Nel panorama attuale quasi tutte le imprese hanno iniziato a sperimentare l’intelligenza artificiale. Secondo i dati dell’Osservatorio Omnichannel Customer Experience dell’Osservatori Digital Innovation del Politecnico di Milano, l’81% delle aziende ha già implementato soluzioni di AI, mentre il 19% sta ancora valutando l’ingresso. Tuttavia, la mera presenza di tecnologia non si traduce automaticamente in miglioramenti di bilancio.
Un’indagine internazionale realizzata dal MIT evidenzia che il 95% dei progetti di Generative AI non produce ritorni economici misurabili. La discrepanza è attribuita non a limiti tecnici, ma a barriere organizzative: flussi di lavoro obsoleti, silos interni e una governance insufficiente impediscono all’AI di generare valore reale.
Automazione senza riprogettazione: il caso del chatbot bancario
Uno degli insight più significativi provenienti dall’analisi di Ilaria Nicolosi riguarda l’insufficienza dell’automazione su processi non ridisegnati. Come riporta la ricercatrice, «Non basta automatizzare il processo esistente». Un esempio concreto proviene dal settore bancario e assicurativo, dove l’inserimento di un chatbot in un flusso preesistente non ha generato alcun risultato tangibile, tanto che il progetto è stato interrotto senza alcun rilascio dopo mesi di lavoro. Questo caso dimostra che l’AI, se applicata a strutture obsolete, rischia di rimanere un semplice strumento decorativo.
Il valore nasce dal ridisegno dei processi
Il secondo insegnamento chiave riguarda la necessità di rivedere integralmente le procedure operative. Nicolosi cita un operatore di telecomunicazioni per illustrare il punto: «L’importanza di ridisegnare il processo: è il ridisegno che crea il vero valore, non il semplice inserimento di un agente AI.» Solo dopo aver ricostruito il percorso commerciale end-to-end, il valore è emerso, confermando che l’AI diventa un moltiplicatore di efficienza quando è inserita in un modello di lavoro già ottimizzato.
Governance e organizzazione centrata sul cliente
Il terzo pilastro è di natura organizzativa. L’autoreferenzialità dei dipartimenti deve cedere il passo a una struttura capace di far dialogare le funzioni grazie all’AI, ma sempre sotto supervisione umana. Come sintetizza Nicolosi, «Serve una nuova organizzazione: l’AI collega le diverse funzioni, ma richiede sempre governance e supervisione umana, mantenendo centrale la customer centricity.» In pratica, l’AI agisce da copilota, ma la direzione strategica resta affidata a persone, garantendo coerenza nell’esperienza del cliente e contenendo i rischi di un approccio “lift and shift”.
Differenti modelli di maturità nella gestione della customer experience
Lo studio dell’Osservatorio individua tre stadi evolutivi nelle aziende. Nel modello a silos, marketing, vendite e assistenza operano in modo completamente separato, creando fratture lungo il percorso del cliente. Il modello coordinato introduce interconnessioni, ma spesso si incappa nel problema del “lift and shift”, ovvero la sovrapposizione di AI a processi datati senza una reale riprogettazione. Solo nel modello orchestrato, definito end-to-end, un motore di AI centrale funge da coordinatore, alimentando una customer intelligence condivisa che guida sia gli agenti virtuali sia gli operatori umani, mantenendo una governance rigorosa.
Passare da progetti pilota isolati a una diffusione sistematica richiede regole chiare. La proliferazione di tool come Microsoft Copilot, ChatGPT, Google Gemini, Salesforce Agentforce e altri rende imprescindibile una strategia di governance AI. Senza un quadro di controllo, le soluzioni si frammentano, alimentando i silos e vanificando gli sforzi di integrazione.
Solo così l’intelligenza artificiale potrà passare da essere un costoso esperimento a un vero motore di crescita sostenibile.
