Customer experience e AI funzionano insieme quando l’intelligenza artificiale aiuta a capire i clienti, preparare decisioni e lavorare meglio sulle relazioni. Servono dati leggibili, un obiettivo preciso, contesto e persone capaci di valutare il risultato. È il filo conduttore del mio intervento al webinar Customer Experience e Business Development ai tempi dell’AI, che si è svolto il 21 settembre 2026.
L’incontro è stato organizzato da Surwiz, in collaborazione con Crono e con Merakyn come media partner. Ho partecipato alla tavola rotonda insieme ad Alessandro Di Maio, cofondatore di Surwiz, e Alex Roggero, cofondatore di Crono. A moderare il confronto c’era Lorenzo D’Amelio di Merakyn.
Il mio contributo era quello di un formatore che incontra ogni giorno aziende e professionisti alle prese con questi strumenti: portare esempi, mettere in discussione qualche abitudine e mostrare come passare dall’esperimento occasionale a un uso consapevole dell’AI.
La registrazione del webinar
Qui trovi la registrazione completa. Nell’articolo riprendo i miei interventi e aggiungo un esercizio applicativo per tradurli nel lavoro quotidiano.
Customer experience e AI: avere tanti dati non basta
Lorenzo mi ha chiesto perché continuiamo ad associare l’abbondanza di dati alla qualità delle decisioni. Ho risposto partendo da una situazione che incontro spesso nei corsi: qualcuno mi descrive un problema e mi chiede come risolverlo con l’intelligenza artificiale. Poi scopro che gli serve soprattutto mettere ordine in quattro file e costruire una dashboard.
In quel caso può bastare un buon lavoro di business intelligence. La scelta dello strumento deve seguire il problema. Prima occorre capire quali informazioni abbiamo, quanto sono aggiornate e quale decisione vogliamo prendere. Altrimenti aggiungiamo un’interfaccia brillante sopra dati disordinati.
Nel webinar ho raccontato anche la distanza tra le realtà strutturate e quelle più piccole che incontro nella formazione. Alcune lavorano con sistemi integrati; altre si reggono ancora su fogli Excel e informazioni sparse. Il punto di partenza cambia parecchio.
L’AI può aiutare a interpretare quei materiali e a individuare piste di lavoro, soprattutto se conosce il contesto dell’azienda. Ma collegare un archivio non significa averne automaticamente risolto incoerenze, duplicati e lacune. Una risposta plausibile va sempre confrontata con le fonti.
Il metodo Socrate: fai fare le domande all’AI
Uno dei suggerimenti più pratici che ho dato è molto semplice: fatti intervistare dall’intelligenza artificiale. Passiamo tanto tempo a cercare la domanda perfetta, mentre spesso non abbiamo ancora chiarito abbastanza il problema.
Io chiamo questo approccio “Socrate”, con un po’ di ironia. Dai all’assistente un obiettivo e chiedigli di raccogliere da te le informazioni mancanti. L’accorgimento decisivo è aggiungere: fammi una domanda alla volta e aspetta la mia risposta. Altrimenti arriva un questionario infinito, non un dialogo.
Ecco una traccia operativa, rielaborata per questo articolo a partire dall’esempio del webinar:
Voglio capire perché alcuni clienti non rinnovano il nostro servizio. Aiutami a definire un’analisi utile. Prima di proporre soluzioni, intervistami: fammi una domanda alla volta e aspetta la mia risposta. Chiarisci obiettivo, tipo di clienti, dati disponibili, periodo osservato e vincoli. Distingui ciò che sappiamo dalle ipotesi. Alla fine proponi un piccolo piano di verifica, indicando quali informazioni mancano.
È un esercizio utile anche senza caricare subito documenti. Posso spiegare il problema, farmi aiutare a delimitarlo e decidere solo dopo quali dati siano necessari e utilizzabili. Le domande dell’assistente possono già farmi vedere un limite della mia impostazione.
Dal prompt al contesto: costruire un secondo cervello
Durante il confronto è tornata più volte l’idea del second brain, il secondo cervello. Nel mio intervento l’ho collegata a un assistente configurato sul nostro lavoro: sa chi siamo, quali obiettivi abbiamo e quali materiali può consultare.
Una richiesta isolata costringe il modello a riempire molti vuoti. Un contesto pertinente gli permette di lavorare su informazioni più utili. Questo richiede selezione: documenti corretti, istruzioni chiare e accessi coerenti con il compito. Riempire la conversazione di materiale a caso non è una strategia.
La distinzione è approfondita anche da Anthropic nella guida al context engineering per gli agenti AI: oltre al testo del prompt, conta l’insieme delle informazioni disponibili al sistema, compresi strumenti, documenti e cronologia.
Ho raccontato anche alcune mie sperimentazioni, dalla creazione di un videogioco didattico sui prompt a un prototipo di CRM costruito con l’aiuto dell’AI. Il valore di questi esempi sta nella possibilità di esplorare un’idea e verificarne l’utilità. Un prototipo, prima di diventare un sistema aziendale, richiede controlli su dati, accessi, affidabilità e manutenzione.
L’AI rende impersonale il rapporto con i clienti?
La domanda di Lorenzo toccava un’obiezione frequente: se usiamo tutti gli stessi strumenti, finiremo per comunicare tutti allo stesso modo? Nel webinar sono stato piuttosto provocatorio su questo punto. Se produciamo email intercambiabili, dobbiamo interrogarci su come stiamo usando lo strumento.
Ho indicato due ingredienti che possono cambiare il risultato: il nostro stile di scrittura e la conoscenza della relazione con il cliente. Da una parte esempi selezionati di come comunichiamo; dall’altra lo storico pertinente, il problema aperto, le richieste già fatte e gli impegni presi.
La personalizzazione utile consiste, per esempio, nel ricordare che un cliente ha già segnalato un disservizio e sta aspettando una risposta concreta. Mettere il suo nome in apertura non basta. Né serve una mail elegante che ignori tutto quello che è successo prima.
Su un piano più generale, lo studio Generative AI at Work di Erik Brynjolfsson, Danielle Li e Lindsey Raymond, disponibile anche su Microsoft Research, ha osservato benefici dall’assistenza generativa nel customer support, con risultati diversi a seconda dell’esperienza degli operatori. È un caso di ricerca specifico, non una promessa di produttività valida per qualsiasi azienda.
Il mio criterio resta molto concreto: il cliente riceve una risposta corretta, pertinente e capace di aiutarlo? Se abbiamo risparmiato cinque minuti ma gli abbiamo fatto perdere mezz’ora, abbiamo ottimizzato la cosa sbagliata.
Persone e agenti AI: come dividersi il lavoro
Alex Roggero ha portato nel confronto il tema del lavoro commerciale e della collaborazione tra persone e agenti. Mi sono agganciato a questo ragionamento insistendo sulla configurazione degli strumenti e sulla qualità del contributo umano.
Per chiarire cosa intendo, ho raccontato un episodio familiare: mia moglie, insegnante, doveva preparare un progetto per un bando scolastico. Abbiamo impostato un assistente sui materiali del bando, ottenuto una proposta e poi rivisto il testo. Lei ha modificato anche un’attività che non la convinceva. Il progetto è stato finanziato e, quando sono arrivati i complimenti, si è sentita a disagio per l’aiuto ricevuto dall’AI.
Per me quell’episodio mostra bene il lavoro che rischiamo di rendere invisibile: riconoscere l’opportunità, scegliere lo strumento, fornirgli i materiali, dare istruzioni, valutare la proposta e correggerla. L’approvazione finale richiede competenza e responsabilità. Questo vale anche per una risposta a un cliente o una proposta commerciale.
La guida di Anthropic Building effective agents distingue i flussi predefiniti dai sistemi in cui il modello sceglie dinamicamente passaggi e strumenti. Raccomanda di partire da soluzioni semplici e aggiungere complessità quando serve. È un criterio utile anche in azienda: prima definiamo il compito e come valutarlo, poi decidiamo quanta autonomia concedere.
Dati aziendali e AI: regole chiare prima degli automatismi
Un altro mio intervento ha riguardato l’uso non governato dell’AI, spesso chiamato shadow AI: le persone adottano strumenti per lavorare, ma l’organizzazione non sa quali informazioni vi inseriscono e con quali garanzie.
Ho suggerito di partire da strumenti scelti consapevolmente, un vademecum operativo e formazione. Nel ragionamento ho distinto materiali già pubblici, come una brochure, da procedure interne, contratti, informazioni sui clienti e dati particolarmente delicati. Metterli tutti nello stesso contenitore è un errore.
Le indicazioni pratiche che ricavo da quel passaggio sono queste:
- Stabilire quali strumenti e account usare. Valutare condizioni del servizio, trattamento dei dati, accessi e configurazioni con chi ne ha la competenza in azienda. Un abbonamento a pagamento, da solo, non certifica la conformità di qualsiasi utilizzo.
- Caricare il minimo necessario. Se basta un campione depurato dei dati personali, partire da quello. Anche anonimizzazione e soluzioni locali richiedono verifiche: non sono scorciatoie che eliminano ogni rischio.
- Separare l’uso professionale da quello personale. Durante il webinar ho evocato la serie Severance proprio per rendere memorabile questa separazione. Materiali di lavoro e account personali non devono mescolarsi senza controllo.
- Formare le persone sui casi reali. Quali documenti posso usare? Quali output devo controllare? Quando devo chiedere aiuto? Un vademecum funziona se permette di rispondere a queste domande.
Per approfondire, le FAQ della Commissione europea sull’alfabetizzazione AI collegano le competenze al contesto d’uso e ai rischi. È un riferimento utile per impostare la formazione, da affiancare alla valutazione delle regole applicabili alla propria organizzazione.
Decidere più velocemente significa decidere meglio?
La domanda conclusiva di Lorenzo era volutamente scomoda: l’AI ci aiuta a capire meglio i clienti oppure accelera le decisioni sbagliate?
Ho risposto distinguendo velocità di esecuzione e qualità del lavoro. Un report pronto in mezz’ora invece che in dieci ore può essere un progresso enorme. Bisogna però verificare che mantenga profondità, accuratezza e comprensione del problema.
Nel caso dei clienti, l’AI può aiutare a sintetizzare recensioni, analizzare ticket, individuare ricorrenze e suggerire azioni. Se il campione è incompleto, vecchio o rappresenta soltanto una parte della clientela, rischiamo di accelerare un’analisi già distorta in partenza. A questo si aggiungono gli errori del modello e le informazioni inventate.
Il profilo sui rischi dell’AI generativa del National Institute of Standards and Technology (NIST) offre un quadro per affrontare, tra gli altri, i rischi legati a confabulazioni e privacy. Tradotto nel lavoro quotidiano: chiedere riscontri, verificare i risultati e definire responsabilità deve far parte del processo.
Ho chiuso con una battuta che sintetizza bene il mio intervento: prima dell’AI potevamo capire male il cliente lentamente; oggi possiamo capirlo male in tempo reale.
Un esercizio per portare questi spunti in azienda
Per applicare il rapporto tra customer experience e AI, propongo di iniziare da un problema circoscritto. Per esempio: capire perché un gruppo di clienti ha chiesto più volte assistenza sullo stesso passaggio. Questo esercizio è un’elaborazione pratica dei temi discussi, non un caso aziendale raccontato nel webinar.
- Definisci la decisione. Vuoi riscrivere una procedura, correggere una comunicazione o approfondire un problema del servizio?
- Seleziona i materiali utilizzabili. Scegli un periodo, chiarisci cosa manca e prepara i dati secondo le regole aziendali.
- Fatti intervistare. Usa il metodo Socrate per far emergere obiettivi, vincoli e ipotesi implicite.
- Chiedi un’analisi verificabile. Per ogni tema emerso, fatti indicare i riscontri nei materiali e le informazioni mancanti. Tieni separate evidenze e interpretazioni.
- Controlla e prova un’azione. Confronta l’analisi con chi gestisce quei clienti, scegli un intervento limitato e stabilisci come capire se ha funzionato.
È così che vedo il valore dell’intelligenza artificiale nella relazione con i clienti: un aiuto a fare domande più precise, comprendere meglio le informazioni e preparare azioni che qualcuno sappia valutare. Sono temi su cui lavoro anche nel mio corso ChatGPT per aziende e professionisti, adattando esempi ed esercizi ai processi reali dei partecipanti.
Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Personalmente ho concentrato il mio intervento su come cambia la lettura al tempo di ChatGPT. Sono partito con una domanda pungente: chi legge i libri oggi? Forse ChatGPT. Ma soprattutto: chi li scrive? L’AI non è più solo una lettrice virtuale, ma diventa autrice, bibliotecaria, editor. Ma non è tutto negativo. Ho voluto dare molti esempi di come ChatGPT può potenziare e integrare la lettura: dalle colonne sonore per leggere ai testi trasformati in fumetti, dai suggerimenti di lettura all’interpretazione dei testi.