Un progetto di intelligenza artificiale dedicato ai clienti può sembrare semplice da avviare: si sceglie un modello, si costruisce un assistente e lo si collega al CRM, al sistema di assistenza o al data warehouse. Le prime prove permettono già di recuperare informazioni e formulare risposte utili. Quando però si passa a situazioni reali, emerge una difficoltà che le integrazioni, da sole, non risolvono: capire a quale cliente si riferiscono i dati e quale contesto descrivono.
Il CRM può contenere un contatto commerciale, la fatturazione un codice cliente e il prodotto un account utente. Le conversazioni con l'assistenza possono essere associate a un altro indirizzo email, mentre nello strumento di marketing automation possono convivere profili creati in momenti diversi. Ogni sistema conserva informazioni utili, ma collegarle richiede più di una corrispondenza tra campi: bisogna stabilire quali record riguardino la stessa persona, quanto siano aggiornati e come vadano interpretati insieme.
Nelle aziende B2B questo lavoro comprende anche le relazioni tra persone e organizzazioni. Un utente può essere amministratore di un account, referente per un contratto o dipendente di una controllata; può cambiare ruolo o passare a un'altra azienda senza che tutti i sistemi vengano aggiornati nello stesso momento. Un assistente che deve consigliare un commerciale o rispondere a una richiesta di supporto ha bisogno di comprendere queste relazioni per utilizzare correttamente le informazioni disponibili.
La scelta del modello, la progettazione dei prompt e la valutazione delle risposte restano importanti, ma vanno accompagnate da un lavoro sui dati che l'applicazione riceve. L'affidabilità di un progetto di Customer AI dipende anche dalla capacità dell'azienda di fornire una rappresentazione coerente del cliente, con informazioni riconducibili alle loro fonti e utilizzabili nel contesto previsto.
Collegare l'IA al CRM non basta
Il CRM è un punto di partenza naturale perché raccoglie contatti, opportunità e cronologia commerciale. La sua prospettiva, tuttavia, copre solo una parte della relazione con il cliente. Per capire come viene utilizzato un servizio possono servire gli eventi di prodotto; per conoscere lo stato di un abbonamento occorrono i dati di fatturazione; per valutare la soddisfazione del cliente può essere necessario consultare le richieste di assistenza. Collegare questi sistemi rende accessibili le informazioni, ma lascia aperto il problema di ricostruire una visione coerente.
Le difficoltà aumentano con il tempo. Le persone cambiano indirizzo email, si registrano prima con un account personale e poi con uno professionale, oppure compaiono in più database con identificativi diversi. Anche i consensi possono essere raccolti in un sistema senza essere propagati correttamente agli altri. Sono situazioni comuni in un'infrastruttura costruita attraverso strumenti introdotti in momenti differenti, ciascuno con le proprie regole e finalità.
Un operatore umano può accorgersi che un record è incompleto e cercare conferma altrove. Un'applicazione IA deve essere progettata per gestire la stessa incertezza: una risposta può apparire convincente anche quando si basa su informazioni parziali. Se mancano controlli sul contesto, l'assistente rischia di trasformare un dato incompleto in una raccomandazione che il cliente o il team commerciale considereranno attendibile.
Un assistente alle vendite, per esempio, potrebbe suggerire un'offerta aggiuntiva senza conoscere una disdetta recente o un problema critico ancora aperto con l'assistenza. Un sistema di personalizzazione potrebbe invece trattare come nuovo potenziale cliente una persona che acquista da anni, perché non riesce a collegare la sua attività ai record storici. Per correggere questi comportamenti occorre esaminare anche il profilo e le informazioni forniti all'applicazione, oltre alla risposta prodotta dal modello.
La necessità di un profilo cliente pronto per l'IA
Per molti anni i profili cliente sono stati costruiti soprattutto per segmentare la clientela, coordinare campagne, misurare risultati e sincronizzare audience con altri strumenti. Queste esigenze restano valide, ma un'applicazione IA impiegata nei processi operativi deve poter valutare anche l'attualità e il significato delle informazioni. Sapere che una persona appartiene a un segmento può essere utile; per decidere come interagire con lei occorre capire quando quel segmento è stato aggiornato, da quali dati deriva e se sia pertinente alla situazione corrente.
Un profilo cliente pronto per l'IA dovrebbe quindi raccogliere le informazioni necessarie a interpretare la relazione con il cliente. Dovrebbe rendere comprensibili i collegamenti tra le identità, distinguere una persona dall'organizzazione a cui appartiene, indicare le fonti che hanno contribuito ai dati e conservare il contesto degli avvenimenti recenti. La provenienza e l'aggiornamento delle informazioni aiutano a valutarne l'affidabilità, soprattutto quando sistemi diversi restituiscono indicazioni che sembrano contraddittorie.
A questa rappresentazione devono accompagnarsi regole chiare di utilizzo. Le applicazioni possono avere finalità e autorizzazioni differenti, perciò il profilo reso disponibile a un assistente commerciale non deve necessariamente coincidere con quello utilizzato dall'assistenza o da un motore di personalizzazione. Governare il profilo significa anche definire quali informazioni ciascuna applicazione possa ricevere e per quali scopi, tenendo conto dei consensi e degli altri vincoli applicabili.
Il problema dei dati «quasi giusti»
I dati imperfetti fanno parte del lavoro quotidiano di molte aziende. Un duplicato nel CRM può essere corretto, un evento mancante può essere individuato durante un'analisi e un segmento poco preciso può essere rivisto prima della campagna successiva. Quando questi stessi dati alimentano un processo automatizzato, gli errori possono propagarsi più rapidamente e raggiungere direttamente il cliente attraverso una risposta, una proposta commerciale o un'azione sul suo account.
Le situazioni più difficili da riconoscere sono quelle in cui le singole informazioni sembrano corrette. Un cliente può risultare attivo nel CRM, avere un abbonamento cessato nella fatturazione ed essere ancora incluso in un'audience creata mesi prima. I record possono descrivere momenti o aspetti diversi della relazione: per interpretarli occorre conoscere il significato degli stati, la data degli aggiornamenti e le identità a cui si riferiscono. L'integrazione tecnica può funzionare perfettamente e lasciare comunque all'applicazione un quadro ambiguo.
Un caso che richiama l'importanza di verificare le informazioni comunicate ai clienti è Moffatt contro Air Canada. Nel 2024 il Civil Resolution Tribunal della Columbia Britannica ha ritenuto Air Canada responsabile delle informazioni inesatte fornite dal chatbot del suo sito sulle tariffe per viaggi dovuti a un lutto. Il tribunale ha rilevato che la compagnia non aveva adottato ragionevoli misure per garantire l'accuratezza del chatbot.
Il caso riguarda le informazioni sulle condizioni tariffarie e non dimostra, di per sé, un errore di identity resolution o di unificazione dei profili. È pertinente al tema dell'affidabilità perché mostra le conseguenze che può avere una risposta inesatta fornita attraverso un canale aziendale. Nel caso delle applicazioni che utilizzano dati dei clienti, la verifica riguarda anche l'identità della persona, la provenienza delle informazioni, il loro aggiornamento e gli utilizzi consentiti.
Un profilo affidabile deve dunque permettere di valutare un'informazione rispetto allo scopo per cui viene utilizzata. La correttezza di un singolo campo è solo una parte di questo lavoro: contano anche il contesto, le relazioni con gli altri dati e la possibilità di ricostruire come si è arrivati a quella rappresentazione del cliente.
La domanda sul CDP: è sufficiente?
Le Customer Data Platform possono svolgere un ruolo importante in questo lavoro. Sono nate per raccogliere dati da sorgenti diverse, collegare identità, costruire profili e rendere le informazioni utilizzabili attraverso segmenti e attivazioni. Queste capacità permettono di affrontare una parte rilevante della frammentazione che un'applicazione IA incontra quando accede direttamente ai singoli sistemi.
La valutazione deve però considerare come la piattaforma costruisce e rende disponibili i profili. Un sistema progettato per selezionare i destinatari di una campagna può soddisfare bene quel bisogno senza offrire tutto il contesto necessario a un assistente che opera durante una conversazione con il cliente. In quel momento possono diventare determinanti la provenienza di un attributo, un cambiamento recente nello stato dell'account, il motivo per cui due identità sono state collegate o la disponibilità delle autorizzazioni richieste.
Per questo, nel valutare un CDP a supporto della Customer AI, conviene verificare quanto siano comprensibili le regole di unificazione, come vengano gestiti aggiornamenti e conflitti e quali controlli governino l'accesso ai dati. La presenza di connettori e strumenti per creare audience è utile, ma va considerata insieme alla capacità di fornire alle applicazioni una rappresentazione del cliente coerente con le decisioni che dovranno prendere.
L'IA non ha bisogno di più dati
La disponibilità di grandi quantità di dati può far pensare che basti ampliare le sorgenti accessibili all'IA per migliorarne i risultati. Aggiungere eventi, attributi e record storici, però, aumenta anche il lavoro necessario per interpretarli. Se le identità sono incoerenti o il significato dei campi cambia tra sistemi, una maggiore quantità di informazioni può rendere più difficile distinguere ciò che è rilevante per una determinata interazione.
Gli eventi grezzi mantengono il loro valore perché aiutano a ricostruire la cronologia. I record di CRM, fatturazione, assistenza e prodotto descrivono aspetti diversi dell'attività aziendale, mentre le note interne possono aggiungere contesto. Conservare il collegamento con queste fonti permette di esaminare il percorso seguito dai dati e di rivedere la costruzione del profilo quando cambiano le regole o emergono errori.
Tra le sorgenti e le applicazioni serve quindi un lavoro di selezione e organizzazione. Una base dati affidabile conserva le informazioni originali e rende disponibili viste del cliente adatte ai diversi utilizzi. In questo modo un'applicazione può ricevere il contesto necessario al proprio compito, con riferimenti alle fonti e controlli sugli accessi, senza dover interpretare ogni volta l'intero insieme di dati raccolto dall'azienda.
La fiducia nel modello parte dalla fiducia nei dati
La valutazione di un sistema IA comprende aspetti come accuratezza, allucinazioni, sicurezza, prompt injection e qualità dei prompt. Il lavoro sul contesto cliente va affiancato a queste verifiche, perché una risposta ben formulata può comunque riferirsi alla persona sbagliata o utilizzare informazioni non più attuali. Allo stesso modo, dati ben organizzati non eliminano la necessità di valutare il comportamento del modello e dell'applicazione.
Per ogni informazione utilizzata dovrebbe essere possibile ricostruire la fonte, la data di aggiornamento e le regole che l'hanno associata a un profilo. Occorre inoltre verificare che i consensi e le autorizzazioni siano coerenti con l'uso previsto e che eventuali cambiamenti vengano recepiti dalle applicazioni interessate. Se cambiano gli identificatori o le regole di identity resolution, la possibilità di ricostruire i profili a partire dai dati originali consente di correggere i collegamenti conservando la cronologia.
Queste verifiche richiedono il contributo di più team. Chi gestisce i dati conosce sorgenti e trasformazioni, chi sviluppa l'applicazione ne definisce il comportamento e chi lavora con i clienti può individuare incongruenze che emergono nelle interazioni quotidiane. Mettere in relazione queste competenze aiuta a definire che cosa debba contenere il profilo e quali condizioni debbano essere soddisfatte prima che venga utilizzato in un processo automatizzato.
Prima dell'IA, costruire le fondamenta dei dati dei clienti
Preparare un progetto di Customer AI significa quindi esaminare anche il modo in cui l'azienda conosce e rappresenta i propri clienti. Un punto di partenza concreto è individuare i sistemi che conservano informazioni rilevanti, capire come vengono collegate le identità e verificare quali aggiornamenti arrivino effettivamente alle applicazioni. Questo lavoro può far emergere problemi già presenti, che l'uso operativo dell'IA rende più visibili e più urgenti da affrontare.
Una piattaforma dati può contribuire raccogliendo eventi e record, unificando le identità, mantenendo la tracciabilità delle sorgenti e fornendo profili accessibili secondo le regole definite dall'azienda. Il suo valore dipende anche da quanto rende comprensibile questa costruzione: i team devono poter esaminare i collegamenti, correggere gli errori e adattare i profili a esigenze che cambiano nel tempo.
Su questa base diventa più semplice valutare quali applicazioni IA possano offrire un servizio utile e con quali controlli. L'azienda dispone di una rappresentazione del cliente su cui lavorare, anziché affidare a ogni assistente il compito di ricomporre informazioni sparse. È un passaggio che collega la qualità dei dati alla qualità delle interazioni e permette di affrontare insieme gli aspetti tecnici e quelli operativi del progetto.
Il prossimo articolo della serie approfondisce come costruire un profilo cliente pronto per l'IA, esaminando le informazioni che dovrebbe contenere e le differenze rispetto a un record del CRM o a un profilo utilizzato soprattutto per il marketing.
Se stai valutando un progetto di Customer AI, puoi contattare il team Krenalis per confrontarti sulla tua infrastruttura dati o iscriverti alla newsletter per seguire i prossimi approfondimenti.