Vadim Shchepinov di Spitch spiega come affrontare con successo le sfide che l’implementazione dell’IA conversazionale pone davanti.

ia-conversazionale

In questo articolo, Vadim Shchepinov, Product Director, Vice CEO di Spitch ci spiega per quale motivo i progetti di IA conversazionale possono non riscontrare il successo sperato e quali strategie di orchestrazione e di implementazione possono impiegare le aziende per sviluppare al meglio il valore aggiunto dell’IA.

I progetti di intelligenza artificiale (IA) conversazionale, come i chatbot e gli agenti virtuali, sono stati ampiamente considerati come un modo rivoluzionario per migliorare il customer service e il tasso di engagement della clientela. Tuttavia, è fondamentale capire come utilizzare questa tecnologia in modo strategico nei diversi dipartimenti aziendali, al fine ultimo di integrarla nell’organizzazione e ottenere risultati costanti.

Secondo il 33% dei partecipanti di un recente sondaggio McKinsey, l’IA è integrata in almeno una funzione aziendale, ma allo stesso tempo, solo un quarto degli intervistati ha dichiarato che l’IA ha portato benefici alla propria bottom line (riportando un aumento del 5% degli utili).

Ma per quale motivo i progetti di IA conversazionale non riscontrano il successo sperato?

ia-conversazionale

1. Le IA vivono entro i limiti dell’umano.

I clienti hanno sempre ragione, naturalmente, ma di tanto in tanto tendono a proporre problemi formulati in modi poco comprensibili, tanto per un umano quanto per un’IA.

L’intelligenza artificiale è in grado di fare le cose più velocemente, di elaborare grandi quantità di informazioni in frazioni di secondo, ma di fronte a una domanda mal posta, si trova ugualmente in difficoltà.

Il lato positivo è che i robot rimangono sempre cortesi, anche quando gli esseri umani vacillano, e possono riconoscere le intenzioni reali anche quando l’interlocutore non è sicuro di ciò che sta accadendo. Ad esempio, un bot vocale di una compagnia telco è in grado di determinare correttamente che l’intento era quello di risolvere un problema di connessione a Internet, ricevendo come input dal cliente una lamentela sulle difficoltà nel caricare le foto su Instagram.

2. I chatbot non possono “chattare” senza appoggiarsi prima a una KB significativa

Non esistono opzioni plug-and-play: anche le soluzioni conversazionali out-of-the-box si basano su modelli linguistici che devono essere perfezionati attraverso il machine learning per essere accurati. Lo stesso ChatGPT, ad esempio, non potrebbe operare senza collegarsi a una specifica knowledge base interna da cui attingere per le proprie risposte. Affinché l’IA conversazionale risulti efficace, deve essere implementata come parte di una strategia più ampia, mirata alla raccolta dei dati rilevanti, a un fine-tuning dell’accuratezza del riconoscimento e alla creazione di una knowledge base che dia vita a risposte ed azioni corrette.

3. L’automazione non comporta automaticamente un risultato

Anche quando un chatbot è alimentato dal miglior motore NLU disponibile e da un modello linguistico molto vasto, l’automazione dei processi aziendali potrebbe non essere in grado di soddisfare tutte le esigenze dei clienti, oppure l’agente umano che gestisce la conversazione potrebbe non essere in grado di risolvere il problema. Questo perché l’IA riguarda anche l’orchestrazione dei contatti, l’ottimizzazione dei processi di business e il potenziamento degli agenti virtuali e non. La chiave del successo, quindi, consiste nell’affrontare reali e specifici problemi aziendali per migliorare l’efficienza e ridurre i costi. Questo approccio dovrebbe essere parte di una strategia su più fronti, incentrata sul rafforzamento degli assistenti virtuali e degli agenti umani per assistere efficacemente i clienti. L’accuratezza del motore NLU che sta alla base dell’IA conversazionale è molto meno importante come fattore di successo rispetto al processo aziendale e alla gestione della risoluzione dei problemi e degli intenti dei clienti identificati dall’IA.

4. Limitazioni tecnologiche

Esistono anche delle limitazioni tecnologiche. Anche con un approccio “a basso rischio” che impieghi i più recenti modelli universali end-to-end e specifici domini per automatizzare le FAQ, i chatbot possono comunque fraintendere i clienti a causa dei limiti del NLU. Il livello massimo di accuratezza raggiungibile rimane intorno al 95% e c’è ben poco da fare al riguardo, a prescindere dagli investimenti sia in termini di sforzi che di denaro.

L’epica gara per la supremazia dell’IA tra i giganti tecnologici, determinata dalla potenza di calcolo e dalle dimensioni dei modelli linguistici, continuerà, ma secondo le stime di Epoch, ai ritmi attuali “i grandi modelli linguistici esauriranno i testi di alta qualità su Internet entro il 2026 (anche se altri formati meno sfruttati, come i video, rimarranno abbondanti per un po’)”. È probabile che questo raddoppi l’importanza del riconoscimento vocale ad alta precisione, ma il tasso di imprecisione del 4-5% rimarrà; e la ricerca d’avanguardia in questo settore sta già iniziando a concentrarsi sulla messa a punto di nuovi modelli, rendendoli più compatti e mirati.

Sebbene le soluzioni di content-generation universali come ChatGPT possano essere popolari e contribuire a creare fiducia nell’IA conversazionale, potrebbero non allinearsi immediatamente con le priorità delle strutture di assistenza clienti e risorse umane di banche e compagnie assicurative, che come altri settori hanno esigenze specifiche per gestire le proprie interazioni con i clienti, l’assistenza ai dipendenti e l’elaborazione automatica delle chiamate.

Come superare tutte queste sfide dell’IA conversazionale?

ia-conversazionale

Il vantaggio delle piattaforme di IA conversazionale

Una soluzione sempre più adottata dalle aziende è rivolgersi a piattaforme uniche di IA conversazionale dotate di funzionalità di apprendimento assistito e feedback umano. Queste piattaforme utilizzano i dati degli utenti per mettere a punto modelli specifici per il settore e forniscono soluzioni comprovate per i casi d’uso di quel determinato ambito, consentendo alle aziende di migliorare l’esperienza del cliente e aumentare l’efficienza.

I progetti di IA conversazionale non possono tuttavia essere considerati una soluzione pronta all’uso: per essere efficaci, devono essere implementati come parte di una strategia più ampia per incorporare l’IA in un’azienda, che dovrà considerare i limiti dell’NLU e la necessaria sinergia con gli agenti umani.

ia-conversazionale

 

di Vadim Shchepinov, Product Director, Vice CEO di Spitch