L’Intelligenza Artificiale generativa, i cosiddetti Large Language Models come ChatGPT, Anthropic, Stability AI, stanno avendo ed avranno un effetto sempre più dirompente su molte funzioni aziendali, automatizzando di fatto operazioni ripetitive e rendendo alcune procedure estremamente rapide da eseguire.
L’automazione e l’implementazione dei modelli generativi sta rendendo ad esempio evidente quale sarà il trend di sviluppo della funzione di Customer Care.
Una soluzione non esente da problematiche
Facciamo però prima un passo indietro. L’uso sempre più intenso di questi strumenti tecnologici comporta anche alcuni rischi, connessi alle loro stesse caratteristiche, e ha fatto emergere una serie di problematiche. Nello specifico i Large Language Models si basano su un modello fisso che è stato addestrato con miliardi di parametri. La logica è quella “dell’input set”, le informazioni fornite costituiscono l’ossatura del modello di ragionamento e generazione di contenuti dell’AI.
Va da sé che calare un modello di AI, che ha ricevuto il suo addestramento su miliardi di parametri e informazioni disponibili in rete, su una Knowledge Base aziendale (ovvero l’insieme dei contenuti aziendali costituiti da procedure, script, prontuari, schede prodotto, FAQ, ecc) può non restituire informazioni e contenuti pertinenti. L’AI può incappare nelle cosiddette allucinazioni, ovvero proporre contenuti e risultati non coerenti con la richiesta di partenza. E questo perché l’AI basa il suo linguaggio su informazioni esterne alla Knowledge Base aziendale.
Ma l’intelligenza artificiale, che è mimetica rispetto a quello umana, almeno in alcune funzioni, può essere addestrata. L’input set delle informazioni è essenziale perché il modello rigido dell’AI si adatti alla specifica Knowledge Base su cui viene applicato. In questo scenario diviene pertanto di vitale importanza che la Knowledge Base subisca un processo di riscrittura e ottimizzazione, nell’ottica di due principali obiettivi:
- Bilanciare contenuti e tecnologia, perché l’AI, a differenza dei motori di ricerca tradizionali, restituisca soltanto i contenuti pertinenti (non tutti i contenuti disponibili, ma solo quelli necessari in quella specifica occorrenza)
- Produrre contenuti di qualità e coerenti con la richiesta di partenza
Advanced Knowledge Base
L’azione di ottimizzazione della Knowledge Base prende è una delle fasi della nostra metodologia che abbiamo chiamato Advanced Knowledge Base, consta di diverse fasi.
La prima è l’atomizzazione delle informazioni disponibili, ovvero la scomposizione di informazioni complesse in pacchetti di informazione più semplici.
La seconda è la riorganizzazione e riscrittura di tali informazioni affinché rispondano a criteri stringenti di univocità, chiarezza e immediata processabilità (la stessa informazione deve essere interpretata nello stesso identico modo da tutti coloro che la leggono e poter essere immediatamente usata. Pensiamo a quanto risulterebbe problematico se la stessa informazione fosse interpretata in modo diverso da due addetti al Customer Care e a sua volta restituita al cliente finale in due modi diversi: sarebbe il caos e il servizio sconterebbe irregolarità e sarebbe sottoposto alla soggettività dell’operatore).
La terza, infine, è l’input di tali informazioni all’interno del modello generativo. Input a cui è necessario premettere un’azione di prompt engineering, ovvero l’addestramento del linguaggio dell’AI alla Knowledge base aziendale in questione.
Quale AI per il customer care?
Nel corso della nostra attività abbiamo sviluppato e testato sul campo una tipologia di Knowledge Management peculiare che va a toccare tutti gli ambiti e le funzioni aziendali, dal Customer Care al Management, dal Sales al Marketing, e ha testato diversi tipi di AI generativa. Un Knowledge Management evoluto e olistico capace di incidere sulle diverse funzioni aziendali e costituire un’efficace spinta al business.
In dettaglio, e in riferimento alla funzione del Customer Care, sono state testate le performance di 3 modelli generativi: ChatGPT 3.5 (mondo Microsoft), Anthropic (mondo Google), Stability AI (mondo open source) e le differenze fra i tre tipi sono risultate immediatamente evidenti.
Il livello di sviluppo acquisito da ChatGPT rispetto agli altri due modelli è al momento innegabile: non solo offre dei risultati migliori, grazie anche al maggior numero di parametri a cui è stata esposto, ma è l’unico che se viene configurato con una temperatura “bassa” resta coerente e all’interno della Knowledge Base di riferimento.
Con temperatura “bassa” si intende il livello di creatività: più basso è il livello, minori saranno le libertà creative che si prende rispetto al contesto di knowledge richiesto. Questo tipo di limite regolabile non funziona ancora così bene con Anthropic che, benché settato su una temperatura “bassa”, si prende una serie di libertà ed esce un po’ al di fuori del contesto richiesto. Per questo motivo ad oggi riteniamo che ChatGPT sia lo strumento di AI Generativa più adatto per le funzioni del Customer Care dove – come abbiamo visto poco sopra – è essenziale che le informazioni fornite siano univoche e immediatamente processabili, devono cioè essere sempre uguali a loro stesse per garantire continuità e precisione nel servizio e sottrarlo a tare di soggettività, tanto da parte dell’operatore, quanto del modello generativo che in misura variabile può modificare il contenuto proposto.
Un secondo elemento che è necessario considerare nella funzione del Customer Care è quello dalla findability delle informazioni (cioè, come possono essere trovate), che nell’approccio Aryanna viene garantita istituendo diversi e numerosi punti di accesso all’informazione stessa. Che sia attraverso il modello generativo, che sia attraverso news e intranet, che sia attraverso motore di ricerca tradizionale. Un numero maggiore di punti accesso all’informazione è funzionale a rendere l’approccio flessibile, adattabile alle abitudini dell’operatore, che può avere preferenza per un processo di ricerca piuttosto che un altro.
Un terzo elemento da considerare – e che come Aryanna implementiamo con successo – è quello che vede contenuti informativi e formativi aggregati in cluster di informazioni, che risultano pertanto utili tanto all’operatore nel rispondere all’utente finale nell’immediato, quanto nel rimanere aggiornato sulle novità di processo documentali.
Il futuro del Customer Care
L’automazione e l’implementazione dei modelli generativi sta rendendo evidente quale sarà il trend di sviluppo della funzione di Customer Care, che in futuro sarà improntata su un approccio quanto più proattivo possibile, capace cioè in un certo senso di anticipare le richieste dell’operatore proponendo spontaneamente contenuti coerenti con la richiesta ricevuta dal cliente finale. È questo uno scenario – per quanto affascinante – che rende l’approccio di ottimizzazione della Knowledge Base imprescindibile e l’intervento preventivo dell’intelligenza naturale sulle informazioni da inputare all’intelligenza artificiale, quanto mai ineludibile.
