La recente e, per certi versi, dilagante diffusione dei Chatbot nel Customer Service, che ha certamente contribuito a svincolare le risorse umane da attività semplici o ripetitive, a rispondere più velocemente ai clienti ed ad estendere il presidio orario del servizio (h24/7/365), ci ha fatto immaginare un futuro in cui una buona parte degli operatori umani potesse essere sostituita o, quantomeno, supportata dalla tecnologia nella sua quotidiana attività di assistenza.

Il nodo della scarsa accuratezza delle risposte fornite

Le cose non stanno propriamente così. Sebbene siano stati davvero molti i passi in avanti negli ultimi tempi, siamo ancora in attesa di beneficiare realmente dei progressi fatti da quella che viene comunemente definita come la “Rivoluzione dei Chatbot”. C’è ancora un grande problema da risolvere: l’accuratezza delle risposte fornite. Infatti, ciò che per un programmatore può essere tecnologicamente considerato un sostanziale avanzamento, spesso non si traduce in un proporzionale miglioramento dell’esperienza dei clienti. Se la personalizzazione della Customer Experience rappresenta un punto di svolta nel progressivo processo di miglioramento della relazione fra brand e consumatori, è anche vero che un uso approssimativo e non strutturato dei chatbot potrebbe compromettere irreversibilmente la fiducia (Customer Loyalty) e, quindi, la soddisfazione dei nostri clienti (Customer Satisfaction).

Retrieval-based e Generative-based Chatbot

Ma cosa sono i chatbot? Si possono distinguere in base al modello utilizzato per produrre le risposte alle domande dell’interlocutore umano. I modelli sono fondamentalmente di due tipi. Il modello Retrieval-based si fonda sulla capacità dei chatbot di accedere ad una repository di risposte predefinite (FAQ, articoli, domande simili o conversazioni passate) sulla base di una corrispondenza testuale (sistemi rule-based) o un’interpretazione del linguaggio naturale (sistemi AI-based). Le risposte vengono fornite con una metodologia euristica (la ricerca della risposta migliore), assegnando cioè un punteggio ad ogni potenziale risposta. Il modello Generative-based non si basa invece su risposte predefinite. Genera nuove risposte da zero utilizzando le stesse tecniche di comprensione ed astrazione proprie dei sistemi di traduzione automatica, ossia le reti neurali e il deep learning. Il deep learning è un algoritmo di Machine Learning ispirato, appunto, alle reti neurali del cervello umano.

Conclusioni

Sebbene la maggior parte dei chatbot oggi in circolazione utilizzino il modello Retrieval-based, senz’altro più sostenibile sia in termini di costi che di tecnologia, è universalmente riconosciuto che la qualità dell’interazione fra chatbot ed interlocutore umano è ancora piuttosto limitata. Per capitalizzare tutti gli sforzi effettuati e non sprecare questo genuino entusiasmo iniziale, sarebbe opportuno seguire alcuni semplici accorgimenti. Implementare un chatbot in azienda e decidere di non presidiarlo costantemente, equivale a scaricare sul cliente tutti i suoi attuali limiti tecnologici egli eventuali margini di miglioramento. Se invece, ogni volta che il bot non fosse in grado di rispondere adeguatamente alle richieste degli utenti, si decidesse di far intervenire un operatore umano per prenderne il posto, si riuscirebbe a proseguire nella sperimentazione senza compromettere irrimediabilmente la qualità della Customer Experience. L’operatore umano potrebbe contestualmente registrare eventuali inefficienze o anomalie di funzionamento del chatbot e comunicarle al comparto IT, contribuendo in maniera sostanziale al suo miglioramento funzionale e tecnologico. Inoltre, ampliando le proprie competenze, l’operatore avrà evidenti e tangibili benefici anche sul piano squisitamente professionale.

Vi lascio con una citazione di Jerry Kaplan, quotatissimo scienziato, imprenditore ed esperto conoscitore dei principali campi di applicazione dell’Intelligenza Artificiale, tratta dal suo seminale libro del 2016 “Artificial Intelligence: What Everyone Needs to Know”:

“The image of rolling in a robot and walking a worker to the door may be compelling, but it tends to obscure the more important economic effect: automation changes the nature of work”. [Jerry Kaplan – 2016]

“L’immagine di un robot che entra e di un lavoratore umano che viene messo alla porta può essere forte, ma rischia di far passare in secondo piano il più importante effetto economico: l’automazione cambia la natura stessa del lavoro”. [Jerry Kaplan – 2016]