Dopo il lancio di un sistema AI nel customer care arriva sempre la stessa slide: migliaia di conversazioni gestite, percentuale di automazione, tempo di prima risposta crollato. Sono numeri facili da ottenere e quasi sempre veri. Il problema è che non rispondono alla domanda di chi paga: i clienti hanno avuto la risposta giusta, più in fretta e a un costo più basso di prima? Qui trovate le metriche che uso per rispondere a quella domanda, come si calcolano e dove ingannano.
Quali metriche contano davvero quando si introduce l'AI nel customer care?
Le metriche utili misurano un risultato per il cliente o un costo per l'azienda. Quelle di vetrina misurano attività: quante conversazioni ha aperto il bot, quanti ticket ha toccato il classificatore. Un assistente che risponde a tutto e sbaglia metà delle volte ha volumi eccellenti.
| Metrica | Come si calcola | La trappola |
|---|---|---|
| Accuratezza contro gli operatori | Decisioni corrette del sistema / totale, sullo stesso campione su cui si misurano le persone | Un dato medio nasconde le categorie dove il sistema sbaglia sempre |
| Tempo di risoluzione | Dall'apertura alla chiusura definitiva della richiesta, in mediana | Chiusure frettolose che poi si riaprono |
| Risoluzione reale | Richieste chiuse senza un nuovo contatto sullo stesso tema entro alcuni giorni | Contare come risolta ogni conversazione finita senza operatore |
| Chiamate o messaggi persi | Contatti a cui nessuno ha risposto, umano o AI | Misurarli solo in orario d'ufficio |
| Quota di passaggi a una persona | Casi inoltrati a un operatore / totale | Spingerla a zero togliendo l'uscita verso l'umano |
| Costo per contatto risolto | (personale + piattaforma + chiamate al modello) / contatti risolti | Dividere per i contatti gestiti invece che per quelli risolti |
Ogni riga ha una trappola perché ogni metrica si può migliorare sulla carta senza migliorare il servizio. Per questo le guardo sempre in coppia: l'accuratezza con la quota di passaggi a una persona, il tempo di risoluzione con le riaperture.
Perché serve una baseline prima di accendere il sistema?
Senza un valore di partenza nessun numero dopo il lancio ha significato. Nell'help desk interno di una grande banca italiana, dove un agente LLM smista oltre 1 milione di ticket l'anno su più di 400 categorie, il sistema assegna la categoria corretta nell'81% dei casi. L'81% da solo non dice niente. Dice molto accanto al 75%, che era l'accuratezza dello smistamento manuale misurata sullo stesso tipo di ticket. I dettagli sono nel caso studio sulla classificazione dei ticket in banca.
La regola che seguo con i clienti è semplice: si confronta il sistema con le metriche che l'azienda traccia già. Se una baseline non esiste, misurarla è il primo passo del progetto, prima di scrivere codice. Bastano un estratto dello storico e qualche settimana di dati sul processo attuale.
Come si misura l'accuratezza di un sistema che smista o classifica le richieste?
Si prende un campione di richieste reali, si stabilisce la risposta corretta per ciascuna e si confronta con quella del sistema. Il punto delicato è la risposta corretta: l'assegnazione fatta a suo tempo dall'operatore non è sempre giusta, quindi i casi in cui sistema e operatore non sono d'accordo vanno ricontrollati da qualcuno che conosce bene le categorie.
Il dato medio va poi spezzato per categoria. Con 400 categorie un'accuratezza complessiva dell'81% può convivere con alcune categorie quasi sempre sbagliate, di solito quelle che si sovrappongono o che nessuno ha mai definito per iscritto. Infine conviene pesare gli errori per quanto costano: un reclamo formale finito nella coda sbagliata pesa più di dieci richieste di informazioni mal classificate. Come funziona lo smistamento in sé è spiegato nella guida su come smistare email e ticket con l'AI.
Perché il tempo di risoluzione conta più del tempo di prima risposta?
Il tempo di prima risposta è la metrica più facile da migliorare e la meno utile. Una risposta automatica che dice "abbiamo ricevuto la richiesta" lo porta a pochi secondi senza cambiare nulla per il cliente.
Il tempo di risoluzione invece misura quello che il cliente aspetta davvero. Nell'help desk della banca il guadagno più grande dell'agente LLM è stato lì: il tempo medio di risoluzione è sceso da 5 o 6 giorni a 2 o 3. Gran parte del ritardo veniva dai ticket assegnati al team sbagliato, che rimbalzavano da un gruppo all'altro prima di arrivare a chi poteva chiuderli. Qualche punto di accuratezza in più all'ingresso ha tolto giorni all'uscita.
Deflection o risoluzione: come si valuta un chatbot nel customer care?
La deflection, cioè la quota di richieste che il chatbot gestisce senza operatore, è il numero più citato e il più fuorviante. Una conversazione chiusa dal cliente perché si è arreso conta come deflection. Secondo un sondaggio Gartner su 5.728 clienti, solo il 14% dei problemi di assistenza si risolve completamente in self-service, e anche per i problemi che i clienti stessi definiscono molto semplici la quota è del 36% (Gartner, agosto 2024).
Per misurare la risoluzione reale conto i nuovi contatti: se lo stesso cliente scrive o chiama di nuovo sullo stesso tema entro pochi giorni, la prima conversazione non era risolta, anche se il bot l'ha chiusa. Questa metrica richiede di collegare chat, email e telefono allo stesso cliente, ed è proprio per questo che molti fornitori non la mostrano.
Quali metriche servono per un assistente vocale AI?
Al telefono contano due cose che nel ticketing pesano meno: le chiamate perse e la latenza. Una chiamata a cui nessuno risponde è spesso una prenotazione che finisce altrove. Una risposta che arriva dopo troppo tempo fa parlare le persone sopra l'assistente e la conversazione si rompe.
IGEA, l'assistente vocale per le reception delle cliniche che ho cofondato e di cui sono CTO, nel primo mese al Centro Medico Luni Care (oltre 40 medici) ha perso 0 chiamate, con uno score di successo del 96,7%. Ha gestito circa 3.500 € di prenotazioni e ha restituito al personale circa 10 ore a settimana. Risponde in meno di 1 secondo dalla fine della frase di chi chiama. I dettagli tecnici sono nel caso studio sull'agente vocale in sanità.
| Metrica | Cosa misura | Valore nel primo mese di IGEA |
|---|---|---|
| Chiamate perse | Chiamate senza risposta, anche a clinica chiusa | 0 |
| Score di successo | Esito complessivo delle chiamate gestite dall'AI | 96,7% |
| Latenza | Dalla fine della frase all'inizio della risposta | Meno di 1 secondo |
| Tempo restituito al personale | Ore di telefono non più a carico della reception | Circa 10 ore a settimana |
| Valore gestito | Prenotazioni concluse dall'AI | Circa 3.500 € |
Cosa conta come successo va deciso prima del lancio e scritto, chiamata per chiamata: prenotazione registrata, disdetta eseguita, passaggio corretto a una persona. Uno score definito dopo, guardando i dati, tende a dare il risultato che si sperava.
Come si calcola il costo per contatto e il risparmio reale?
Il costo per contatto risolto mette al numeratore tutto quello che il servizio costa: personale, piattaforma, chiamate al modello, manutenzione del sistema. Al denominatore vanno i contatti risolti, non quelli gestiti. Con i contatti gestiti al denominatore un chatbot che chiude tante conversazioni senza risolverle sembra economico.
Il risparmio lo misuro in ore restituite e in errori evitati. Le circa 10 ore a settimana di Luni Care sono ore di telefono che la reception non deve più coprire. Accanto al costo va tenuta la quota di revisione: quanti casi passano comunque da una persona. Se scende molto in fretta, la causa più comune è qualcuno che ha smesso di controllare.
Quali errori evitare quando si misurano le prestazioni dell'AI nel customer care?
Il primo è lanciare senza baseline e scoprire dopo che non si sa con cosa confrontarsi. Il secondo è guardare solo il dato medio di accuratezza, senza spezzarlo per categoria e senza pesare gli errori costosi. Il terzo è premiare la deflection: un chatbot configurato per non passare mai la parola a un operatore produce clienti che richiamano. Il quarto è lasciare che sia il fornitore a scegliere e calcolare le metriche, con le definizioni che gli convengono. L'ultimo è misurare una volta sola: prodotti nuovi, stagionalità e cambi di organizzazione spostano i numeri, e le metriche vanno riguardate ogni mese.
Volete sapere se l'AI sta funzionando nel vostro customer care?
Raccontatemi cosa misurate oggi e quali numeri vi ha mostrato il fornitore: vi dico quali mancano e come ricavarli dai vostri dati.
ParliamoneSe state valutando un agente su misura per ticket, email o telefono, nella pagina sullo sviluppo di agenti AI trovate come imposto valutazione, controlli e passaggio alle persone.



