Ad AI WEEK 2026 abbiamo raccontato, insieme a DHL e Adiacent, un progetto reale di Intelligenza Artificiale applicata ai processi aziendali. Un caso concreto nato da un’esigenza precisa: aiutare gli operatori del Customer Service DHL ad accedere più rapidamente alla conoscenza interna, trasformando documenti, procedure e competenze distribuite in risposte affidabili, contestualizzate e misurabili.
Quando si parla di Intelligenza Artificiale nelle imprese, il rischio è spesso quello di restare nel campo delle possibilità. Si parla di scenari, di potenziale, di trasformazione futura. Ma il valore dell’AI si misura davvero quando entra nei processi quotidiani, intercetta un problema operativo e contribuisce a risolverlo.
È da questa prospettiva che nasce lo speech “AI in azione con DHL: dal problema operativo al risultato misurabile”, presentato ad AI WEEK 2026 insieme a Marco Ferioli, Head of IT Program Management di DHL, Claudio Tonti, Co-founder e VP of AI & Innovation di Websolute, e Filippo Maria Del Prete, CTO di Adiacent.
Un intervento costruito non su una visione astratta, ma su un progetto già attivo: un assistente virtuale cognitivo sviluppato per supportare gli operatori DHL, in questa prima fase all’interno del Customer Service, nell’accesso e nella valorizzazione della conoscenza aziendale.
Il problema: trovare la risposta giusta, nel minor tempo possibile
Nel mondo della logistica internazionale, le informazioni cambiano rapidamente. Normative, procedure doganali, condizioni operative, canali di contatto e richieste degli utenti evolvono di continuo. Gli operatori del Customer Service devono quindi essere messi nelle condizioni di rispondere in modo corretto, aggiornato e coerente, anche quando le domande sono complesse o arrivano da canali diversi: telefono, chat, email, sistemi interni.
Prima del progetto, la conoscenza era disponibile, ma distribuita. Una parte era contenuta in documenti presenti su SharePoint, una parte era nelle procedure interne, un’altra parte ancora risiedeva nell’esperienza delle persone: colleghi, supervisor, figure con maggiore seniority o competenza specifica.
Il risultato era un processo spesso poco efficiente. Per trovare una risposta, l’operatore poteva dover cercare tra molti documenti, chiedere a un collega, attendere conferme o ricostruire manualmente il contesto. Tutto questo richiedeva tempo e introduceva variabilità nella qualità della risposta.
Il bisogno era chiaro: rendere la conoscenza aziendale più accessibile, più rapida da interrogare e più affidabile nel momento in cui serve davvero.
Un copilota AI per il Customer Service
La soluzione sviluppata è un assistente virtuale cognitivo: un copilota AI che supporta gli operatori DHL nell’accesso alla knowledge base aziendale e nella trasformazione di domande complesse in risposte immediate, affidabili e contestualizzate.
Il sistema integra AI cognitiva, Generative AI e knowledge base su cloud Microsoft. Non si limita quindi a “generare” una risposta, ma lavora su contenuti aziendali verificati, aggiornati e organizzati per essere recuperati nel modo corretto.
Il punto centrale non è il chatbot in sé. Il valore del progetto sta nella qualità dell’architettura che permette al chatbot di rispondere bene.
Alla base c’è una pipeline end-to-end composta da più livelli: ingestione dei documenti, parser dedicati, OCR e Vision AI per interpretare contenuti non puramente testuali, chunking differenziato, arricchimento con metadati e contesto, retrieval, orchestrazione, guardrail, citazione delle fonti, analytics e sistemi di continuous learning.
In altre parole, il modello linguistico è solo una parte del sistema. La vera differenza la fanno la qualità della knowledge base, la capacità di recuperare il contesto corretto e il ciclo di miglioramento continuo costruito intorno all’utilizzo reale.
La qualità della knowledge base è il cuore del progetto
Durante lo speech, Claudio Tonti ha evidenziato un punto fondamentale: oggi i modelli sono disponibili per tutti. OpenAI, Anthropic, Gemini e altri provider offrono capacità molto avanzate, ma non è lì che si gioca la qualità di un progetto enterprise.
La differenza si costruisce prima e dopo il modello.
Prima, nella capacità di trasformare una knowledge base aziendale in una base informativa realmente utilizzabile dall’AI.
Dopo, nella capacità di misurare ciò che accade, analizzare le domande poste dagli utenti, verificare la qualità delle risposte, individuare i gap e riportare queste evidenze nel sistema.
Nel caso DHL, il sistema lavora su oltre 3.500 documenti. Una base ampia, ricca, ma non omogenea. Ed è proprio qui che il progetto ha mostrato uno degli aspetti più interessanti.
Nel corso della fase di PoC, circa 300 documenti sono risultati problematici per l’ingestion automatica. Si trattava di una quota minoritaria rispetto al totale, ma significativa perché includeva anche procedure operative critiche. Inserirli nel sistema senza un intervento di razionalizzazione avrebbe abbassato l’accuratezza delle risposte, portandola sotto la soglia necessaria per andare online con sicurezza.
Il tema, quindi, non era il limite del modello. Era la qualità della materia prima.
Alcuni documenti erano stati prodotti con logiche precedenti all’AI: poco strutturati, ridondanti, complessi da interpretare, talvolta comprensibili solo per chi conosceva già il contesto.
Documenti difficili per l’AI, ma probabilmente difficili anche per una persona non adeguatamente formata.
Human in the loop: quando l’AI aiuta a produrre documentazione migliore
La prima risposta è stata perimetrare il problema: escludere temporaneamente i documenti critici, mantenere alta l’affidabilità del sistema e indirizzare l’utente verso i canali tradizionali quando la risposta non poteva essere fornita con sufficiente sicurezza.
Ma il progetto non si è fermato lì.
La fase successiva ha introdotto un approccio human in the loop: non chiedere semplicemente alle persone di riscrivere la documentazione, ma portare l’AI dentro il processo stesso di produzione documentale.
Attraverso un editor WYSIWYG integrato, simile a un ambiente di scrittura word-like, l’operatore può lavorare insieme all’assistente AI per trasformare documenti esistenti o conoscenze non strutturate in contenuti più chiari, completi, standardizzati e pronti per essere inseriti nella pipeline di ingestion.
L’AI propone, organizza, formalizza. L’essere umano valida, corregge, integra, giudica la qualità del risultato. Il valore nasce dal ciclo: non automazione pura, ma collaborazione tra competenza umana e capacità computazionale.
Il risultato è documentazione AI-ready: più leggibile per le persone e, allo stesso tempo, più adatta a essere interpretata, recuperata e utilizzata dal sistema.
Questo passaggio ha generato anche un effetto collaterale strategico: la definizione di un nuovo standard editoriale per DHL. Perché quando la documentazione viene costruita per essere utile all’AI, spesso diventa anche più utile per l’organizzazione.
Dalla conoscenza documentata alla conoscenza implicita
Il progetto apre poi un tema ancora più ampio: non tutta la conoscenza aziendale è già scritta.
In ogni impresa esistono procedure, eccezioni, prassi operative, scorciatoie e interpretazioni che vivono nella testa delle persone. Sono conoscenze preziose, spesso decisive, ma fragili. Se restano implicite, non diventano patrimonio aziendale. Se una figura chiave cambia ruolo o lascia l’organizzazione, una parte di quel sapere rischia di andare persa.
Per questo è stato progettato uno step successivo: invertire il loop agentico.
Non più solo persone che interrogano l’AI, ma AI che intervista le persone per formalizzare la conoscenza.
A partire da un obiettivo preciso, per esempio descrivere un processo o una procedura, l’orchestratore AI può porre domande a operatori, esperti di processo e team leader, raccogliere risposte, identificare gap, aggiornare un grafo semantico e decidere quali domande successive siano necessarie per completare il quadro.
Quando il sistema raggiunge una rappresentazione sufficientemente completa e coerente, quella conoscenza può essere trasformata in documentazione strutturata, validata e pronta per entrare nella knowledge base.
È un passaggio importante perché sposta l’AI da strumento di risposta a strumento di emersione, formalizzazione e conservazione della conoscenza.
Il controllo umano resta centrale
Uno dei punti emersi anche nel confronto con il pubblico riguarda la qualità delle informazioni raccolte. Se l’AI intervista le persone, come possiamo essere sicuri che ciò che entra nella knowledge base sia corretto?
La risposta è nella governance del processo.
Ogni nuova componente viene testata, valutata e raffinata da persone competenti. Nel caso DHL, i supervisor del Customer Service hanno un ruolo chiave nella fase di validazione: utilizzano il sistema, forniscono feedback, valutano la qualità delle risposte, aggiungono note e contribuiscono a migliorare il comportamento dell’assistente.
Questi feedback alimentano il sistema di continuous learning. Non si tratta quindi di “caricare documenti e lasciare che l’AI faccia tutto”, ma di costruire un ciclo controllato in cui il sistema apprende, viene verificato e migliora sulla base dell’esperienza reale.
In ambienti operativi critici, dove una risposta errata può avere un impatto concreto, questo passaggio è essenziale.
Risultati misurabili, non promesse
Il progetto ha prodotto benefici concreti. DHL ha rilevato una riduzione significativa del tempo dedicato alla ricerca di informazioni e un miglioramento della qualità percepita nelle risposte fornite.
Durante lo speech è stato inoltre condiviso un dato molto rilevante: l’investimento iniziale è stato ripagato in circa tre mesi, tre mesi e mezzo.
Questo è il punto che più ci interessa sottolineare.
L’AI crea valore quando parte da un problema reale, viene progettata dentro un processo misurabile e viene governata con metriche chiare. Non quando viene introdotta come esperimento isolato o come layer tecnologico separato dal funzionamento dell’impresa.
In questo caso, l’obiettivo non era “usare l’AI”. Era aiutare le persone a lavorare meglio, ridurre il tempo necessario per accedere alla conoscenza, aumentare la qualità delle risposte e creare un sistema in grado di migliorare nel tempo.
Verso l’organizzazione agentica
Il progetto DHL mostra anche una traiettoria più ampia: il passaggio dal software come strumento al software come teammate.
Per anni il software ha eseguito comandi. Poi ha automatizzato regole. Con la Generative AI ha iniziato a produrre contenuti. Con gli AI Agent può eseguire azioni, porre domande, identificare gap, supportare decisioni e contribuire al miglioramento dei processi.
Questo non significa sostituire le persone. Significa ridisegnare il modo in cui persone, dati, sistemi e agenti collaborano.
L’organizzazione agentica non è semplicemente un’azienda che usa l’AI. È un’organizzazione che integra agenti intelligenti nei propri workflow, con modelli di governance, responsabilità, controllo del rischio e cultura operativa adeguati.
La tecnologia è necessaria, ma non sufficiente. Servono dati di qualità, processi chiari, persone coinvolte, metriche condivise e un modello operativo capace di far lavorare insieme umano e AI.
Dal caso DHL a una nuova idea di AI enterprise
Il progetto realizzato con DHL dimostra che l’Intelligenza Artificiale è già oggi una leva concreta per migliorare processi complessi, soprattutto quando esiste una grande quantità di conoscenza aziendale da rendere accessibile, affidabile e utilizzabile.
Ma dimostra anche qualcosa di più: l’AI non funziona davvero se viene trattata come una scorciatoia. Funziona quando viene progettata come sistema. Quando la knowledge base viene curata. Quando l’ingestion è pensata con attenzione. Quando le risposte sono tracciabili. Quando i feedback rientrano nel ciclo di miglioramento. Quando le persone restano al centro del processo.
Per noi, questo è il senso dell’AI applicata al business: non una tecnologia da mostrare, ma una capacità da integrare. Non un effetto speciale, ma un’infrastruttura intelligente che rende l’organizzazione più veloce, più consapevole e più capace di valorizzare ciò che sa già.
Perché in molte aziende la conoscenza esiste. La vera sfida è trasformarla in valore operativo.