Le due espressioni vengono usate come sinonimi in quasi tutte le riunioni, e nella maggior parte dei casi non fa danno. Il danno arriva quando dalla riunione esce una convinzione precisa: che per usare l’intelligenza artificiale un’azienda debba prima raccogliere anni di dati, ripulirli e far addestrare un modello.
Per certe applicazioni è vero. Per quelle che oggi portano il ritorno più rapido — rispondere ai clienti, qualificare i contatti, alleggerire i processi interni — non lo è affatto. Ed è il motivo per cui vale la pena chiarire cosa distingue machine learning e intelligenza artificiale: non per amore di precisione, ma perché quella confusione fa rimandare di anni progetti che si potrebbero avviare adesso.
Machine learning e intelligenza artificiale: cosa sono?
L’intelligenza artificiale è il campo: l’insieme delle tecniche con cui un sistema svolge compiti che associamo all’intelligenza umana. È un contenitore ampio, che comprende approcci molto diversi tra loro.
Il machine learning è uno di quegli approcci, ed è quello che si è imposto: invece di programmare le regole a mano, si dà al sistema una grande quantità di esempi e lo si lascia ricavare da solo le regolarità. Un sistema che impara a riconoscere le transazioni sospette guardando milioni di transazioni passate fa machine learning.
I modelli linguistici su cui si basano gli assistenti conversazionali sono a loro volta un prodotto del machine learning, addestrati su enormi quantità di testo. La catena, quindi, è questa: il machine learning è un sottoinsieme dell’intelligenza artificiale, e i modelli linguistici sono un sottoinsieme del machine learning. Parlare di machine learning e intelligenza artificiale come di due cose separate è impreciso: la seconda contiene la prima.
L’intelligenza artificiale, insomma, non coincide con il machine learning: lo comprende. Fin qui la tassonomia. Il punto è che a un’azienda serve una distinzione diversa.
Tra machine learning e intelligenza artificiale, la domanda utile non è a quale categoria appartiene una tecnologia, ma cosa vi chiede per funzionare.
Un progetto di machine learning costruito su misura — quello che in azienda si chiama genericamente “fare intelligenza artificiale” — richiede dati storici in quantità, puliti e coerenti; competenze specialistiche; tempo per addestrare e validare; e un problema abbastanza ripetitivo da giustificare tutto questo. Previsione della domanda, manutenzione predittiva, rilevamento di anomalie: sono progetti che danno risultati notevoli, e che partono da lì.
Un agente conversazionale no. Il modello è già addestrato: quello che manca non sono i vostri dati storici, sono i vostri contenuti — listini, procedure, condizioni, risposte alle domande che ricevete ogni giorno. Materiale che esiste già, spesso sparso tra un sito, qualche PDF e la testa di due persone.
È una differenza sostanziale nei tempi e nel rischio. Nel primo caso si investe prima e si scopre dopo se funziona. Nel secondo si parte da quello che avete e si vede il comportamento del sistema fin dai primi giorni.
L’equivoco che fa rimandare i progetti
Chi confonde machine learning e intelligenza artificiale arriva quasi sempre alla stessa conclusione: “non siamo ancora pronti, prima dobbiamo mettere a posto i dati”. È la frase che più spesso blocca l’adozione, ed è corretta se si parla di un modello predittivo su misura. Applicata a un agente conversazionale è semplicemente fuori bersaglio: non c’è nessun addestramento da fare sui vostri dati, e nessuna massa critica da raggiungere.
Le domande che i vostri clienti fanno più spesso sono probabilmente una decina, le risposte le conoscete già, e sono le stesse da anni. Non serve altro per cominciare.
C’è anche il rovescio della medaglia, e vale la pena dirlo: quando l’informazione non esiste da nessuna parte in forma scritta, nemmeno un agente può inventarla. Il lavoro preparatorio non è raccogliere dati, è mettere per iscritto quello che sapete. È molto meno impegnativo, ma non è zero.
Assistenza clienti, lead generation e processi: dove il ritorno arriva prima
Fatta la distinzione, le applicazioni che danno risultati nel giro di settimane invece che di trimestri sono quattro, e sono tutte conversazionali.
Assistenza clienti. Un agente conversazionale collegato ai vostri contenuti risponde alle domande ricorrenti a qualunque ora e in qualunque lingua, e passa a una persona i casi che richiedono una valutazione. Il beneficio si misura in tempo restituito a chi oggi risponde sempre alle stesse cose.
Lead generation e qualificazione. I contatti che arrivano da un form, da una landing page o da una sponsorizzata vengono accolti subito, mentre l’interesse è al massimo, e profilati con le domande che servono davvero. Al commerciale arriva una scheda completa invece di un nome e un indirizzo email: è la lead generation che smette di produrre elenchi e comincia a produrre appuntamenti.
Marketing conversazionale. Le campagne su WhatsApp partono in automatico per un evento, una promozione o una riattivazione, e chi risponde trova qualcuno che risponde davvero. La differenza rispetto a un invio tradizionale è che le domande non restano senza risposta, e quindi non si perdono lungo il percorso.
Automazione dei processi aziendali. È l’ambito meno visibile e spesso il più redditizio: le richieste interne che rimbalzano tra uffici, le domande ricorrenti del personale, gli stati di avanzamento chiesti al telefono. L’automazione dei processi aziendali con un agente non richiede di rifare i processi: richiede di renderli consultabili.
Nessuno di questi quattro casi richiede un progetto di machine learning su misura, ed è la ragione per cui partono in settimane. Tutti e quattro richiedono contenuti verificati e regole chiare su quando fermarsi.
Vuoi capire quale dei quattro ambiti porterebbe più risultati nel tuo caso, senza aspettare di avere i dati a posto? Noi di Aimage partiamo da quello che hai già. Prenota ora una consulenza gratuita con il team di Aimage.
