Come automatizzare il supporto con IA: deflection reale, non demo

Deflection reale vs. deflection gonfiata (come ti ingannano i numeri)

Quando qualcuno ti dice "deflettiamo il 70% dei ticket", la domanda giusta non è "che bello", è "come lo misurate". La deflection gonfiata è la trappola più comune del settore — e si rileva facilmente se sai cosa cercare:

I 4 componenti: KB, agente, routing, supervisione

1. Base di conoscenza (KB). Strutturata, versionata, con metadati. Senza KB solida, tutto il resto fallisce.
2. Agente. L'LLM che risponde, con system prompt chiaro su perimetro, tono e limiti.
3. Routing. Il sistema che decide quando escalare a umano e gli passa il contesto riassunto.
4. Supervisione. Revisione umana settimanale dei casi limite + iterazione continua di KB e agente.

Come si addestra l'agente (non è "carichi un PDF")

Addestrare l'agente non è caricare un PDF — è costruire un buon sistema di RAG (Retrieval-Augmented Generation) che recupera l'informazione rilevante dalla tua KB e la passa al modello perché la usi. L'"addestramento" in senso classico (fine-tuning) quasi mai aggiunge più di un buon prompt + buon RAG.

1. Struttura la tua KB in blocchi corti e autocontenuti con metadati (tema, data, fonte).
2. Crea embedding di quei blocchi con un modello appropriato (OpenAI ada o equivalente open-source).
3. Configura il retrieval: quanti blocchi recuperare per richiesta, soglia di similarità, re-ranking.
4. Scrivi il system prompt con istruzioni chiare su come usare il contesto recuperato.
5. Configura l'escalation: in quali casi NON deve rispondere e deve passare a umano.

Il loop di miglioramento continuo

Il supporto IA non è "lo metti su e vediamo cosa succede". È un loop settimanale di miglioramento con quattro passi:

1. Revisione settimanale dei casi limite. L'umano supervisore analizza 30-50 conversazioni casuali e marca successi/errori.
2. Aggiornamento della KB. Le domande nuove o mal risposte vengono documentate correttamente.
3. Aggiustamento dell'agente. Gli errori sistemici si correggono toccando il prompt o il routing.
4. Eval automatiche. Un set di input rappresentativi viene eseguito dopo ogni cambio per individuare regressioni.

Costi, SLA e quando non vale la pena