L’IA nel mondo reale: come 3 team hanno trasformato l’IA in risultati operativi concreti
Controllo umano: I casi di studio sull'IA di successo mantengono la revisione umana, spostando la supervisione verso le eccezioni invece di eliminare la responsabilità.
Classificazione dei contatti: Chime ha automatizzato la classificazione e il controllo delle chiamate, aiutando gli operatori a concentrarsi sui clienti e monitorando al contempo l'accuratezza del modello e le regressioni.
Miglioramenti nelle previsioni: L'IA autonoma di Amazon ha ridotto dell'80 percento il tempo dedicato alla pianificazione della domanda e del 40 percento l'errore nelle previsioni grazie a dati più puliti e visibili.
Integrazione dei flussi di lavoro: ACV Auctions ha ridotto di due terzi la durata del ciclo di vendita dei veicoli collegando acquisizione, valutazione, presentazione commerciale, transazioni ed evasione degli ordini.
Costruire la fiducia: I team hanno favorito l'adozione iniziando in piccolo, mostrando risultati misurabili, semplificando dati disordinati e mantenendo gli stakeholder responsabili durante tutta l'implementazione.
I casi di studio sull'IA tendono a presentarsi in due forme: vaghe storie di successo senza numeri a supporto, oppure articoli promozionali che saltano direttamente oltre la parte più difficile.
Il recente evento di DPM, IA nel mondo reale, è stato progettato per evitare entrambe. Tre leader — uno di un'organizzazione di tecnologia finanziaria di assistenza clienti, uno dell'ambito della pianificazione della domanda di Amazon e uno di una piattaforma digitale dove le concessionarie acquistano e vendono auto usate — hanno illustrato i sistemi di IA che hanno effettivamente costruito, i problemi incontrati e i numeri ottenuti alla fine.
Chris Hernandez, responsabile principale delle operazioni di IA presso Chime, ha aperto la sessione spiegando come il suo team abbia automatizzato la classificazione dei motivi di contatto per le chiamate al servizio clienti. Aniket Ghonge, responsabile principale della catena di approvvigionamento presso Amazon, ha proseguito presentando la piattaforma di IA agentica che ha costruito da solo per risolvere i problemi di pianificazione della domanda. Anika Banakh, direttrice della gestione dei programmi tecnologici presso ACV Auctions, ha concluso con il motore operativo digitale completo, dall'inizio alla fine, che il suo team ha costruito per modernizzare la vendita dei veicoli.
Sblocca Gratis
Crea un account gratuito per terminare la lettura di questo articolo e unirti a una community di leader innovativi che accedono a strumenti, playbook e approfondimenti per prosperare nell’era dell’AI.
Have an account? Log In
In superficie, i tre progetti hanno poco in comune. Ma tutti erano accomunati da un tema: nessuno di questi team ha trattato l'IA come qualcosa da configurare e poi abbandonare. Ogni sistema manteneva un punto di controllo umano, anche dopo la scomparsa del lavoro manuale.
Liberare l'attenzione degli operatori in prima linea con l'IA
Il team di Hernandez ha iniziato studiando cosa facessero realmente gli operatori dei centri di assistenza telefonica durante una chiamata del cliente, e non si trattava solo di risolvere il problema del cliente. Gli operatori dovevano anche prendere appunti e cercare di assegnare alla conversazione il motivo di contatto corretto — tra oltre 1.500 categorie possibili — mentre la chiamata era ancora in corso.
"Avevamo oltre millecinquecento varianti diverse di motivi di contatto tra cui scegliere", ha detto Hernandez. "E sapere quale fosse quella corretta era sempre difficile." Il processo era manuale, incoerente e soggetto a errori, e distoglieva l'attenzione dal cliente in linea.
Il team ha costruito un classificatore che utilizzava un LLM per esaminare le trascrizioni delle chiamate e applicare automaticamente il motivo di contatto. Questo lavoro ha portato a un secondo progetto non pianificato: il team di Hernandez ora dedicava molto tempo a verificare che il classificatore non producesse allucinazioni e funzionasse come previsto. Così ha costruito una seconda sequenza di elaborazione basata sull'IA solo per verificare la prima. Quel sistema "raggruppa gli errori ricorrenti, individua gli errori, esegue anche le verifiche e presenta i risultati al mio team", invece di richiedere a una persona di esaminare ogni caso.
Arrivare a questo risultato non è stato semplice. Hernandez ha detto che ogni decisione relativa al modello si riduce a tre leve: velocità, accuratezza e costo. Un modello più piccolo ed economico produceva risultati rapidamente, ma con un'accuratezza inferiore; un modello più grande, in grado di gestire la complessità, comportava un prezzo più elevato. Quando l'ingegneria delle istruzioni ha raggiunto il suo limite, il team si è rivolto ad approcci basati sul recupero delle informazioni e all'elaborazione in batch per gestire i costi. Ha inoltre dovuto costruire e mantenere continuamente un "insieme di dati di riferimento" — una fonte affidabile di verità rispetto alla quale misurare l'accuratezza del classificatore, anche mentre i motivi di contatto sottostanti continuavano a cambiare.
Il consenso è arrivato mettendo in discussione la tassonomia stessa, non solo il modello. "A volte pensiamo che si possa applicare l'IA a ogni soluzione e che questo risolverà tutto", ha detto Hernandez. "Ma se i dati in ingresso sono buoni, anche i dati in uscita saranno buoni. E se i dati in ingresso sono scadenti, si otterranno dati in uscita scadenti." Questo ha portato il team a semplificare l'elenco dei motivi di contatto, composto da oltre 1.500 voci, invece di chiedere al modello di aggirarlo.
I risultati includevano un risparmio nel tempo di gestione delle chiamate e un miglioramento del lavoro successivo alla chiamata, ma Hernandez è stato chiaro su ciò che contava di più: restituire tempo agli operatori, affinché potessero concentrarsi sul cliente e non sulle pratiche burocratiche. "Ogni volta che automatizzavamo delle attività, non eliminavamo davvero il punto di controllo, lo spostavamo", ha detto. "L'IA è un moltiplicatore per eliminare il lavoro ripetitivo, ma è la presenza dell'essere umano nel processo a rendere quel moltiplicatore realmente affidabile."
Questo equilibrio emerge direttamente dal modo in cui oggi funziona la sequenza di verifica. Invece di fidarsi del sistema e permettergli di inviare le modifiche direttamente in produzione, la sequenza genera un rapporto settimanale che segnala dove si sono verificati regressioni o fallimenti delle verifiche, così il team di Hernandez sa esattamente su cosa concentrarsi. "È qui che troviamo l'equilibrio", ha detto, "cercando di sfruttare gli LLM come giudici e diverse funzionalità per poter ampliare e gestire di più senza introdurre rischi per l'azienda."
Automatizzare la pianificazione della catena di approvvigionamento con l'IA agentica
Il team di Ghonge lavora con migliaia di fornitori e partner, e i dati necessari per prevedere la domanda di ciascuno di loro erano distribuiti tra software CRM, strumenti di gestione dei progetti e fogli Excel — senza coerenza nel modo in cui venivano etichettati da un sistema all'altro. "Non c'era alcun controllo sui dati, perché le sequenze di dati provenivano da software diversi, con proprietari e utenti diversi", ha detto.
Conciliare tutto manualmente richiedeva a Ghonge dalle 16 alle 20 ore alla settimana, in una fase in cui l'azienda era ancora relativamente piccola. "Per me era assurdo", ha detto. Così ha iniziato a fare degli esperimenti, dapprima con un prototipo in Excel per verificare se l'approccio potesse funzionare. Il prototipo è stato utile, ma non del tutto. È stato allora che si è rivolto all'IA agentica, costruendo personalmente il sistema grazie a un'esperienza nella creazione di cruscotti e nella definizione dei requisiti di prodotto, ma senza una formazione ingegneristica formale.
L'adozione è iniziata in piccolo — Ghonge era l'unico utente — ed è cresciuta attraverso canali informali: riunioni di revisione aziendale, incontri informali durante il pranzo, passaparola. Quattro mesi dopo, la piattaforma aveva più di 75 utenti e migliaia di visualizzazioni.
I risultati sono stati sostanziali. Quello che prima richiedeva 20 ore ora ne richiede due, con una riduzione dell'80% del tempo necessario per generare una previsione della domanda, oltre a una riduzione del 40% dell'errore di previsione. "La cosa più importante è una riduzione dell'80% del tempo necessario per generare la domanda e un'elevata accuratezza", ha dichiarato Ghonge. "Abbiamo inoltre registrato una riduzione di circa il 40% nell'[errore] di previsione." Il sistema ha anche fornito al team una visibilità che prima non aveva: la possibilità di analizzare esattamente quali attributi dei fornitori stavano determinando migliaia di variazioni mensili, invece di procedere per supposizioni.
La fiducia non è derivata dall'etichetta AI. È derivata dalla trasparenza. Quando i dati di project management venivano esportati come 18,000 righe che in realtà rappresentavano solo da 600 a 700 richieste effettive, il sistema di Ghonge analizzava e consolidava quel disordine in una tabella ordinata che gli utenti potevano esaminare direttamente, invece di dover consultare lo strumento di origine delle richieste una per una. "Invece di andare ogni volta nello strumento per ogni richiesta, ora riescono a vedere facilmente tutto in un unico sistema", ha affermato. Gli utenti potevano anche richiamare qualsiasi settimana precedente e confrontarla con quella attuale, osservando la riduzione degli errori di previsione nel tempo: una prova che il sistema funzionava davvero, non che si limitava ad automatizzare.
Ghonge ha inoltre attribuito all'AI qualcosa che inizialmente non aveva previsto: la documentazione. Quando ha iniziato a chiedere all'AI di monitorare le proprie implementazioni e il tempo impiegato, è riuscito a quantificare a posteriori il proprio processo di sviluppo, fino al numero di prompt necessari per completarlo.
La costruzione di un motore per le operazioni digitali basato sull'AI
Il team di Banakh si è posto l'obiettivo di ripensare l'intero percorso di vendita dei veicoli — il modo in cui i veicoli vengono immessi sul mercato, valutati, preparati per la vendita, abbinati agli acquirenti, venduti, consegnati e trasportati — come un unico processo digitale connesso, invece del modello tradizionale del settore: un cliente che porta un'auto in un'asta fisica una volta alla settimana, sperando che venga venduta quel giorno.
"Di recente abbiamo sviluppato un flusso di lavoro digitale intelligente completo e dall'inizio alla fine per uno dei nostri partner principali, che include: acquisizione dei dati del veicolo, ispezione, valutazione, preparazione per la vendita, ricerca dell'acquirente, transazione e adempimento", ha dichiarato Banakh. "In pratica, tutto si è trasformato in un unico processo continuo."
La parte più difficile non era la tecnologia. Era il settore stesso. "In questo settore il fattore umano è notoriamente poco incline al digitale", ha affermato Banakh. "Vedo ancora concessionari che si aggirano con carta e penna per la documentazione." Questo significava che il progetto richiedeva più di un cambiamento di processo: aveva bisogno di quello che Banakh ha definito un cambiamento di paradigma nei comportamenti fondamentali, cosa facile da gestire in modo errato.
Con una tempistica serrata, il team di Banakh ha utilizzato l'AI per simulare una serie di personalità delle parti interessate e discutere di come avrebbe dovuto essere assemblato il flusso di lavoro. "Alla fine abbiamo sostanzialmente co-creato la bozza del flusso di lavoro", ha affermato. "Poi l'abbiamo sottoposta al nostro partner per la convalida. E questo ha davvero accelerato le conversazioni", sostituendo le lente riunioni di convalida individuali con una bozza a cui il partner poteva reagire direttamente.
Il progetto è ancora nella fase iniziale del pilota, quindi Banakh ha potuto condividere solo dati limitati, ma il risultato principale si è distinto: il tempo di ciclo è già diminuito di due terzi, prima ancora che il sistema fosse completamente ottimizzato. "Il tempo di ciclo è attualmente diminuito di due terzi e non abbiamo ancora completato l'ottimizzazione", ha dichiarato, aggiungendo che ci si aspetta una riduzione dei costi, del deprezzamento dei beni e del lavoro umano.
Per ottenere il consenso delle parti interessate scettiche non è stato necessario insistere. "Si parla delle motivazioni e del ROI, e le persone veramente orientate al business si convincono quando vedono il risultato", ha affermato Banakh. Per i concessionari che preferiscono continuare a lavorare come in passato, va bene così: il sistema è stato progettato per i partner che vogliono espandersi a livello nazionale, non per sostituire ogni flusso di lavoro che già funziona per qualcuno.
Il filo conduttore
Settori diversi, strumenti diversi, dimensioni diverse, ma la stessa disciplina di fondo. Il team di Hernandez ha costruito un secondo sistema di AI proprio per mantenere affidabile il primo. Ghonge ha integrato nella sua piattaforma una visibilità che consentisse agli utenti di verificare autonomamente i dati, invece di accettare il risultato sulla fiducia. Il team di Banakh ha mantenuto un "passaggio coordinato a ogni fase", con un responsabile di programma responsabile di individuare le anomalie che altrimenti la revisione umana avrebbe potuto non rilevare.
Nessuno di questi team ha ottenuto il consenso presentando l'AI come concetto. Lo ha ottenuto realizzando qualcosa di piccolo, dimostrando che funzionava e lasciando che fossero i risultati a parlare. Come ha affermato Banakh, "le persone veramente orientate al business si convincono quando vedono il risultato". Questo è lo schema alla base di tutti e tre i casi di studio: non tanto l'AI in sé, quanto la disciplina necessaria per integrare la fiducia nel sistema insieme ad essa.
Vuoi ricevere altri approfondimenti come questi? Iscriviti gratuitamente a un account DPM per ascoltare altri esperti come questi ed essere il primo a conoscere i prossimi eventi.