Un’analisi tecnica di sei funzioni AI che hanno ridotto il carico di lavoro del supporto del 48,5%. Scopri i problemi specifici che ciascuna risolve, l’approccio all’implementazione e i risultati misurabili da un leader delle operazioni di supporto.
Jozef Štofira ha trascorso oltre 15 anni gestendo team tecnici globali e scalando il supporto in oltre 100 mercati, e ora guida le operazioni di supporto clienti presso Quality Unit. La sua ultima presentazione all’E-commerce Mastermind si è concentrata non sulla teoria dell’AI, ma sulle funzioni AI specifiche che il team di LiveAgent ha implementato utilizzando FlowHunt e sui risultati misurabili che hanno ottenuto.
Quello che segue è la sua analisi di sei funzioni AI distinte, di come ciascuna affronta specifici colli di bottiglia del supporto e dei miglioramenti operativi che il suo team ha documentato.
Se sei interessato alla storia completa dell’implementazione AI di LiveAgent con metriche dettagliate, consulta la nostra storia di successo di LiveAgent .
Molti team di supporto affronteranno prima o poi lo stesso problema: il volume dei ticket cresce più velocemente dei budget. L’approccio tradizionale di scalare il personale proporzionalmente al volume dei ticket alla fine incontra vincoli finanziari. Nel frattempo, gli agenti esistenti sovraccarichi sperimentano il burnout a causa di richieste ripetitive che consumano tempo che sarebbe meglio speso su problemi reali dei clienti.
L’approccio di Jozef Štofira si è concentrato sull’identificare quali compiti di supporto le macchine potevano gestire meglio degli umani e filtrarli. L’obiettivo finale era reindirizzare l’attenzione degli agenti verso interazioni di alto valore dove il giudizio umano, l’empatia e l’esperienza contano di più.
Jozef Štofira ha presentato un’implementazione AI strutturata attorno a funzioni discrete, ciascuna rivolta a uno specifico collo di bottiglia del supporto. Piuttosto che implementare un “sistema di supporto AI” monolitico, il suo team ha implementato soluzioni che affrontano direttamente inefficienze specifiche.
Il Problema: Un sovraccarico di domande ripetitive, domande pre-vendita e richieste di informazioni generali non correlate alle effettive esigenze di supporto del prodotto.
La Soluzione: Chatbot AI di FlowHunt collegato direttamente alla documentazione e alla base di conoscenza di LiveAgent, implementato specificamente solo su pagine ad alto traffico e bassa complessità.
Il Risultato: Riduzione del 48,5% del volume di chat dal vivo manuale. LiveAgent è passato da 3.500 conversazioni mensili che richiedevano agenti umani a 1.800. Il chatbot ora gestisce la differenza in modo autonomo, filtrando le richieste ed escalando solo quelle che richiedono realmente competenza umana.
La decisione critica è stata creare un chatbot che non tenta di gestire tutto. Si concentra solo sulla deflection delle domande di base, sulla ricerca della documentazione e sull’aiuto con la risoluzione dei problemi semplici, escalando immediatamente la complessità di Livello 2 agli agenti umani.
Il Problema: I filtri antispam tradizionali falliscono contro approcci a freddo sofisticati e messaggi semi-rilevanti che tecnicamente non sono spam ma non sono nemmeno richieste di supporto valide.
La Soluzione: Analisi AI del contesto e dell’intento piuttosto che corrispondenza di parole chiave. Il sistema valuta se un messaggio in arrivo rappresenta una reale esigenza di supporto o dovrebbe essere chiuso automaticamente.
Il Risultato: Con un volume di oltre 2.000 ticket mensili, questo elimina 3-6 ore di tempo puro degli agenti mensili speso nella revisione manuale dello spam.
La differenza è che i sistemi basati su regole cercano schemi, mentre l’AI valuta l’intento. Un’email di vendita a freddo potrebbe non attivare parole chiave spam basate su regole, ma chiaramente non è una richiesta di supporto che richiede attenzione da parte dell’agente.
Il Problema: La categorizzazione manuale sotto pressione temporale porta a incoerenza e lacune. Prima dell’implementazione dell’AI, il 15% dei ticket rimaneva non categorizzato, creando punti ciechi nell’analisi del supporto e nell’allocazione delle risorse.
La Soluzione: Analisi AI automatica e assegnazione di categoria tramite API nel momento in cui i ticket entrano nel sistema.
Il Risultato: Completa eliminazione dei ticket non categorizzati (dal 15% allo 0%). A volumi superiori a 10.000 ticket, si risparmiano 14-28 ore mensili.
L’impatto più ampio è che la leadership del supporto ora dispone di dati accurati e completi per l’analisi delle tendenze, la pianificazione della capacità e la misurazione delle prestazioni del team—dati precedentemente corrotti dalla categorizzazione manuale incoerente.
Il Problema: I clienti inviano frequentemente richieste di supporto prive di informazioni essenziali necessarie per la risoluzione. Gli agenti rivedono manualmente, identificano le lacune e richiedono dettagli aggiuntivi, il che ritarda la risoluzione e consuma capacità.
La Soluzione: Il chatbot FlowHunt esegue controlli di validazione sulle richieste in arrivo. Il chatbot identifica le informazioni mancanti e le richiede immediatamente. Per le richieste complete e valide, il sistema fornisce riconoscimento istantaneo e instradamento appropriato.
Il Risultato: 5-10 ore mensili risparmiate con un volume di oltre 600 richieste, più un miglioramento significativo dell’esperienza del cliente attraverso feedback immediato piuttosto che richieste ritardate di chiarimenti.
I clienti ora ricevono guida istantanea su ciò che è necessario, invece di aspettare che un agente chieda ulteriori informazioni. Questo accelera notevolmente il tempo complessivo di risoluzione.
Il Problema: Anche quando gli agenti devono gestire personalmente i ticket, il tempo viene sprecato nella stesura delle risposte, nella ricerca della documentazione e nell’assicurare un tono di marca coerente e accuratezza tecnica.
La Soluzione: Le bozze di risposta generate dall’AI di FlowHunt estraggono informazioni rilevanti dalla base di conoscenza senza alcun input manuale dell’agente. Tutto ciò che resta da fare è rivedere, apportare modifiche e inviare. Anche per risposte complesse, gli agenti possono semplicemente fornire brevi istruzioni che l’AI espande in risposte complete e formattate professionalmente.
Il Risultato: 2-3 minuti risparmiati per risposta. Con oltre 4.000 risposte mensili che richiedono questo livello di coinvolgimento, si risparmiano circa 166 ore mensili.
Questo ha anche un impatto positivo sulla formazione. I nuovi agenti possono produrre immediatamente risposte di livello esperto grazie all’accesso completo alla base di conoscenza attraverso l’AI, eliminando lo stress di leggere freneticamente la documentazione.
Il Problema: Determinare quando l’automazione dovrebbe gestire un’interazione rispetto a quando è necessaria l’attenzione umana, e garantire transizioni fluide che non costringano i clienti a ripetere le informazioni.
La Soluzione: Definire regole di escalation per determinare quando il chatbot FlowHunt risponde in modo indipendente rispetto a quando trasferisce agli agenti umani. La cronologia completa della conversazione e il contesto passano con ogni trasferimento.
Il Risultato: I clienti sperimentano transizioni senza soluzione di continuità. Gli agenti ricevono il contesto completo e possono continuare le conversazioni in modo naturale invece di ricominciare da zero.
Questa funzione non riguarda la massimizzazione della percentuale di automazione, ma l’ottimizzazione del confine tra ciò che gestiscono le macchine e ciò che gestiscono gli umani, assicurando che ciascuno operi nella propria area di forza.
Inizia oggi la tua prova gratuita e vedi i risultati in pochi giorni.
Jozef ha incluso un esempio di come queste sei funzioni si integrano durante un ciclo di vita completo della richiesta di supporto, dal contatto iniziale del cliente alla risoluzione:
Fase 1: Acquisizione Intelligente
Quando un cliente avvia il contatto, due funzioni AI si attivano immediatamente. L’anti-spam valuta se si tratta di una reale esigenza di supporto o se dovrebbe essere chiuso automaticamente. Simultaneamente, la categorizzazione automatica analizza il contenuto e assegna tag appropriati prima che avvenga qualsiasi revisione umana.
Questo filtraggio in prima linea garantisce che gli agenti vedano solo richieste di supporto legittime che sono già correttamente categorizzate per l’instradamento e la prioritizzazione.
Fase 2: Gestione Chat Ibrida
Il chatbot FlowHunt gestisce le conversazioni in arrivo e risponde direttamente alle richieste semplici. Quando la complessità supera le capacità del bot o i clienti richiedono esplicitamente assistenza umana, l’escalation intelligente trasferisce la conversazione agli agenti dal vivo con contesto completo.
Questo crea un sistema a livelli dove l’AI gestisce ciò che può, e gli umani gestiscono ciò che dovrebbero, con un trasferimento senza soluzione di continuità che garantisce che i clienti non sperimentino mai attrito nel punto di transizione.
Fase 3: Accelerazione Agente
Per le richieste che richiedono gestione umana, l’assistente per risposte alimentato da FlowHunt è disponibile nella finestra di risposta. Può generare bozze di risposta utilizzando informazioni rilevanti dalla documentazione e fornire agli agenti un punto di partenza o ridurre significativamente il tempo speso nella ricerca di risposte.
Nel frattempo, l’automazione gestisce riconoscimenti di routine e risposte standard, come conferme di richieste demo, senza alcun coinvolgimento dell’agente.
Fase 4: Loop di Apprendimento Continuo
La fase finale prevede l’estrazione delle lacune di conoscenza identificate durante le interazioni gestite da umani. Quando le conversazioni del chatbot rivelano domande a cui l’AI non poteva rispondere dalla documentazione esistente, il sistema cattura la risoluzione esperta fornita dagli agenti umani.
Queste informazioni diventano la base per nuovi articoli della base di conoscenza, espandendo le capacità del chatbot nel tempo senza richiedere lo sviluppo manuale della base di conoscenza. Il sistema impara da ogni interazione che non può automatizzare completamente.
Il team di LiveAgent non ha implementato tutte e sei le funzioni simultaneamente. Proprio come Michal Lichner ha delineato nella sua guida all’implementazione dell’AI , hanno implementato in modo incrementale, iniziando con le funzioni con il maggiore impatto e la minore complessità, e hanno continuato con il monitoraggio quotidiano di tutte le funzioni.
Il chatbot è stato lanciato inizialmente su specifiche sezioni del sito web dove il traffico mal indirizzato era più pesante, come blog e pagine di glossario, invece delle cruciali pagine di supporto del prodotto. Questo ha permesso al team di perfezionare i prompt, espandere le FAQ e validare le prestazioni prima di espandersi a scenari di supporto tecnico più complessi.
La categorizzazione automatica è arrivata successivamente, affrontando il problema immediato dell’integrità dei dati che danneggiava l’analisi del supporto. Una volta stabilita la categorizzazione accurata, altre funzioni che dipendevano dall’instradamento e dalla prioritizzazione corretti potevano costruire su quella base.
L’assistente per risposte è stato implementato per ultimo tra le funzioni rivolte ai clienti, dopo che il team aveva costruito fiducia nella capacità dell’AI di mantenere il tono di marca e l’accuratezza tecnica attraverso implementazioni meno visibili.
Ogni funzione è stata sottoposta a monitoraggio quotidiano durante l’implementazione iniziale. Il team ha perfezionato i prompt del sistema, espanso le basi di conoscenza e regolato le regole di escalation basandosi su interazioni reali dei clienti piuttosto che su scenari teorici.
Ricevi gratuitamente gli ultimi consigli, tendenze e offerte.
Le funzioni AI si integrano direttamente con l’infrastruttura helpdesk esistente di LiveAgent attraverso connessioni API piuttosto che richiedere una sostituzione completa del sistema. Questo ha permesso l’implementazione incrementale senza interrompere le operazioni in corso.
L’integrazione della base di conoscenza utilizza la documentazione aziendale approvata come fonte di verità piuttosto che affidarsi alla formazione generale dell’AI. Questo riduce drasticamente il rischio di allucinazioni e garantisce risposte coerenti e accurate allineate con le effettive politiche e procedure aziendali.
Il sistema di escalation utilizza regole definite piuttosto che decisioni probabilistiche. Quando si verificano trigger specifici—il cliente richiede esplicitamente assistenza umana, la fiducia dell’AI scende sotto la soglia, la complessità della conversazione supera i parametri definiti—il trasferimento avviene automaticamente con trasferimento completo del contesto.
La validazione delle richieste opera attraverso la corrispondenza dei modelli e il controllo dei campi obbligatori piuttosto che tentare di comprendere stili di comunicazione arbitrari dei clienti. Questo approccio pragmatico affronta il 90% delle sottomissioni incomplete senza la complessità della comprensione del linguaggio naturale.
Riflettendo sull’implementazione, Štofira identifica anche i prerequisiti che devono esistere prima che l’AI possa fornire questi risultati:
Conoscenza Organizzata: Una documentazione completa e ben mantenuta è cruciale. L’AI non può organizzare magicamente la conoscenza tribale dispersa. Ha bisogno di informazioni strutturate e accessibili con cui lavorare.
Definizione Chiara dei Processi: Le regole di escalation, gli schemi di categorizzazione e i modelli di risposta dovevano essere esplicitamente definiti. L’AI ha bisogno di una struttura entro cui operare, non di vaghe linee guida sul “buon giudizio”.
Impegno all’Iterazione: Le prestazioni attuali sono il risultato di mesi di perfezionamento, non dell’implementazione iniziale. Il team si è impegnato al monitoraggio quotidiano, al miglioramento continuo dei prompt e all’espansione continua delle FAQ basata su interazioni reali dei clienti.
Capacità di Integrazione: La capacità di connettere funzioni AI con sistemi esistenti attraverso le API ha reso possibile l’implementazione incrementale. Senza questo, il team avrebbe affrontato una sostituzione del sistema tutto o niente che sarebbe stata troppo rischiosa da tentare.
Aspettative Realistiche: Il management ha compreso che l’AI avrebbe richiesto tempo di apprendimento e non avrebbe raggiunto prestazioni di picco immediatamente. Questa pazienza ha permesso al team di ottimizzare correttamente piuttosto che abbandonare i sistemi al primo segno di imperfezione.
La presentazione si è conclusa con una breve menzione delle direzioni future che il suo team sta esplorando. Queste includono l’espansione delle capacità dell’assistente per risposte AI ai ticket basati su email oltre alla chat, lo sviluppo di flussi di lavoro automatizzati che trasformano le interazioni di supporto risolte in articoli della base di conoscenza e l’estensione dell’elaborazione autonoma dei ticket a canali di comunicazione aggiuntivi inclusi WhatsApp e piattaforme di social media.
Questo framework offre una guida pratica per i leader del supporto che valutano da dove iniziare con l’AI.
È importante iniziare identificando le interazioni di supporto con il volume più alto e più ripetitive. Queste rappresentano i migliori obiettivi iniziali perché il successo è più raggiungibile e l’impatto è più misurabile. Questo approccio ti salverà dal burnout precoce. Ricorda di non aspettarti la perfezione fin da subito, ma di monitorare le prestazioni e trovare spazio per il miglioramento. Solo con regole chiare, fonti di conoscenza sufficienti e un loop di apprendimento l’AI può davvero iniziare a beneficiare le tue operazioni di supporto.
I risultati di LiveAgent dimostrano che l’AI nel supporto clienti funziona quando implementata con attenzione con criteri di successo chiari e aspettative realistiche. La domanda non è se l’AI possa migliorare le operazioni di supporto, ma piuttosto se i team possono impegnarsi nell’approccio sistematico, funzione per funzione, che rende tali miglioramenti sostenibili.
Il framework operativo di Jozef mostra come le funzioni AI funzionano nella pratica, gestendo la realtà quotidiana del supporto clienti su larga scala. Se sei interessato all’implementazione complessa dell’AI, consulta i nostri altri articoli della serie:
La roadmap di implementazione di Michal Lichner ha stabilito le basi strategiche—dove concentrare gli sforzi dell’AI e come preparare contenuti e processi sistematicamente prima dell’implementazione.
L’infrastruttura tecnica di Viktor Zeman garantisce che una volta automatizzate le operazioni di supporto, i clienti possano effettivamente scoprirti attraverso la ricerca mediata dall’AI e i protocolli di commercio.
Insieme, queste tre prospettive formano un quadro completo: pianificazione strategica, esecuzione operativa e infrastruttura tecnica per l’e-commerce in un ambiente di commercio mediato dall’AI.
Le sei funzioni sono: (1) Chatbot AI per la deflection delle richieste di Livello 1, (2) Anti-spam attraverso l'analisi contestuale, (3) Categorizzazione automatica per l'integrità dei dati, (4) Validazione delle richieste e controllo della completezza, (5) Assistente per risposte per accelerare le risposte, e (6) Escalation intelligente e trasferimento. Ogni funzione si rivolge a uno specifico collo di bottiglia operativo piuttosto che tentare una trasformazione AI monolitica.
Implementare in modo incrementale, funzione per funzione, iniziando dalle interazioni con il volume più alto e più ripetitive. Distribuire ogni funzione individualmente, validare il successo con metriche misurabili, quindi espandere. Iniziare con aree come le chat delle pagine blog o la categorizzazione automatica dove il successo è più raggiungibile, costruendo fiducia prima di affrontare scenari di supporto tecnico. Pianificare mesi di ottimizzazione, non giorni di distribuzione.
I prerequisiti essenziali includono: basi di conoscenza organizzate e accessibili con documentazione completa; definizioni di processo chiare per regole di escalation e schemi di categorizzazione; capacità di integrazione API con i sistemi helpdesk esistenti; impegno al monitoraggio quotidiano e al miglioramento iterativo; e aspettative realistiche che le prestazioni attuali richiedono mesi di perfezionamento, non perfezione immediata.
Il ciclo di vita integra tutte le funzioni: Fase 1 (Acquisizione Intelligente) utilizza anti-spam e categorizzazione automatica per filtrare e instradare le richieste. Fase 2 (Accelerazione Agente) attiva l'assistente per risposte per le bozze di risposta e automatizza i riconoscimenti di routine. Fase 3 (Chat Ibrida) combina la gestione del chatbot con l'escalation intelligente agli agenti umani. Fase 4 (Loop di Apprendimento) cattura le lacune di conoscenza dalle interazioni umane per espandere le capacità AI nel tempo.
Maria è una copywriter presso FlowHunt. Appassionata di lingue e attiva nelle comunità letterarie, è pienamente consapevole che l’IA sta trasformando il nostro modo di scrivere. Invece di opporsi a questo cambiamento, cerca di contribuire a definire il perfetto equilibrio tra i flussi di lavoro AI e l’insostituibile valore della creatività umana.
Costruisci le stesse sei funzioni AI che hanno trasformato il team di supporto di LiveAgent: deflection chatbot, anti-spam, categorizzazione automatica, validazione richieste, assistenza risposte ed escalation intelligente.
Scopri come il team di supporto di LiveAgent ha implementato il chatbot AI di FlowHunt per automatizzare la categorizzazione dei ticket, garantire un passaggio ...
FlowHunt consente un'automazione AI senza sforzo con una piattaforma no-code, permettendo agli utenti di creare strumenti personalizzati. Fondata da QualityUnit...
Scopri come progettare, costruire e distribuire un bot di assistenza clienti AI attivo 24/7. Include casi studio reali, analisi tecnica, best practice, passaggi...
Consenso Cookie
Usiamo i cookie per migliorare la tua esperienza di navigazione e analizzare il nostro traffico. See our privacy policy.
