IA nel post-vendita: perché 3 servizi su 4 non ne vedono il ROI

La spesa in IA dei responsabili del servizio clienti è aumentata del 38 % nel 2026, mentre il loro budget complessivo è cresciuto solo del 2 %, secondo Gartner. Eppure solo il 24 % dei responsabili Service & Support intervistati da Gartner dichiara di dimostrare un ritorno finanziario positivo sui propri casi d’uso dell’IA.

Nel post-vendita e nei servizi sul campo industriali, anche McKinsey osserva numerosi progetti promettenti, ma ancora poche aziende in grado di trasformare questi risultati in un impatto misurabile sul conto economico.

Allora, dove si perde il valore?

Partire dal problema, non dall’IA

Il 91 % dei responsabili Service & Support dichiara di subire pressioni dalla direzione per implementare l’IA, secondo Gartner.

Questa pressione può facilmente capovolgere il ragionamento: scegliere un chatbot, un assistente o un agente IA, e poi trovargli un’utilità.

Bisognerebbe invece partire dai problemi del post-vendita:

• Quali attriti incontra il cliente nella sua esperienza con il vostro servizio?
• Dove perdono tempo i tecnici? Perché?
• Qual è la quota di richieste ripetitive?
• Quali spostamenti si potrebbero evitare?
• Qual è il tempo medio di una diagnosi? Perché?

La facilità con cui oggi si prototipa un’interfaccia software rafforza questa distorsione: si può ottenere molto rapidamente una prima demo convincente, senza aver affrontato le questioni di integrazione, di dati e di misurazione.

BCG osserva proprio che i pionieri dell’adozione ottengono spesso guadagni di produttività puntuali senza raggiungere il ROI atteso, soprattutto perché i loro primi casi d’uso non vanno abbastanza lontano, o perché il passaggio su larga scala fallisce.

L’IA deve conoscere il vostro post-vendita, ed essere inquadrata

Un’IA generica può spiegare un codice di errore a partire da un manuale.

Ma per aiutare davvero un tecnico o un cliente, dovrebbe anche sapere che quel guasto si è già verificato su quella gamma di macchine, quali soluzioni hanno funzionato, quali pezzi sono stati sostituiti e che cosa è già stato tentato su quella specifica apparecchiatura.

Queste informazioni, però, raramente si trovano nello stesso posto.

Sono disperse tra documentazione tecnica, CRM, ERP, ticket, report d’intervento, storici macchina, WhatsApp, email e conoscenze dei tecnici.

McKinsey individua proprio questa frammentazione dei dati e i sistemi legacy come due dei principali ostacoli alla scalabilità dell’IA nel post-vendita e nei servizi sul campo.

La scelta del modello di IA è quindi solo una piccola parte del progetto. Il valore dipende soprattutto dal contesto aziendale a cui l’IA può accedere, e dall’infrastruttura che la inquadra (l’«harness»):

• Come trova l’informazione giusta tra migliaia di documenti?
• Come sa quale domanda porre al momento giusto per il vostro contesto aziendale?
• Come reagisce in base alle vostre personas (un distributore ha esigenze diverse da un cliente finale)?
• Come assicurarsi che risponda sulla base delle vostre conoscenze, e non delle conoscenze generali del suo modello?

È questo quadro a decidere se l’IA si appoggia sul vostro post-vendita, o se risponde fuori tema.

Un guadagno di produttività non è un ROI

Supponiamo che un assistente faccia risparmiare 20 minuti al giorno a un tecnico.

Il guadagno è reale. Ma se a valle non cambia nulla, il costo del post-vendita resta praticamente identico.

Per creare valore, questi 20 minuti devono tradursi in qualcosa di concreto:

• Diagnosi a distanza migliore: meno spostamenti, quindi un costo d’intervento ridotto.
• Tempo di ricerca ridotto: più richieste gestite, quindi capacità aggiuntiva senza assunzioni.
• Interventi documentati automaticamente: una conoscenza riutilizzabile, quindi risoluzioni più rapide la volta successiva.

Ecco perché aggiungere un Copilot, un ChatGPT o un Claude a una fase esistente non sempre basta.

BCG raccomanda di andare oltre i semplici guadagni di produttività per ripensare processi e workflow attorno all’IA. Gartner giunge alla stessa conclusione sul percorso cliente: invece di aggiungere chatbot isolati, le aziende devono costruire percorsi in cui l’IA aiuti davvero a risolvere il problema dall’inizio alla fine.

In un servizio post-vendita, far redigere un rapporto cinque minuti più in fretta è utile. Fare in modo che l’intervento alimenti automaticamente lo storico dell’apparecchiatura e diventi sfruttabile al guasto successivo crea un circolo molto più interessante:

Ogni risoluzione accelera la successiva.

Dall’IA che funziona all’IA che rende

I dati Gartner rivelano meno un limite dell’IA nel post-vendita che una confusione tra tre livelli di maturità:

• Un’IA che funziona: sa svolgere il compito.
• Un’IA utile: dispone del contesto giusto e migliora davvero il lavoro del post-vendita.
• Un’IA redditizia: quel guadagno operativo si trasforma in riduzione dei costi, capacità aggiuntiva o ricavi.

È in genere tra queste tre fasi che il ROI si perde.

Prima di lanciare un nuovo progetto di IA, la prima domanda non è quindi «quale strumento di IA implementare?», ma «quale problema vogliamo risolvere, e per quale obiettivo di business?»