Quali richieste automatizzare prima con l'IA agentica

Le richieste da automatizzare per prime con l’IA agentica nell’assistenza clienti sono gli intenti ad alto volume con regole scritte, basso rischio d’azione e dati che l’agente può raggiungere: stato dell’ordine, aiuto per l’accesso e semplici domande sull’account. Intenti che sembrano altrettanto semplici, come disdette, cambi di indirizzo, resi e codici promozionali, nascondono spesso regole aziendali non documentate e vanno in una seconda ondata, dopo averle messe per iscritto.

In breve

• Scelga i primi intenti per un agente AI con un punteggio, non a istinto: volume, complessità della risoluzione, chiarezza della policy, rischio d’azione, accesso ai dati ed emotività del cliente, ciascuno valutato da 1 a 5 e ponderato.
• Aggiunga una verifica prima che un intento vada in produzione: se dalla trascrizione e dal registro delle azioni non si capisce se l’agente ha fatto la cosa giusta, quell’intento non parte per primo.
• Disdette, cambi di indirizzo, resi e codici promozionali sembrano una sola azione, ma nascondono decisioni che gli operatori esperti prendono a memoria e che un agente AI non conoscerà.
• Trovi le regole nascoste prima del lancio: legga 50 ticket risolti per intento, intervisti i suoi operatori migliori, elenchi ogni eccezione, poi assegni il punteggio di chiarezza della policy.
• Dividere un intento (reso standard entro i termini rispetto a tutte le eccezioni) trasforma spesso un cattivo primo candidato in un buon candidato per la seconda ondata.

Questa guida tratta la prima decisione di perimetro nella transizione verso l’assistenza clienti agentica.

Quali richieste di assistenza dovrebbe gestire per prime un agente AI?

Un agente AI dovrebbe gestire per primi gli intenti che molti clienti sollevano, che seguono regole scritte con poche eccezioni e in cui un’azione sbagliata costa poco da annullare. I primi candidati tipici sono lo stato dell’ordine, il reset della password e l’aiuto per l’accesso, gli orari di apertura e le informazioni sui piani. Tutto ciò che sposta denaro, chiude un contratto o richiede giudizio aspetta.

Un intento è un motivo di contatto: ciò che il cliente vuole ottenere, come “dov’è il mio ordine” o “voglio disdire l’abbonamento”. L’elenco dei motivi di contatto del suo helpdesk, per quanto disordinato, è l’inventario di partenza.

L’errore comune è scegliere solo in base al volume: il volume mostra dove sono i risparmi, non se l’agente AI può fare la cosa giusta, quanto costa un errore o se qualcuno se ne accorgerebbe. Molte guide dei fornitori mettono resi e gestione dell’account nel gruppo sicuro, eppure è proprio lì che vivono le regole non documentate. Il resto di questa guida trasforma l’intuizione in un punteggio che si può difendere.

Quali sono i casi d’uso tipici dell’IA agentica nell’assistenza clienti?

I casi d’uso tipici dell’IA agentica nell’assistenza clienti sono stato dell’ordine e della consegna, aiuto per account e accesso, resi e rimborsi, modifiche di indirizzo e ordine, modifiche e disdette di abbonamenti, domande sulla fatturazione, prenotazione di appuntamenti, presa in carico e smistamento dei ticket. Differiscono meno per tecnologia che per rischio: alcuni leggono solo dati, altri spostano denaro.

Un agente AI compie l’azione nei suoi sistemi, quindi l’azione conta quanto la domanda. La tabella raggruppa i casi d’uso più comuni in base al livello di autonomia che l’azione richiede di solito, usando i livelli della nostra guida ai livelli di autonomia degli agenti AI.

L’ultima colonna è un esito tipico, non una regola; decide il suo punteggio.

Come si assegna un punteggio alle richieste da automatizzare?

Valuti ogni intento da 1 a 5 su sei criteri (volume, complessità della risoluzione, chiarezza della policy, rischio d’azione, accesso ai dati ed emotività del cliente), moltiplichi per i pesi qui sotto e divida il totale per 5 per ottenere un punteggio di priorità da 20 a 100. Poi applichi la verifica di misurabilità e le regole di esclusione prima di andare in produzione.

Su ogni criterio, 5 significa “un candidato migliore per partire”, quindi un punteggio più alto è sempre più sicuro e più conveniente da automatizzare presto.

La scheda di priorità degli intenti

Completi i valori intermedi nel modo ovvio: volume 4 è dall’8% al 14% e volume 2 dal 2% al 3%; chiarezza della policy 4 è 1 o 2 eccezioni non scritte e 2 è da 6 a 10. Il rischio d’azione segue il livello di autonomia: livello 0 vale 5, livello 1 vale 4, livello 2 vale 3, livello 3 vale 2 e livello 4 vale 1. Se un intento comprende azioni su due livelli (disdetta a fine periodo rispetto a disdetta immediata con rimborso), valuti quella più rischiosa, oppure divida l’intento.

Punteggio di priorità = (volume × 20 + complessità × 15 + chiarezza × 20 + rischio × 20 + dati × 10 + emotività × 15) ÷ 5.

Fasce: 80 o più va nella prima ondata. Da 65 a 79 va nella seconda ondata, una volta sistemato il criterio più debole. Sotto 65 resta alle persone, oppure l’agente AI assiste una persona, finché non rifà il punteggio.

La verifica di misurabilità della qualità

Prima che un intento vada in produzione, si chieda: un revisore, o un sistema di valutazione automatica, potrebbe capire dalla trascrizione e dal registro delle azioni se l’agente AI ha fatto la cosa giusta? Deve poter scrivere l’esito corretto come criteri di una scheda di valutazione, per esempio “ha dato lo stato del corriere corrispondente ai dati di tracciamento” oppure “ha fermato il rinnovo e non ha disdetto subito, salvo richiesta”. Se non può, l’intento non passa qualunque sia il suo punteggio, perché i suoi errori restano invisibili finché i clienti non si lamentano. Veda il controllo qualità degli agenti AI per scrivere questi criteri.

Regole di esclusione

Tre risultati impediscono a un intento di partire per primo, anche con un totale alto:

1. Chiarezza della policy 1: le regole si contraddicono o la maggior parte dei casi segue regole non scritte, quindi l’agente improvviserà.
2. Rischio d’azione 1: le azioni di livello 4 (cancellare dati personali, cambiare le coordinate bancarie) restano a una persona.
3. Una verifica di misurabilità non superata.

Esempio pratico: classificare 8 richieste di assistenza

L’esempio che segue è un’illustrazione, non dati di clienti: un team di e-commerce in abbonamento con 40.000 contatti al mese valuta otto intenti. Stato dell’ordine e aiuto per l’accesso finiscono nella prima ondata, il cambio di piano nella seconda, e i quattro intenti “apparentemente semplici” restano sotto 65 finché le loro regole nascoste non sono scritte.

Per verificare una riga: lo stato dell’ordine vale (5 × 20 + 5 × 15 + 4 × 20 + 5 × 20 + 5 × 10 + 4 × 15) ÷ 5 = 465 ÷ 5 = 93.

Che cosa dice la classifica a questo team:

• La prima ondata copre il 31% dei contatti (12.400 al mese) con due intenti: un inizio più piccolo di “tutto ciò che si risolve in meno di cinque minuti”, e uno che si può misurare.
• I resi hanno il secondo volume più alto ma valgono 62. Il problema è la chiarezza della policy: in 50 ticket di reso risolti il team ha trovato 7 decisioni che nessun articolo di aiuto descriveva.
• I codici promozionali sono esclusi. Nessuno è riuscito a scrivere quando un operatore accetta un codice scaduto, quindi nessun sistema di valutazione potrebbe giudicare la risposta dell’agente AI.
• Le disdette sono valutate sull’azione più rischiosa. La disdetta immediata con rimborso richiede un’approvazione (livello 3), quindi il rischio d’azione vale 2, non il 4 di un semplice stop al rinnovo.

Ora divida l’intento dei resi. “Reso standard entro i termini, articolo idoneo” è il 10% dei contatti. Con le regole scritte, complessità e chiarezza salgono a 4: (4 × 20 + 4 × 15 + 4 × 20 + 3 × 20 + 4 × 10 + 3 × 15) ÷ 5 = 365 ÷ 5 = 73. Questo lo porta nella seconda ondata. L’altro 4% (danneggiato, personalizzato, in ritardo, gesto commerciale) resta alle persone e viene passato con il contesto.

Quali richieste “semplici” nascondono regole aziendali?

Gli intenti che più spesso nascondono regole aziendali sono disdette, cambi di indirizzo, resi, codici promozionali, rimborsi per consegne in ritardo e aggiornamenti del metodo di pagamento. Ognuno sembra una sola azione, ma lungo il percorso i suoi operatori migliori prendono diverse decisioni per esperienza, e nessuna di queste decisioni è scritta dove un agente AI possa leggerla.

Alcune regole nascoste sono regole di legge. Nell’UE il consumatore dispone in generale di 14 giorni per recedere da un contratto a distanza “senza dover fornire alcuna motivazione” (direttiva 2011/83/UE, articolo 9; in Italia recepita nel Codice del consumo), e l’articolo 16 elenca 13 eccezioni, come i beni confezionati su misura, i beni che rischiano di deteriorarsi rapidamente e i beni sigillati che, per motivi igienici, sono stati aperti dopo la consegna. Un agente che dice “nessun reso è possibile” o “può rendere qualsiasi cosa” sbaglia in entrambi i casi. Verifichi i suoi mercati con un legale e scriva il risultato nella regola.

Un test rapido: se due operatori esperti gestirebbero lo stesso ticket in modo diverso, l’intento ha una regola non scritta, e l’agente AI ne applicherà una sola versione a tutti.

Come far emergere le regole nascoste prima del lancio?

Faccia emergere le regole nascoste in quattro passi: legga 50 ticket risolti per intento annotando ogni decisione presa, intervisti due o tre dei suoi operatori migliori sui casi in cui si discostano dalla risposta standard, scriva ogni eccezione come regola con un responsabile e trasformi ciascuna in un caso di test. Assegni il punteggio di chiarezza della policy solo dopo questo lavoro.

1. Legga 50 ticket risolti per intento. Non i 50 più recenti, ma un mix: circa 20 ordinari, 10 riaperti, 10 passati a un livello superiore e 10 con un punteggio di soddisfazione basso o con il tempo di gestione più lungo. Per ognuno annoti la decisione, i dati usati e se la regola applicata è scritta da qualche parte. Il numero di decisioni non scritte stabilisce il punteggio di chiarezza della policy.

2. Intervisti due o tre operatori di punta, trenta minuti ciascuno, con domande che fanno emergere le eccezioni:

• “Quando non fa quello che dice l’articolo di aiuto?”
• “Che cosa controlla prima di farlo?”
• “Quali clienti tratta in modo diverso, e perché?”

3. Elenchi le eccezioni e assegni a ciascuna un responsabile. Scriva ogni eccezione come regola con un fattore scatenante, un’azione e un limite, e decida se l’agente AI la applica o passa il caso a una persona. Il modello di scheda policy della gestione delle policy degli agenti AI fa sì che la macro degli operatori e l’istruzione dell’agente AI puntino alla stessa regola.

4. Trasformi le eccezioni in casi di test: un messaggio del cliente, l’azione attesa e la risposta attesa, eseguiti prima del lancio e dopo ogni modifica. Veda il test dei chatbot per le conversazioni scriptate e il test degli agenti AI per azioni e uso degli strumenti.

Conti circa mezza giornata per intento per i ticket, più le interviste: costa meno che scoprire le regole dai reclami.

Un intento deve seguire un flusso deterministico o generativo?

Usi un flusso deterministico, con passaggi fissi e regole nel codice, quando la decisione segue criteri chiari come termini di idoneità, limiti e verifiche d’identità. Lasci al modello generativo ciò che il codice non sa fare: capire la richiesta del cliente, chiedere i dettagli mancanti e spiegare l’esito. La maggior parte degli intenti ben costruiti combina i due.

Anthropic descrive i workflow come “sistemi in cui LLM e strumenti sono orchestrati attraverso percorsi di codice predefiniti”, e gli agenti come sistemi in cui i modelli “dirigono dinamicamente i propri processi e l’uso degli strumenti”, e raccomanda di “cercare la soluzione più semplice possibile, aumentando la complessità solo quando serve” (Anthropic, Building effective agents, in inglese).

Una divisione pratica per gli intenti di assistenza: verifiche d’identità, ricerca degli ordini, idoneità (termini, esclusioni, limiti), la chiamata API con i suoi limiti applicati, le formulazioni richieste per legge e i criteri fissi di passaggio a una persona stanno nel codice o nello strumento. Capire la richiesta, chiedere i dettagli mancanti, scegliere quale azione approvata si adatta, il tono e il riconoscimento della frustrazione spettano al modello. L’idoneità su denaro o contratti non è mai decisione esclusiva del modello.

C’è una tensione. La guida di OpenAI alla costruzione di agenti cita l’approvazione dei rimborsi nell’assistenza clienti come esempio di “decisioni complesse” in cui gli agenti sono adatti, e dice che altrimenti “può bastare una soluzione deterministica” (OpenAI, A practical guide to building agents, in inglese). La stessa guida dice che “annullare ordini degli utenti, autorizzare rimborsi elevati o effettuare pagamenti” dovrebbe attivare la supervisione umana finché la fiducia nell’agente non cresce. Valgono entrambe: gli intenti che richiedono giudizio sono quelli in cui gli agenti aggiungono più valore e in cui servono più prove prima. Arrivano più tardi, non mai.

Come capire quando aggiungere il prossimo intento?

Aggiunga il prossimo intento quando quelli attuali restano stabili per diverse settimane: le risoluzioni corrette restano al suo obiettivo, le escalation avvengono nei momenti giusti e gli errori rivisti hanno cause note con correzioni in atto. Rifaccia nello stesso momento il punteggio degli intenti in attesa, perché regole scritte e nuovo accesso ai dati cambiano i loro punteggi.

Usi le prove, non le date del calendario:

• Risoluzione corretta, non contenimento. Una conversazione chiusa non è una conversazione risolta; veda il tasso di risoluzione corretta per misurare la differenza.
• Qualità del passaggio. L’agente passa il caso al momento giusto, con il contesto, così che il cliente non debba ripetersi (escalation verso un operatore umano).
• Cause degli errori. Ogni conversazione fallita ha una causa: regola mancante, dati sbagliati, azione sbagliata, tono. Corregga una causa ricorrente prima di allargare.
• Un responsabile che rivede ogni settimana ogni intento attivo; veda il ruolo del responsabile degli agenti AI.

Conta anche il suo livello nel modello di maturità IA per l’assistenza clienti: all’inizio aggiunga un intento alla volta; un team che valuta ogni conversazione AI e ha un processo di modifica funzionante può aggiungerne un piccolo gruppo insieme.

Quando questa scheda non fa per lei?

Questa scheda è più del necessario se gestisce poche centinaia di contatti al mese, ha solo tre o quattro motivi di contatto, oppure il suo agente AI risponde solo a domande da contenuti approvati e non compie azioni. In questi casi legga un campione di ticket, scriva le regole e verifichi le risposte a mano.

Non sostituisce nemmeno un elenco pulito dei motivi di contatto (tag poco affidabili danno punteggi di volume sbagliati) né la revisione legale: la scheda le dice che un intento ha regole legali, non quali sono.

Dove si inserisce Kaizo

Kaizo verifica ogni conversazione di assistenza, umana o AI, rispetto alla sua rubrica di valutazione e le mostra che cosa correggere. AutoPilot valuta ogni conversazione quando viene risolta, così può vedere dove l’agente AI e il suo team fanno la cosa giusta e dove la qualità cede: le prove per decidere quando aggiungere il prossimo intento. Scopra come funziona il controllo qualità per gli agenti AI, oppure prenoti una demo per vederlo sulle sue conversazioni.

Come iniziare questa settimana

Può assegnare il punteggio ai primi intenti in una settimana con un analista, un team leader, un’esportazione dall’helpdesk e un foglio di calcolo. Entro venerdì ha una classifica, un elenco di eccezioni per i candidati principali e una prima ondata concordata di due o tre intenti.

1. Lunedì: esporti i contatti del mese scorso per motivo di contatto e scelga i 10 principali per volume.
2. Martedì: assegni i punteggi a volume, complessità, rischio d’azione (dai livelli di autonomia), accesso ai dati ed emotività.
3. Mercoledì e giovedì: per i primi 4, legga 50 ticket risolti ciascuno, conti le decisioni non scritte per stabilire la chiarezza della policy e intervisti due operatori di punta.
4. Venerdì: applichi la verifica e le regole di esclusione, calcoli i punteggi, concordi la prima ondata con il responsabile dell’agente AI e inserisca le eccezioni nelle schede policy.

Poi controlli i presidi necessari prima della messa in produzione nella guida all’assistenza clienti agentica.

Domande frequenti

Quali sono esempi reali di agenti AI nell’assistenza clienti?

Agenti AI che verificano lo stato di consegna di un ordine e spiegano un ritardo, reimpostano una password, prenotano o spostano un appuntamento, gestiscono un reso standard ed emettono l’etichetta, oppure cambiano il piano di un abbonamento. Sono agenti e non chatbot perché compiono l’azione nei suoi sistemi, non si limitano a descriverla.

Qual è la differenza tra un chatbot per l’assistenza clienti e un agente AI?

Un chatbot basato su regole segue intenti fissi e risposte scriptate, di solito con pulsanti o parole chiave. Un agente AI capisce il testo libero, decide quali passaggi compiere e agisce tramite i suoi strumenti, per esempio rimborsando un ordine. Proprio questa libertà rende più importante la scelta degli intenti e delle loro regole.

Quanto deve essere ristretto il perimetro del primo agente AI?

Abbastanza ristretto da poter verificare ogni risultato. Due o tre intenti con regole scritte e basso rischio d’azione vanno bene per la maggior parte dei team enterprise; nell’illustrazione qui sopra, due intenti coprivano il 31% dei contatti.

Un agente AI può gestire i rimborsi fin dal primo giorno?

Raramente. Piccoli rimborsi entro una policy scritta possono funzionare entro un limite una volta che regole e casi di test esistono, ma i rimborsi combinano denaro, eccezioni ed emotività, quindi di solito finiscono nella seconda ondata o dopo. Rimborsi più alti e contestazioni richiedono l’approvazione di una persona.

Come possono gli agenti AI migliorare l’assistenza clienti senza danneggiare la qualità?

Quando risolvono per intero gli intenti semplici e passano tutto il resto a una persona con il contesto. La qualità ne risente quando i team automatizzano intenti con regole non scritte o misurano il contenimento invece della risoluzione corretta; valutare le conversazioni AI con lo standard del suo team mantiene il problema visibile.