Per dare concretezza ai principi sull'intelligenza artificiale applicata al business, niente vale più di un caso reale. Quello di Segafredo Zanetti racconta come un brand del mondo del caffè abbia trasformato un problema operativo in un nuovo servizio reso possibile solo dall'AI.
Il problema: supporto in contesto, ora, in ogni lingua
Segafredo serve grandi clienti come main contractor, resort e crociere, con forniture pluriennali che comprendono caffè, macchine ed erogazione del servizio. Dietro al banco ci sono spesso giovani baristi ad alto turnover, stagionali, di nazionalità e lingue diverse, non sempre formati in profondità su tutte le situazioni che il mondo del caffè, una cultura profondissima, può presentare.
Come aiutare queste persone a operare e ad avere un supporto della marca in tempo reale, nel contesto e nel momento esatto in cui serve, quando di fronte c'è un cliente che ordina un caffè particolare, la macchina si comporta in modo anomalo o c'è bisogno di sapere subito come si esegue una procedura?
La risposta progettuale è un pattern che si può definire Real Time Support: un assistente che, in quel momento e in qualunque lingua, risponde a qualsiasi domanda relativa a quel contesto.
Accanto a un percorso di autoformazione accessibile tramite un QR code posto vicino alle macchine, come una sorta di menu, l'assistente fornisce il supporto immediato.
Il progetto è stato realizzato, rilasciato ed è oggi in uso.
La sfida vera: costruire il Mental Model
La sfida più importante non è stata tecnologica, ma di design: la creazione del Mental Model, il modello mentale dell'assistente.
Entrando in un contesto reale ci si accorge di quanto la realtà vada decostruita: anzianità di servizio, maturità ed esperienza delle persone, paese in cui operano, modo in cui la stessa parola e lo stesso caffè cambiano da un luogo all'altro, capacità di esprimere la domanda. La variabilità è sostanzialmente totale.
C'è anche una dimensione di brand. Quando una marca ha gradi di separazione dagli utilizzatori finali del proprio prodotto, rischia che una frizione non imputabile al prodotto stesso ne mini la credibilità e la percezione.
Un assistente in tempo reale diventa allora non solo un modo per offrire una relazione di valore ai clienti diretti, ma anche uno strumento di controllo di filiera.
Dal brief al prompt: contesto, persone, contenuto
La costruzione si è basata sullo stesso processo di design adottato da anni, fondato su pilastri di ricerca: il contesto, le persone e il contenuto. Tutto è poi confluito nel prompt, cioè nelle istruzioni che dicono all'AI come comportarsi, cosa dire e cosa non dire, quali regole seguire e con quale tono di voce. In un ambito non deterministico, in cui non vale la logica del se a più b uguale c, più il contesto è dettagliato meno il modello inventa e più fa ciò che ci si aspetta.
- La prima parte del prompt ha descritto la situazione e gli obiettivi: il cliente, il valore prioritario verso i clienti diretti, il contesto generale.
- La seconda ha riguardato le persone: per dare ancora più contesto, allo stesso modello è stato chiesto di elencare le situazioni verosimili che possono presentarsi a chi lavora dietro il banco nei diversi momenti della giornata, le prime dieci, le seconde dieci e così via, costruendo un corpo realistico di casi.
- La terza parte è il contenuto: manuali, disciplinari e una libreria di video tecnici, di marketing e comportamentali, organizzati come knowledge base.
L'elaborazione è impostata in modo che a essere considerati per primi siano i contenuti specifici dell'azienda, arricchiti poi dalle capacità generali del modello.
Il raffinamento: il ruolo insostituibile dell'editing umano
Un modello ben impostato risponde bene, ma non sempre alla perfezione. Qui entra il processo di reinforcement learning con supervisione umana. Si analizzano le conversazioni già avvenute, in fase di test e poi sul campo, e se ne selezionano alcune da usare come esempio.
Il punto decisivo è che quelle risposte non possono essere aggiunte così come sono: un operatore umano deve correggerle, renderle più sintetiche o più precise, prima di inserirle nel fine tuning.
Senza l'intervento umano, l'AI si rinforzerebbe da sola, in una tautologia che gira su se stessa senza migliorare. Bastano poche risposte ben curate, dieci, venti, trenta, per migliorare sensibilmente la macchina, a patto di avere un processo costante che procede poco alla volta.
C'è infine il livello degli insight, raccolti tramite AI Analytics. Osservando le conversazioni reali emergono non solo modi migliori di rispondere, ma anche nuovi tipi di domande e informazioni di contesto assenti dal modello mentale iniziale, che per definizione non può essere esaustivo.
Periodicamente, quindi, gli insight servono a rimodellare il Mental Model stesso, perché il campo rivela tipologie di utenti e contesti che in fase di progettazione non erano stati previsti.
Performance e innovazione insieme
Il risultato unisce i due grandi territori dell'AI in azienda. Da un lato la performance: meno telefonate al customer care tecnico, con relativo risparmio. Dall'altro l'innovazione: un servizio che con un customer care umano sarebbe stato semplicemente impossibile, disponibile ventiquattro ore su ventiquattro, sette giorni su sette, in qualunque lingua, capace di rispondere anche a domande che un interlocutore umano faticherebbe a comprendere, restituendo la soluzione corredata, ad esempio, dal video aperto esattamente al minuto in cui si mostra come si pulisce quel pezzo della macchina.
Non una questione di costi: in quelle lingue, in quei contesti e in quei tempi, semplicemente non si poteva fare.
Un nucleo da cui far crescere molto altro
Una volta attivo un sistema capace di rispondere su quel contesto, le possibilità si moltiplicano. Oltre al supporto in tempo reale, la stessa intelligenza può fare formazione push, creare contenuti video, newsletter, messaggi da inviare in modo programmato per formare le persone a piccole dosi nel tempo, fino a produrre un podcast con voce generata sul mestiere del barista.
Marketing, formazione e supporto su una sola base, perché non è stato adottato un semplice strumento, ma una AI specializzata su cui costruire un intero percorso di innovazione. Il metodo, fatto di Mental Model, knowledge base, obiettivi e raffinamento progressivo, resta lo stesso e può essere applicato alla meccanica come al food, al fashion come all'arredo: cambia solo il contesto.