Quando ‘Chatbot’ è una parola sporca: 3 malintesi che i leader aziendali hanno sull’Intelligenza Artificiale Conversazionale

La proliferazione di LLM come ChatGPT di OpenAI, Llama di Meta e Claude di Anthropic ha portato a un chatbot per ogni occasione. Ci sono chatbot per consigli di carriera, chatbot che consentono di parlare con il proprio futuro sé, e persino un chatbot di pollo che fornisce consigli di cucina. 

Ma questi non sono i chatbot di dieci anni fa – all’epoca, erano limitati a conversazioni rigidamente predefinite, spesso basate su un grande diagramma di flusso con risposte multiple o equivalenti. In sostanza, erano solo leggermente più sofisticati dei menu telefonici IVR pre-internet.

I “chatbot” di oggi, d’altra parte, si riferiscono più frequentemente all’Intelligenza Artificiale conversazionale, uno strumento con capacità e casi d’uso molto più ampi. E poiché ci troviamo nel mezzo del ciclo di iper-attività dell’Intelligenza Artificiale generativa, tutti e tre questi termini sono utilizzati in modo intercambiabile. Purtroppo, come conseguenza, ci sono molti malintesi intorno ai rischi, ai casi d’uso e al ROI di investire nell’Intelligenza Artificiale conversazionale tra i leader aziendali, specialmente in settori altamente regolamentati come la finanza. 

Quindi, vorrei chiarire alcuni malintesi comuni su “chatbot”, quando in realtà stiamo discutendo di Intelligenza Artificiale conversazionale. 

Mito 1: I clienti odiano i chatbot

I consumatori sono stati chiesti per la maggior parte dell’ultimo decennio se preferiscono agenti umani o chatbot – il che è come chiedere a qualcuno se preferirebbe un massaggio professionale o sedersi in una poltrona da massaggio in un centro commerciale. 

Ma il debutto di ChatGPT nel 2022 (insieme a tutti gli strumenti che ne sono derivati) ha capovolto la nostra percezione delle capacità di un chatbot. Come menzionato sopra, i chatbot più vecchi operavano su script, in modo che qualsiasi deviazione dai loro percorsi prescritti spesso portava a confusione e risposte inefficaci. Incapaci di comprendere il contesto e l’intento dell’utente, le risposte fornite erano spesso generiche e inutili, e avevano una capacità limitata di raccogliere, archiviare e fornire informazioni.

Al contrario, l’Intelligenza Artificiale conversazionale coinvolge le persone in conversazioni naturali che imitano il linguaggio umano, consentendo uno scambio più fluido e intuitivo. Dimostra una notevole flessibilità e adattabilità a risultati inaspettati. È in grado di comprendere il contesto che circonda l’intento dell’utente, rilevare le emozioni e rispondere in modo empatico.

Questo livello più profondo di comprensione consente all’Intelligenza Artificiale di oggi di navigare efficacemente gli utenti lungo percorsi logici verso i loro obiettivi. Ciò include il passaggio rapido dei clienti a assistenti umani quando necessario. Inoltre, l’Intelligenza Artificiale conversazionale utilizza filtri di informazione avanzati, meccanismi di recupero e la capacità di conservare dati rilevanti, migliorando notevolmente le loro capacità di risoluzione dei problemi, il che porta a una migliore esperienza utente.

Quindi, non è che i clienti odino cecamente i chatbot, ciò che odiano è un cattivo servizio, che le versioni precedenti dei chatbot erano sicuramente colpevoli di fornire. I moderni agenti di conversazione sono così più sofisticati che oltre un quarto dei consumatori non si sentono sicuri nella loro capacità di distinguere tra agenti umani e agenti di Intelligenza Artificiale, e alcuni percepiscono i chatbot di Intelligenza Artificiale come migliori in compiti selezionati rispetto ai loro omologhi umani. 

Nei test pilota, la mia azienda ha visto gli agenti di Intelligenza Artificiale triplicare i tassi di conversione dei lead, il che è un’indicazione abbastanza potente che non si tratta di sapere se è un bot o meno – si tratta della qualità del lavoro svolto.

Mito 2: I chatbot sono troppo rischiosi

Nelle discussioni con i leader aziendali sull’Intelligenza Artificiale, spesso sorgono preoccupazioni intorno alle allucinazioni, alla protezione dei dati e al pregiudizio che potrebbero portare a violazioni normative. Sebbene siano rischi legittimi, possono essere mitigati attraverso diversi approcci: fine-tuning, Retrieval-Augmented Generation (RAG) e ingegneria dei prompt. 

Sebbene non sia disponibile su tutti gli LLM, il fine-tuning può specializzare un modello pre-addestrato per un compito o un dominio specifico, risultando in un’Intelligenza Artificiale più adatta alle esigenze specifiche. Ad esempio, un’azienda sanitaria potrebbe addestrare un modello per comprendere e rispondere meglio alle richieste mediche. 

Il RAG migliora l’accuratezza del chatbot integrando dinamicamente conoscenze esterne. Ciò consente al chatbot di recuperare informazioni aggiornate da database esterni. Ad esempio, un chatbot di servizi finanziari potrebbe utilizzare il RAG per fornire risposte in tempo reale sui prezzi delle azioni. 

Infine, l’ingegneria dei prompt ottimizza gli LLM creando prompt che guidano il chatbot a produrre risposte più accurate o consapevoli del contesto. Ad esempio, una piattaforma di e-commerce potrebbe utilizzare prompt personalizzati per aiutare il chatbot a fornire raccomandazioni di prodotti personalizzate in base alle preferenze e alla cronologia di ricerca del cliente.

In aggiunta all’utilizzo di uno o più di questi approcci, è anche possibile controllare la “temperatura” creativa di un’Intelligenza Artificiale conversazionale per aiutare a prevenire le allucinazioni. Impostare una temperatura più bassa all’interno delle chiamate API limita l’Intelligenza Artificiale a fornire risposte più deterministiche e coerenti, specialmente quando combinata con una base di conoscenza che assicura che l’Intelligenza Artificiale attinga da set di dati specificati e affidabili. Per mitigare ulteriormente i rischi, evitare di distribuire l’Intelligenza Artificiale in ruoli decisionali in cui il pregiudizio o le informazioni errate potrebbero portare a problemi legali. 

Per quanto riguarda la privacy dei dati, assicurarsi che i fornitori di Intelligenza Artificiale esterni siano conformi alle normative, o distribuire modelli open-source sulla propria infrastruttura per conservare il pieno controllo sui propri dati, essenziale per la conformità con il GDPR. 

Infine, è sempre saggio investire in un’assicurazione di responsabilità professionale che possa offrire ulteriore protezione, coprendo le aziende in scenari improbabili come tentativi di azioni legali. Attraverso queste misure, le aziende possono utilizzare con fiducia l’Intelligenza Artificiale mantenendo la sicurezza del marchio e dei clienti.

Mito 3: I chatbot non sono pronti per compiti complessi 

Dopo aver visto i problemi che le grandi aziende tecnologiche stanno avendo nel distribuire strumenti di Intelligenza Artificiale, potrebbe sembrare ingenuo pensare che un’azienda di medie dimensioni avrebbe una vita più facile. Ma l’Intelligenza Artificiale è attualmente a un punto in cui la frase “giocatore di tutti i mestieri e maestro di nessuno” non è troppo inesatta. Ciò è dovuto principalmente al fatto che questi strumenti sono chiamati a svolgere troppi compiti diversi in ambienti che non sono ancora progettati per un’efficace distribuzione dell’Intelligenza Artificiale. In altre parole, non è che non siano capaci, è che sono chiamati a fare figure di pattinaggio su un lago pieno di ghiaccio sottile e fratturato. 

Ad esempio, le organizzazioni piene di dati siloizzati e/o disorganizzati saranno più propense a far sì che l’Intelligenza Artificiale mostri informazioni obsolete, inaccurate o in conflitto. Ironia della sorte, ciò è una conseguenza della loro complessità! Mentre i chatbot più vecchi semplicemente rigurgitavano informazioni di base in modo lineare, l’Intelligenza Artificiale conversazionale può analizzare set di dati robusti, considerando diversi fattori influenti contemporaneamente per tracciare il percorso più appropriato in avanti. 

Di conseguenza, il successo con l’Intelligenza Artificiale conversazionale dipende da parametri stretti e confini estremamente chiari riguardo alle fonti di dati e ai compiti. Con i dati di addestramento appropriati e prompt progettati con cura, la funzionalità dell’Intelligenza Artificiale conversazionale può estendersi ben oltre l’ambito di un semplice chatbot. Ad esempio, può raccogliere e filtrare dati dalle conversazioni dei clienti e utilizzarli per aggiornare automaticamente un CRM. Ciò non solo semplifica i compiti amministrativi, ma assicura anche che le informazioni sui clienti siano costantemente accurate e aggiornate. Automatizzando tali compiti, le aziende possono concentrarsi su attività strategiche piuttosto che su oneri amministrativi.

Se continueremo a utilizzare il termine “chatbot”, è imperativo che differenziiamo tra piattaforme che incorporano l’Intelligenza Artificiale conversazionale all’avanguardia e quelle che offrono ancora gli strumenti limitati di ieri. Allo stesso modo in cui oggi la parola “telefono” evoca più frequentemente l’immagine di uno smartphone a schermo touch che di un telefono a filo con corda a spirale, credo che non siamo lontani dal momento in cui “chatbot” sarà sostituito dall’idea di agenti di Intelligenza Artificiale avanzati piuttosto che avatar di scelta multipla goffi.