Un chatbot per il customer service conviene quando le richieste ripetitive e documentabili sono la voce principale del volume in ingresso, e il fornitore sa integrarlo con il CRM, il gestionale e il flusso di escalation verso gli operatori. Prima di firmare vanno chieste nove cose: fonte delle risposte, integrazione, escalation, dati, metriche, costi, aggiornamento, conformità e chi risponde quando sbaglia.
Un agente AI per il customer service è un software conversazionale che risponde ai clienti in linguaggio naturale, recupera informazioni dai sistemi aziendali (CRM, ordini, ticket, knowledge base) e completa operazioni come l'apertura di un ticket, la verifica dello stato di un ordine o la prenotazione di un intervento. Si distingue dal chatbot a flussi predefiniti perché interpreta la richiesta e decide quale azione compiere, invece di seguire un albero di scelte.
Il mercato spinge in questa direzione: Gartner prevede che entro il 2029 l'AI agentica risolverà in autonomia l'80% delle richieste comuni di customer service. Il punto per un'azienda B2B o un e-commerce italiano non è se, ma con chi e con quale perimetro. Questa guida elenca le domande che distinguono un fornitore che consegna un sistema da uno che consegna una demo.
Quando un chatbot per il customer service conviene davvero
Prima di valutare fornitori serve una misura interna. Prendi le richieste degli ultimi tre mesi (email, telefonate, ticket, chat) e classificale in tre gruppi.
- Ripetitive e documentabili: stato ordine, tempi di consegna, disponibilità, documenti (fatture, schede tecniche, manuali), procedure standard di reso o garanzia. Un agente AI le risolve senza intervento umano.
- Ripetitive ma con dati del cliente: condizioni contrattuali, listino personalizzato, storico acquisti. Risolvibili solo se l'agente è integrato con CRM ed ERP.
- Non ripetitive: reclami complessi, trattative, problemi tecnici nuovi. Vanno a un operatore, e l'agente deve saperlo riconoscere e passare il contesto.
Se il primo gruppo è il più numeroso, il progetto si ripaga sul tempo degli operatori, e la misura fatta in questa fase è il termine di confronto per il ritorno. Se il secondo gruppo è rilevante, la variabile decisiva diventa l'integrazione, e il fornitore va scelto su quella. Se prevale il terzo, il chatbot non è la priorità: lo è un Service Hub con ticketing e routing.
Le 9 domande da fare a chi sviluppa il chatbot
1. Da dove prende le risposte e cosa succede se non le trova?
La risposta deve nominare la knowledge base, i documenti, il CRM e i sistemi collegati, e spiegare la regola quando l'informazione manca: l'agente deve dire che non sa e passare a un operatore, non inventare. Chiedi una demo con una domanda fuori perimetro e osserva cosa fa. Su come si costruisce la base documentale abbiamo scritto una guida su perché la knowledge base è il vero collo di bottiglia di un chatbot AI.
2. Come si integra con il CRM e con il gestionale?
Un agente che non legge il CRM risponde come un sito web. Chiedi quali oggetti legge e scrive (contatti, aziende, ticket, ordini), in quale direzione, con quale frequenza, e se ogni conversazione finisce nella scheda cliente del CRM. Con HubSpot l'integrazione nativa permette di aprire ticket, aggiornare proprietà e attivare workflow; per l'ERP servono API o middleware, e va chiarito chi le mantiene. Se il fornitore non ha mai integrato un ERP, dillo ai tuoi IT prima di procedere.
3. Come funziona il passaggio all'operatore umano?
L'escalation è il punto in cui i clienti si arrabbiano. Chiedi: quali segnali la attivano (richiesta esplicita, sentiment negativo, due tentativi falliti, parole chiave come "reclamo"), su quale canale arriva l'operatore, se riceve la trascrizione e il contesto, e cosa accade fuori orario. Un buon sistema apre un ticket con priorità e riassunto; un sistema mediocre scrive "un operatore ti contatterà" e perde il filo.
4. Dove finiscono i dati delle conversazioni e chi li può usare?
Chiedi dove sono ospitati i dati (regione, fornitore cloud), se le conversazioni vengono usate per addestrare modelli di terzi, quanto tempo vengono conservate e come si cancella il dato di un cliente su richiesta. Serve una risposta compatibile con il GDPR e con il Regolamento europeo sull'AI, che impone di informare l'utente quando interagisce con un sistema di intelligenza artificiale (quadro normativo europeo sull'AI). Il tuo DPO deve poter leggere il contratto senza traduzioni.
5. Quali metriche misurate e con quale cadenza le riportate?
Le metriche che contano sono cinque: tasso di risoluzione autonoma (quante conversazioni si chiudono senza operatore), tasso di escalation, tempo di prima risposta, soddisfazione a fine conversazione, costo per conversazione risolta. Chiedi di vederle su un progetto reale, anonimizzato. Un fornitore che parla solo di "numero di conversazioni" misura il traffico, non il servizio.
6. Come si compone il costo e cosa cresce con il volume?
Ci sono tre voci: sviluppo e configurazione iniziale, canone della piattaforma (spesso legato a conversazioni o utenti), consumo del modello linguistico. Chiedi una simulazione a tre livelli di volume (attuale, doppio, triplo) e verifica quale voce cresce. Chiedi anche cosa è incluso nel canone in termini di aggiornamenti e assistenza.
7. Chi aggiorna il contenuto quando cambiano prodotti, listini o procedure?
Un agente AI invecchia in settimane se nessuno aggiorna le fonti. Chiedi come si aggiunge un documento, chi lo può fare (il tuo team o solo il fornitore), quanto tempo passa prima che l'agente lo usi, e come si verifica che la risposta sia cambiata. La governance dei contenuti è più importante del modello scelto.
8. Come gestite errori, allucinazioni e casi limite?
Chiedi la percentuale di risposte errate rilevate nei progetti attivi e come le individuano: revisione a campione, segnalazione dell'utente, confronto con la fonte. Chiedi se esistono regole di sicurezza (temi vietati, limiti su prezzi e impegni contrattuali) e chi risponde di un impegno preso dall'agente verso un cliente. La risposta deve essere scritta nel contratto.
9. Quali progetti avete in produzione nel mio modello di business?
Customer service B2B con rete di distributori, e-commerce con migliaia di ordini al mese, assistenza tecnica su macchinari: sono tre problemi diversi. Chiedi due referenze nel tuo modello, con contatto diretto, e chiedi da quanto tempo il sistema è in produzione. Una demo costruita in una settimana non dice nulla sulla manutenzione nel tempo.
Risposte accettabili e segnali di allarme
| Domanda | Risposta accettabile | Segnale di allarme |
|---|---|---|
| Fonte delle risposte | Knowledge base governata, CRM, sistemi collegati; ammette di non sapere | "Il modello sa già tutto", nessuna regola sul non trovato |
| Integrazione CRM ed ERP | Oggetti, direzione e frequenza definiti; conversazioni nel CRM | "Integriamo tutto via API" senza esempi realizzati |
| Escalation | Trigger espliciti, ticket con contesto, gestione fuori orario | Solo "un operatore ti ricontatterà" |
| Dati e conformità | Regione di hosting, retention, nessun training su dati del cliente | Non sa dove sono i dati |
| Metriche | Risoluzione autonoma, escalation, CSAT, costo per conversazione | Solo numero di conversazioni |
| Costi | Tre voci separate e simulazione sui volumi | Prezzo unico "tutto incluso" senza limiti dichiarati |
| Aggiornamento contenuti | Il tuo team può farlo, con tempi noti | Ogni modifica è un intervento a pagamento |
| Errori | Tasso misurato, regole di sicurezza, responsabilità nel contratto | "Non sbaglia mai" |
| Referenze | Due clienti nel tuo modello, in produzione da mesi | Solo demo o startup |
Chatbot per l'e-commerce e per il B2B: cosa cambia nelle richieste
In un e-commerce le richieste sono ad alto volume e bassa complessità: stato ordine, reso, taglia, disponibilità. L'agente deve leggere la piattaforma (Shopify, Shopware, custom) e il corriere, e deve saper vendere quando la domanda lo consente. Nel B2B di prodotto il volume è minore ma ogni richiesta porta dati riservati: listini per cliente, condizioni di pagamento, ordini aperti, ricambi. Qui l'agente vale solo se autentica il cliente e legge CRM ed ERP con i permessi corretti. Il fornitore giusto per il primo caso non è automaticamente giusto per il secondo.
Come lavora Turatti Consulting sugli agenti AI
Turatti Consulting è una società di consulenza digitale con sede a Treviso, HubSpot Platinum Solutions Partner, che progetta chatbot AI e agenti intelligenti integrati con HubSpot CRM per aziende B2B ed e-commerce italiani. Il metodo parte dalla classificazione delle richieste reali, definisce il perimetro che l'agente copre in autonomia e quello che passa agli operatori, e misura dal primo giorno tasso di risoluzione, escalation e costo per conversazione. Le nove domande di questo articolo sono quelle a cui rispondiamo in fase di offerta, contratto incluso. Per il confronto tra architetture e piattaforme rimandiamo alla guida alla scelta e implementazione di un chatbot per aziende.
Domande frequenti
Quanto costa un chatbot AI per il customer service?
Il costo ha tre componenti: progettazione e integrazione iniziale, canone della piattaforma conversazionale e consumo del modello linguistico. Per un'azienda italiana con qualche migliaio di richieste al mese si va da un progetto pilota nell'ordine di poche migliaia di euro a progetti integrati con CRM ed ERP che si misurano in decine di migliaia, più un canone mensile. La voce che cresce con il volume è il consumo, e va simulata prima di firmare.
Come funziona un chatbot basato su AI generativa?
Riceve la domanda del cliente, la interpreta con un modello linguistico, cerca le informazioni pertinenti nelle fonti aziendali collegate (knowledge base, CRM, ordini) e compone la risposta citando quelle fonti. Se la fonte manca, un sistema ben progettato dichiara di non sapere e passa a un operatore. La differenza rispetto a un chatbot a regole è che non segue un albero di scelte fisso.
Qual è la differenza tra chatbot e agente AI?
Un chatbot tradizionale risponde seguendo flussi predefiniti e si blocca fuori dai casi previsti. Un agente AI interpreta la richiesta, decide quale azione compiere (leggere un ordine, aprire un ticket, aggiornare il CRM) e la esegue nei sistemi collegati, con regole di sicurezza e passaggio all'operatore. La differenza pratica è che l'agente completa il compito, il chatbot indica dove trovarlo.
Come si integra un agente AI con HubSpot e con il gestionale?
Con HubSpot l'agente si collega tramite integrazione nativa o API: legge contatti, aziende e ticket, scrive la conversazione nella scheda cliente e può attivare workflow. Con il gestionale o l'ERP serve un connettore o un middleware che esponga i dati necessari (ordini, fatture, disponibilità) con i permessi corretti. Il fornitore deve indicare chi mantiene l'integrazione quando uno dei sistemi si aggiorna.
Articolo di Davide Turatti, Amministratore di Turatti Consulting. Pubblicato il 19 marzo 2025, riscritto e aggiornato il 2 settembre 2026.
