L’intelligenza artificiale è presente nella quasi totalità delle realtà aziendali, ma la sua capacità di produrre valore economico concreto è ancora oggetto di dibattito. L’Osservatorio Omnichannel Customer Experience degli Osservatori Digital Innovation del Politecnico di Milano ha analizzato l’intersezione tra adozione tecnologica, organizzazione interna e risultati di business, evidenziando una forte discrepanza tra l’implementazione di strumenti AI e i benefici finanziari attesi.

Penetrazione dell’AI e prime constatazioni

Secondo l’indagine condotta dall’Osservatorio, l’81 % delle aziende ha già adottato soluzioni di intelligenza artificiale, mentre il restante 19 % è nelle fasi iniziali di sperimentazione. Nessuna realtà intervistata ha dichiarato di voler escludere l’AI dai propri piani strategici. Tuttavia, un confronto con uno studio internazionale del MIT mostra che il 95 % dei progetti aziendali di Generative AI non produce alcun ritorno misurabile sul conto economico, sottolineando una distanza critica tra tecnologia e valore.

Le cause della mancata generazione di valore

Il divario tra adozione e risultati è attribuito principalmente a fattori organizzativi piuttosto che a limitazioni tecniche. La regola empirica 10‑20‑70 descrive la distribuzione delle leve di successo: il 10 % dipende dagli algoritmi, il 20 % dalle tecnologie e dai dati, mentre il 70 % è legato a persone e processi. In altre parole, l’AI da sola non è sufficiente; è indispensabile un ripensamento dei flussi operativi e una governance efficace.

Esempi di fallimenti e successi

Un caso emblematico nel settore bancario e assicurativo dimostra l’inefficacia dell’automazione su strutture obsolete: l’inserimento di un chatbot all’interno di un processo preesistente non ha prodotto alcun risultato tangibile, e dopo diversi mesi di lavoro non è stato effettuato alcun rilascio. Al contrario, un operatore di telecomunicazioni ha sperimentato un vero valore solo dopo aver ridisegnato interamente il processo commerciale, dimostrando che il redesign è il vero motore di benefici.

Modelli di maturità operativa

L’Osservatorio ha identificato tre modelli distinti che riflettono il livello di maturità delle organizzazioni nella gestione della customer experience.

Modello a silos

In questa configurazione, marketing, vendite e customer service operano in modo del tutto separato. Il marketing definisce strategie macro‑segmentate e crea contenuti manualmente; la rete di vendita qualifica i lead in autonomia; l’assistenza clienti risponde alle richieste basandosi sulle decisioni dei singoli operatori. Questo approccio genera discontinuità lungo il percorso del cliente e limita la capacità di sfruttare dati condivisi.

Modello coordinato

Le funzioni iniziano a interconnettere i propri flussi di lavoro, mantenendo però una forte supervisione umana su strategia, creatività e interazioni ad alta carica emotiva. La sfida principale è definire i confini operativi tra attività umane e agenti virtuali, stabilendo quando delegare una richiesta all’AI e quando attivare l’escalation verso il personale. In questa fase è evidente il rischio del “lift and shift” del MIT: sovrapporre l’AI a processi datati senza modificarne la struttura, fenomeno che contribuisce al 95 % dei progetti pilota senza ritorno finanziario.

Modello orchestrato

Qui l’AI assume il ruolo di copilota centrale, co‑progettando e coordinando i flussi lungo l’intero customer journey. L’utente percepisce un percorso unitario, privo di separazioni tra dipartimenti. Ogni interazione alimenta una memoria condivisa, definita “customer intelligence continua”, che fornisce una base informativa unificata sia per gli agenti AI sia per gli operatori umani. La governance rimane cruciale: le persone guidano le strategie, stabiliscono obiettivi e mantengono il controllo qualitativo. Raggiungere questo livello richiede la crescita parallela di piattaforme tecnologiche e strutture organizzative flessibili.

Governance e rischi dell’adozione senza struttura

Durante la presentazione, il moderatore Nicola Spiller ha sollevato una domanda chiave: quali sono i rischi per le aziende che introducono l’AI nella customer experience senza una governance adeguata? La risposta è arrivata da Domenico Violante, Partner responsabile Customer Technology & AI di EY, che ha evidenziato la proliferazione di soluzioni AI facilmente accessibili e a costi contenuti.

Panorama delle soluzioni AI nella CX

    • Microsoft Copilot
    • ChatGPT
    • Google Gemini
    • Salesforce Agentforce
    • ServiceNow AI Assistant
    • Perplexity
    • Claude
    • Adobe GenStudio
    • Midjourney
    • e molti altri strumenti emergenti

Questa abbondanza di opzioni può indurre le organizzazioni a scegliere rapidamente strumenti senza valutare l’impatto sui processi esistenti, aumentando il rischio di investimenti inefficaci. Senza una governance chiara, le aziende rischiano di replicare il modello “lift and shift”, di generare inefficienze operative e di non riuscire a trasformare i dati raccolti in valore tangibile.

Passi consigliati verso un’adozione sistematica

Per superare la fase di progetti pilota isolati e passare a un’adozione strutturata, gli esperti suggeriscono le seguenti azioni:

    • Riprogettare i processi chiave prima di integrare soluzioni AI, garantendo che le attività siano ottimizzate e non obsolete.
    • Definire una governance che includa ruoli di supervisione, metriche di performance e meccanismi di escalation.
    • Investire nella formazione delle risorse umane per favorire la collaborazione uomo‑machine.
    • Creare una piattaforma di customer intelligence condivisa, capace di alimentare tutti gli attori coinvolti.
    • Monitorare costantemente i ritorni economici, utilizzando KPI chiari e misurabili.

Solo attraverso un approccio integrato, in cui tecnologia, dati, persone e processi sono allineati, l’AI può trasformare la customer experience in un vero vantaggio competitivo e generare i ritorni finanziari tanto attesi.