L’IA sul campo: come 3 team hanno trasformato l’IA in risultati operativi concreti
Punto di controllo umano: I casi di studio di successo sull'IA mantengono la revisione umana, spostando il controllo verso le eccezioni invece di eliminare la responsabilità.
Classificazione dei contatti: Chime ha automatizzato la classificazione e la verifica 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 di previsione grazie a dati più puliti e visibili.
Integrazione dei flussi di lavoro: ACV Auctions ha ridotto di due terzi il tempo del ciclo di vendita dei veicoli collegando acquisizione, valutazione, presentazione commerciale, transazioni ed evasione degli ordini.
Costruire la fiducia: I team hanno ottenuto 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: storie di successo vaghe e prive di numeri, oppure articoli sensazionalistici che saltano direttamente oltre la parte più difficile.
Il recente evento di DPM, IA nel mondo reale, è stato concepito per evitare entrambe. Tre leader — uno di un'organizzazione fintech di assistenza clienti, uno dell'area della pianificazione della domanda di Amazon e uno di un marketplace online in cui 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, dirigente senior delle operazioni di IA presso Chime, ha aperto la sessione spiegando come il suo team abbia automatizzato la classificazione del motivo del contatto per le chiamate al servizio clienti. Aniket Ghonge, responsabile senior della catena di approvvigionamento presso Amazon, ha proseguito con la piattaforma di IA agentica che ha costruito da solo per risolvere i problemi della pianificazione della domanda. Anika Banakh, direttrice della gestione dei programmi tecnologici presso ACV Auctions, ha concluso l'incontro illustrando il motore operativo digitale completo che il suo team ha costruito per modernizzare la vendita dei veicoli.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
In apparenza, 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 impostare e poi abbandonare. Ogni sistema ha mantenuto un controllo umano, anche dopo che il lavoro manuale era scomparso.
Liberare l'attenzione del personale 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 cliente, e non si trattava solo di risolvere il problema del cliente. Gli operatori dovevano anche prendere appunti e cercare di associare alla conversazione il motivo corretto del contatto — tra più di 1.500 categorie possibili — mentre la chiamata era ancora in corso.
"Avevamo più di millecinquecento varianti diverse di motivi del contatto tra cui scegliere", ha dichiarato Hernandez. "E sapere quale fosse quella giusta era sempre difficile." Il processo era manuale, incoerente e soggetto a errori, e distoglieva l'attenzione dal membro al telefono.
Il team ha costruito un classificatore che utilizzava un LLM per esaminare le trascrizioni delle chiamate e applicare automaticamente il motivo del contatto. Questo lavoro ha portato a un secondo progetto non pianificato: il team di Hernandez dedicava ormai molto tempo a verificare che il classificatore non generasse allucinazioni e funzionasse come previsto. Così ha costruito una seconda pipeline di IA solo per controllare la prima. Quel sistema "raggruppa i guasti ricorrenti, rileva gli errori, esegue anche i test e presenta i risultati al mio team", invece di richiedere a una persona di esaminare ogni caso.
Arrivarci non è stato semplice. Hernandez ha spiegato che ogni decisione del modello dipende da tre leve: velocità, accuratezza e costo. Un modello più piccolo ed economico produceva risultati rapidi ma con un'accuratezza inferiore; un modello più grande, in grado di gestire la complessità, comportava un costo maggiore. Quando l'ingegneria dei prompt ha raggiunto il suo limite, il team si è rivolto ad approcci basati sul recupero delle informazioni e all'elaborazione a lotti per gestire i costi. Ha inoltre dovuto creare e mantenere continuamente un "set di dati aureo" — una fonte affidabile di verità con cui 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 semplicemente applicare l'IA a ogni soluzione e che quella sarà la soluzione definitiva", 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 di oltre 1.500 motivi di contatto, invece di chiedere al modello di aggirarlo.
I risultati hanno incluso risparmi nella gestione delle chiamate e un miglioramento del lavoro successivo alle chiamate, ma Hernandez è stato chiaro su ciò che contava di più: restituire tempo agli operatori affinché potessero concentrarsi sul membro, non sulla documentazione. "Ogni volta che automatizzavamo delle attività, non eliminavamo davvero il controllo, lo spostavamo", ha affermato. "L'IA è un moltiplicatore per eliminare il lavoro ripetitivo, ma è l'essere umano nel ciclo a rendere quel moltiplicatore realmente affidabile."
Questo equilibrio emerge direttamente dal funzionamento attuale della pipeline di controllo. Invece di affidarsi al sistema per trasferire le modifiche direttamente in produzione, genera un report settimanale che segnala dove si sono verificate regressioni o errori nei test, così il team di Hernandez sa esattamente su cosa concentrarsi. "È qui che troviamo l'equilibrio", ha detto, "cercando di sfruttare l'LLM come giudice e diverse funzionalità per espandere le attività e assumerne 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 per 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 pipeline di dati provenivano da software diversi, con proprietari e utenti diversi", ha affermato.
Riconciliare tutto manualmente richiedeva a Ghonge dalle 16 alle 20 ore alla settimana, in un momento in cui l'azienda era ancora relativamente piccola. «Per me era una follia», ha detto. Così ha iniziato a sperimentare, prima con un prototipo in Excel per verificare se l'approccio potesse funzionare. È stato utile, ma non del tutto. È stato allora che si è rivolto all'IA agentica, costruendo autonomamente il sistema grazie alla sua esperienza nella creazione di cruscotti e nella definizione dei requisiti di prodotto, ma senza una formazione ingegneristica formale.
L'adozione è iniziata su piccola scala — Ghonge era l'unico utente — ed è cresciuta attraverso canali informali: riunioni di revisione aziendale, sessioni formative durante il pranzo e passaparola. Quattro mesi dopo, la piattaforma contava 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. «Il risultato più significativo è una riduzione dell'80% del tempo necessario per generare la domanda, con un'elevata accuratezza», ha detto Ghonge. «Abbiamo anche osservato una riduzione di circa il 40% dell'[errore] di previsione». Il sistema ha inoltre dato al team una visibilità che prima non aveva — la possibilità di analizzare esattamente quali attributi dei fornitori determinassero migliaia di variazioni mensili, invece di procedere per supposizioni.
La fiducia non è derivata dall'etichetta IA. È derivata dalla trasparenza. Quando i dati di gestione dei progetti venivano esportati in 18.000 righe che in realtà rappresentavano appena 600-700 richieste effettive, il sistema di Ghonge analizzava e consolidava quel caos in una tabella ordinata che gli utenti potevano esaminare direttamente, invece di dover consultare lo strumento di origine richiesta per richiesta. «Invece di andare ogni volta nello strumento per ogni richiesta, ora possono vedere facilmente tutto in un unico sistema», ha detto. Gli utenti potevano anche richiamare qualsiasi settimana precedente e confrontarla con quella corrente, osservando la diminuzione degli errori di previsione nel tempo — una prova che il sistema funzionava davvero, non si limitava ad automatizzare.
Ghonge ha inoltre attribuito all'IA un risultato che inizialmente non aveva previsto: la documentazione. Quando ha iniziato a chiedere all'IA di monitorare le proprie implementazioni e il tempo impiegato, è riuscito a quantificare a posteriori il proprio processo di sviluppo — fino al numero di istruzioni necessarie per arrivare al risultato.
La creazione di un motore digitale per le operazioni basato sull'IA
Il team di Banakh si è prefissato 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 a un'asta fisica una volta alla settimana, sperando che venga venduta quel giorno.
«Di recente abbiamo creato 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 detto Banakh. «Si è davvero trasformato tutto in un unico processo continuo».
La parte più difficile non è stata la tecnologia. È stato il settore stesso. «In questo settore il fattore umano è notoriamente avverso al digitale», ha detto Banakh. «Vedo ancora concessionari che si aggirano con carta e penna per la documentazione». Ciò 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, facile da sbagliare.
Con una tempistica serrata, il team di Banakh ha utilizzato l'IA 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 detto. «Poi l'abbiamo sottoposta al nostro partner per la convalida. E questo ha accelerato notevolmente le conversazioni» — sostituendo le lente riunioni di convalida individuali con una bozza alla quale il partner poteva reagire direttamente.
Il progetto è ancora nelle prime fasi della sperimentazione, quindi Banakh ha potuto condividere solo dati limitati, ma il risultato principale si è distinto: la durata del ciclo è già diminuita di due terzi, prima ancora che il sistema fosse completamente ottimizzato. «La durata del ciclo è attualmente diminuita di due terzi e non abbiamo ancora completato l'ottimizzazione», ha detto, aggiungendo che in seguito sono previste riduzioni dei costi, del deprezzamento dei beni e del lavoro umano.
Convincere le parti interessate scettiche non ha richiesto una presentazione aggressiva. «Si parla delle motivazioni e del ROI, e le persone veramente orientate al business si convincono quando vedono il risultato», ha detto Banakh. Per i concessionari che preferiscono continuare a fare le cose alla vecchia maniera, va bene lo stesso — il sistema è pensato 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 IA solo per mantenere onesto 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 diretto e continuo 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'IA come concetto. Ci sono riusciti realizzando qualcosa di piccolo, dimostrando che funzionava e lasciando che fossero i risultati a sostenere la tesi. Come ha affermato Banakh, "le vere persone d'affari si convincono quando vedono il risultato". Questo è lo schema alla base di tutti e tre i casi di studio: non tanto l'IA in sé, quanto la disciplina di costruire fiducia nel sistema insieme ad essa.
Vuoi ricevere altri approfondimenti come questi? Registrati per un account DPM gratuito per ascoltare altri esperti come loro ed essere il primo a conoscere i prossimi eventi.
