics fin dal primo giorno
Prima del lancio agli utenti reali, il team voleva una visibilità completa su come l'assistente si sarebbe comportato sul campo.
Una demo di Nebuly ha mostrato dashboard chiare e pronte all'uso, opzioni per mantenere i dati interamente all'interno della propria infrastruttura e standard di conformità adatti a un ambiente editoriale.
Hanno deciso di implementare l'analytics fin dall'inizio per poter sviluppare tenendo conto del comportamento reale degli utenti.
Sviluppare basandosi sull'utilizzo reale
Con l'analytics implementata fin dall'inizio, il team ha potuto vedere esattamente cosa chiedevano i primi utenti. I pattern sono emersi rapidamente.
Informazioni su azioni specifiche
Aggiornamenti in tempo reale sui movimenti di mercato
Dettagli su strumenti finanziari complessi
Questa panoramica sul comportamento reale ha permesso loro di focalizzare lo sviluppo sulle funzionalità che le persone utilizzavano effettivamente. Nebuly ha fornito anche un sistema di allerta precoce per gli errori dei modelli, consentendo di individuare e risolvere i problemi prima che raggiungessero un numero maggiore di utenti. Gli stessi dati sono diventati la base di riferimento per testare nuove idee e monitorare il loro impatto durante la fase beta.
Primi risultati
Il successo tecnico più evidente è stato il tempo di risposta. La latenza media è scesa da circa 35 secondi a circa 17 secondi. L'analytics ha funzionato anche come sistema di allerta precoce per bug e allucinazioni.
I dati di utilizzo reale hanno guidato la roadmap. Le attività pianificate si sono concentrate sulla ricerca specifica di azioni, sulla formazione guidata per investitori principianti e sul supporto alle decisioni per i lettori più esperti.
Cosa significa questo per gli altri team
Implementa l'analytics fin da subito. Quando i dati analitici sono presenti fin dal primo giorno, vedi i reali compiti da svolgere, eviti funzionalità che non servono a nessuno e iteri più velocemente mentre il prodotto è ancora in beta. In questo caso, il team ha sviluppato basandosi su comportamenti reali anziché su ipotesi, disponendo di segnali chiari sia per l'esperienza utente che per l'affidabilità.
Nebuly
Nebuly è la piattaforma di ROI per l'AI aziendale. Si collega agli agenti AI su cui si basa la tua attività, agli assistenti con cui interagiscono i tuoi clienti e agli strumenti che i tuoi dipendenti usano ogni giorno, inclusi Claude, ChatGPT e Copilot, e traduce quell'attività in valore aziendale. Quanto tempo viene risparmiato tra i vari team. Quali ricavi sta influenzando la tua AI. Come si presentano in pratica l'adozione e la competenza nell'uso dell'AI, tra reparti e aree geografiche. Tutto aggregato a livello organizzativo, mai legato ai singoli individui.
Se hai bisogno di chiarezza su ciò che il tuo investimento nell'AI sta effettivamente offrendo, prenota una demo.
Domande frequenti
Cosa hanno rivelato i primi dati di utilizzo su come gli abbonati usavano l'assistente IA finanziario?
Fin dalle prime sessioni sono emerse tre categorie di query dominanti: richieste di informazioni su titoli specifici, domande sui movimenti di mercato attuali e quesiti su strumenti finanziari complessi. Questi dati di utilizzo reale differivano da quanto il team di prodotto avrebbe potuto ipotizzare o prioritizzare sulla base del design originale. Ciò ha permesso di concentrare le risorse di sviluppo sulle funzionalità effettivamente cercate dagli utenti, consentendo al team di deprioritizzare funzioni che sembravano importanti in fase di pianificazione ma che, all'atto pratico, mostravano una domanda minima da parte degli utenti.
In che modo gli analytics hanno ridotto la latenza del 50% per l'assistente IA finanziario?
L'analisi dei dati di utilizzo ha rivelato dove il tempo di risposta dell'assistente creava attriti, nello specifico quali tipi di query producevano la latenza più lunga e dove l'esperienza utente peggiorava notevolmente. Grazie a questi dati, il team di ingegneria ha potuto mirare l'ottimizzazione sulle parti specifiche del sistema che creavano i maggiori ritardi per l'utente, riducendo il tempo medio di risposta da circa 35 secondi a circa 17 secondi. Senza l'analisi dei dati di utilizzo per identificare dove si concentrava il problema di latenza, l'ottimizzazione sarebbe stata meno mirata e meno efficace.
Qual è il valore pratico dell'uso degli analytics come sistema di allerta precoce durante la fase beta?
Durante la fase di beta, l'errore o l'allucinazione di un modello che impatta un numero limitato di utenti è un problema gestibile. Lo stesso errore su larga scala si trasforma in un problema d'immagine e di fiducia molto più difficile da recuperare. Gli analytics in grado di evidenziare in tempo reale, durante la beta, gli errori dei modelli, gli output errati e i pattern insoliti consentono al tuo team di individuare e risolvere i problemi prima che si diffondano. Questo è particolarmente importante per i contenuti finanziari, dove un'informazione errata può avere conseguenze dirette sulle decisioni di investimento dei tuoi utenti.
Resta aggiornato su ciò che stiamo imparando, costruendo e osservando mentre i team enterprise distribuiscono e misurano gli agenti AI in produzione.