Esempi di implementazione dell'IA: come le aziende stanno mettendo in pratica l'IA

Introduzione

Probabilmente non c'è bisogno di convincerti dell'importanza dell'intelligenza artificiale. La domanda più difficile è dove inserirla nel contesto delle tue attività attuali.

Le organizzazioni che utilizzano bene l'IA non sono quelle che dispongono del maggior numero di strumenti di intelligenza artificiale. Sono quelle che hanno integrato l'IA in specifiche esperienze dei clienti e processi aziendali, collegandola poi ai dati e ai sistemi su cui tali processi già si basano. Un motore di raccomandazione che non tiene conto del comportamento dei clienti si limita a fare supposizioni. Un assistente basato sull’IA che non ha accesso ai dati dell’account è semplicemente una pagina di domande frequenti con modi più educati.

Questa guida illustra esempi concreti di implementazione dell’IA e sei applicazioni pratiche che puoi valutare per la tua organizzazione.

Esempi concreti di implementazione dell’IA dai clienti di Liferay DXP

Le migliori storie di successo nell’IA non iniziano con l’IA. Partono da un problema aziendale e da una piattaforma in grado di collegare l’idea giusta ai dati giusti.

Ecco come si è svolto il processo per due clienti di Liferay DXP.

Aggiunta di consigli basati sull’apprendimento automatico al più grande portale di fidelizzazione del Brasile

Con oltre 15 milioni di clienti, Smiles , il programma fedeltà della compagnia aerea brasiliana GOL, è il più grande programma fedeltà del Brasile. A seguito della sua quotazione in borsa, l’azienda aveva bisogno di un portale clienti in grado di rimanere stabile durante i picchi di traffico promozionali e di consentire ai propri team di pubblicare contenuti senza dover ricorrere al reparto IT.

Smiles ha ricostruito quel portale su Liferay DXP in soli cinque mesi. Nell’ambito del progetto, il team ha utilizzato le API headless di Liferay per collegare il portale al CRM aziendale e a un motore di machine learning. Il collegamento tra i due sistemi ha consentito al machine learning di accedere ai dati reali dei clienti.

Smiles ha messo a frutto tale connessione con una finestra di raccomandazioni, una sezione del portale che mostrava a ciascun cliente offerte personalizzate di prodotti e servizi in base al proprio profilo. Poiché le raccomandazioni attingevano agli stessi dati del CRM che alimentavano il resto del portale, riflettevano l’effettivo rapporto di ciascun cliente con il programma. La finestra di raccomandazioni ha portato a un aumento del 46% del tasso di conversione.

Aggiunta di raccomandazioni basate sull’intelligenza artificiale a una piattaforma di commercio unificato

Uno dei principali fornitori di telecomunicazioni del Medio Oriente ha iniziato in modo diverso. La sua applicazione di e-commerce legacy si basava su un catalogo prodotti decentralizzato, per cui anche le modifiche più semplici ai prodotti o alle promozioni dovevano passare attraverso il reparto IT. Man mano che il catalogo cresceva, diventava sempre più difficile da gestire.

Per risolvere il problema, l’azienda è passata a un’unica piattaforma di e-commerce Liferay DXP al servizio sia dei clienti B2B che B2C. Contenuti dei prodotti, prezzi, promozioni e gestione dell’inventario sono stati riuniti in un unico posto, e la piattaforma si è integrata con il CRM back-end dell’azienda, i gateway di pagamento, il chatbot e i sistemi di spedizione. I negozi hanno inoltre iniziato a fungere anche da magazzini estesi, avvicinando le operazioni di e-commerce a quelle dei punti vendita.

Una volta centralizzati i dati sui prodotti, l’azienda ha potuto integrare l’intelligenza artificiale. Utilizzando i servizi di IA/ML di Liferay, ha lanciato uno strumento di raccomandazione dei prodotti per supportare l’upselling e il cross-selling su oltre 70.000 SKU. I consigli hanno offerto ai clienti un modo più pertinente per scoprire i prodotti, mentre la nuova piattaforma ha ridotto del 93% il tempo necessario per configurare i prodotti. Il progetto illustra la sequenza di operazioni che rende efficace l’IA: prima i dati puliti e centralizzati, poi l’intelligenza.

6 esempi pratici di implementazione dell’IA nelle operazioni aziendali

L’IA può aggiungere valore in quasi ogni ambito di un’azienda, dal service desk alla catena di approvvigionamento. Alcune applicazioni si basano sull’apprendimento automatico per individuare modelli e formulare previsioni. Altre utilizzano l’IA generativa e modelli linguistici di grandi dimensioni per comprendere le domande e creare contenuti, e le più efficaci spesso combinano i due approcci. Ciò che accomuna le implementazioni di maggior successo è un chiaro collegamento alle reali esigenze aziendali e ai sistemi e ai dati che già le supportano.

1. Servizio clienti e self-service basati sull’IA

I team di assistenza dedicano gran parte della giornata ad attività di routine, quali richieste di rimborso, verifiche sullo stato degli ordini e domande relative alla fatturazione. Queste sono esattamente le richieste che l’IA gestisce bene, e il suo ruolo sta crescendo rapidamente. Gartner prevede che entro il 2029 l’IA agentica risolverà l’80% dei problemi comuni del servizio clienti senza intervento umano, portando a una riduzione del 30% dei costi operativi.

Ma un assistente basato sull’IA è utile solo nella misura in cui dispone di connessioni. Integrato in un portale self-service che conosce già l’identità del cliente e ciò che ha ordinato, un assistente conversazionale basato sull’IA può attingere alla tua base di conoscenza, ai dati dell’account e al sistema di gestione dei casi per risolvere le richieste, anziché limitarsi a rispondere alle domande frequenti. Quando una richiesta si complica, viene trasferita a un operatore umano.

I potenziali vantaggi includono tempi di risposta più rapidi, un minor volume di richieste di assistenza e una migliore esperienza del cliente. Monitora i tempi di risoluzione, la riduzione dei ticket e la soddisfazione dei clienti per valutarne l’impatto.

2. Consigli personalizzati sui prodotti ed esperienze cliente su misura

I clienti si aspettano ormai che le interazioni online siano pertinenti, e l’apprendimento automatico colma questa lacuna analizzando il comportamento dei clienti, la cronologia degli acquisti e i cataloghi dei prodotti per consigliare ciò che ogni persona è più propensa a desiderare. Gli algoritmi di IA si occupano delle previsioni, ma è la piattaforma a fornire i risultati. I consigli devono attingere ai dati del CRM e del commercio, per poi apparire ovunque i clienti interagiscano, dalle vetrine e dai portali ai programmi fedeltà, attraverso regole di personalizzazione che i team di marketing possono gestire autonomamente.

3. Ricerca intelligente e gestione della conoscenza

La maggior parte delle organizzazioni dispone già delle risposte di cui hanno bisogno i propri dipendenti e clienti. Il problema è trovarle. In un sondaggio di Gartner condotto su quasi 5.000 lavoratori del settore digitale, il 47% ha dichiarato di avere difficoltà a trovare le informazioni o i dati necessari per svolgere efficacemente il proprio lavoro.

L’IA generativa cambia il modo in cui funziona la ricerca. Anziché limitarsi a trovare corrispondenze tra parole chiave, la ricerca semantica utilizza un modello linguistico per interpretare l’intento che sta dietro a una domanda formulata in linguaggio naturale e far emergere i contenuti più rilevanti. Comprende ciò che le persone intendono dire, non solo ciò che digitano. Deve inoltre rispettare le autorizzazioni già impostate, in modo che gli utenti vedano solo ciò che sono autorizzati a vedere.

Per le intranet aziendali , i portali dei partner e i siti di assistenza, la ricerca basata sull’IA è spesso il modo più rapido per dimostrare il valore dell’IA: meno tempo dedicato alla ricerca, meno ticket di assistenza e team più produttivi. Misura il tasso di successo della ricerca, il tempo necessario per trovare le informazioni e i ticket evitati.

4. Analisi predittiva e processo decisionale basato sui dati

L’analisi predittiva utilizza l’IA per identificare modelli nei dati storici e operativi, in modo che i team possano agire prima che un problema si manifesti, anziché dopo. È particolarmente utile quando è necessario integrare dati complessi provenienti da diversi sistemi per ottenere informazioni che nessun singolo report è in grado di fornire.

Ecco come ciò potrebbe presentarsi in diversi settori:

• Un produttore potrebbe combinare le letture dei sensori sullo stato delle apparecchiature con la cronologia degli interventi di assistenza per programmare la manutenzione prima che si verifichi un guasto.
• Un rivenditore potrebbe prevedere la domanda sulla base della cronologia delle vendite e delle tendenze di mercato per migliorare la gestione delle scorte e individuare eventuali ritardi lungo la catena di approvvigionamento.
• Un fornitore di energia potrebbe prevedere il consumo energetico per regione, identificare i clienti a rischio di abbandono e inviare un messaggio tempestivo tramite il proprio portale clienti.
• Una società di servizi finanziari potrebbe segnalare transazioni insolite prima che si trasformino in perdite finanziarie, utilizzando lo stesso sistema di riconoscimento dei modelli impiegato nel rilevamento delle frodi.

In ogni caso, una previsione crea valore solo se raggiunge qualcuno in grado di agire di conseguenza. Collegare i flussi di dati e i servizi di analisi ai portali, alle dashboard e ai flussi di lavoro in cui i team operano già è ciò che trasforma le informazioni utili in decisioni basate sui dati, in un’allocazione più intelligente delle risorse e in una gestione della catena di approvvigionamento che si adatta al mutare delle condizioni. Monitora l’accuratezza delle previsioni, la fidelizzazione e i tempi di intervento per misurare l’impatto sul processo decisionale.

5. Gestione dei contenuti e localizzazione assistite dall’IA

Per le aziende globali, ogni lancio moltiplica il carico di lavoro relativo ai contenuti: decine di siti regionali, più lingue e una libreria di risorse in continua crescita. Tralasciare la localizzazione non è davvero un’opzione. CSA Research ha rilevato che il 76% degli acquirenti online preferisce acquistare prodotti con informazioni nella propria lingua, mentre il 40% non acquista affatto da siti web in altre lingue.

L’IA può farsi carico di gran parte di questo carico di lavoro. L’IA generativa può redigere testi e creare immagini direttamente all’interno dell’editor di contenuti. La traduzione automatica può produrre automaticamente versioni localizzate di ogni pagina. L’assegnazione automatica dei tag, compresa la visione artificiale per le immagini, può etichettare le risorse non appena vengono create, rendendole facili da trovare in seguito.

Un’azienda multinazionale potrebbe utilizzare queste funzionalità per preparare il lancio di un prodotto in 15 mercati contemporaneamente, con redattori locali che revisionano e approvano ciascuna versione attraverso i propri flussi di lavoro esistenti. L’IA si fa carico delle attività ripetitive, mentre le persone garantiscono l’accuratezza e la coerenza del marchio. Alcuni team stanno andando oltre con l’IA agentica che gestisce flussi di lavoro di marketing in più fasi . Misura il tempo necessario per la pubblicazione, i tempi di localizzazione e le ore impiegate per etichettare manualmente le risorse.

6. Automazione intelligente dei flussi di lavoro

Le persone qualificate perdono ore ogni settimana a classificare le richieste, raccogliere informazioni e indirizzare il lavoro al team giusto. La situazione sta cambiando rapidamente. Gartner prevede che entro il 2028 almeno il 15% delle decisioni operative quotidiane sarà preso in modo autonomo tramite l’IA agentica, rispetto a nessuna nel 2024, e che il 33% delle applicazioni software aziendali includerà l’IA agentica.

L’IA può automatizzare attività ripetitive come queste all’interno dei flussi di lavoro low-code che i team già utilizzano. È in grado di leggere una richiesta in arrivo, classificarla, estrarre i record correlati e indirizzarla alla coda corretta, con l’approvazione umana in fasi definite. Quando tali flussi di lavoro sono già collegati a moduli, approvazioni e applicazioni aziendali, l’IA si integra nel processo anziché rimanere al suo margine.

La stessa efficienza si estende allo sviluppo software, dove gli assistenti di codifica basati sull’IA aiutano gli sviluppatori a redigere, rivedere e correggere il codice. In entrambi i casi, l’IA dà i risultati più rapidi quando è integrata negli strumenti che le persone già utilizzano. Monitora i tempi di ciclo, l’accuratezza dell’instradamento e le ore di lavoro amministrativo eliminate.

Cosa hanno in comune le implementazioni aziendali di IA di successo?

Il successo di un’implementazione dell’IA dipende solitamente meno dai modelli di IA stessi che da tutto ciò che li circonda, compresi i dati su cui si basano, i sistemi a cui si collegano e le persone che li supervisionano.

Le implementazioni di successo tendono a poggiare su cinque pilastri.

Nessuno di questi aspetti dipende da una particolare tecnologia di IA. La scelta del modello e le sue prestazioni contano, ma raramente sono la causa per cui i progetti di IA si arenano. Dati frammentati, sistemi scollegati e responsabilità poco chiare sono cause molto più comuni, e sono le stesse lacune che rallentano gli sforzi più ampi di trasformazione verso l’IA.

Come possono le aziende identificare le giuste opportunità di implementazione dell’IA?

Le ricerche di mercato e le demo dei fornitori possono mostrarti cosa è in grado di fare l’IA. Solo le tue operazioni interne possono indicarti dove intervenire per primo. Inizia con un processo ad alto volume che già utilizza dati di cui ti fidi, in cui sia possibile misurare i risultati prima e dopo.

1. Individua i punti di attrito. Cerca processi caratterizzati da attività ripetitive, tempi di risposta lenti o informazioni che il personale non riesce a trovare. Parla con gli esperti in materia dei reparti specifici, non solo con il reparto IT. Sono loro a sapere dove si perdono le ore di lavoro.
2. Verifica i dati. Assicurati che i dati necessari per questo caso d’uso esistano, siano accessibili e siano gestiti in modo adeguato. Se risiedono in cinque sistemi che non comunicano tra loro, collegarli sarà la tua prima fase di lavoro.
3. Mappa le integrazioni. Elenca tutti i sistemi da cui l’IA deve leggere o su cui deve scrivere. Più sistemi la tua piattaforma collega già, più velocemente procederai.
4. Decidi chi si occuperà della realizzazione e della manutenzione. Alcuni progetti di IA richiedono data scientist per l’addestramento dei modelli, ma molti altri no. Chiarisci quali responsabilità spettano al tuo team, quali a un partner e cosa accadrà dopo la messa in produzione.
5. Valuta la complessità e il rischio. Considera i requisiti di sicurezza, l’esposizione normativa e i punti in cui la revisione umana non può essere tralasciata.
6. Stabilisci gli indicatori chiave di prestazione (KPI) e inizia con un approccio mirato. Lancia un’applicazione, valutane i risultati e parti da lì per espanderti. Un primo successo ti fornirà le prove e il sostegno interno necessari per essere più ambiziosi la prossima volta.

Non serve una strategia aziendale completa sull’IA per iniziare il tuo percorso nell’IA. Serve un caso d’uso ben scelto.

In che modo Liferay DXP supporta l’implementazione dell’IA aziendale

L’IA è potente solo quanto la piattaforma che la mette in funzione. Liferay DXP ti offre proprio quella piattaforma: una base flessibile in cui l’IA si collega ai tuoi dati, si manifesta nelle esperienze giuste e rimane sicura grazie all’impegno di Liferay a favore di un’IA responsabile . Poiché funziona con i sistemi che già possiedi , non dovrai ricominciare da zero per partire.

Che si tratti di aggiungere un assistente IA a un portale clienti, personalizzare una vetrina online o automatizzare le approvazioni, Liferay DXP consente di sviluppare soluzioni di IA in base alle esigenze aziendali e di scalarle man mano che le ambizioni crescono. Ecco gli strumenti a tua disposizione.

• Strumenti di contenuto basati sull’IA integrati che redigono testi, generano immagini, traducono pagine e taggano le risorse proprio dove i tuoi team già lavorano
• AI Hub per la creazione e la distribuzione di agenti di IA in grado di gestire attività articolate in più fasi, senza un lungo ciclo di sviluppo dell’IA
• Ricerca più intelligente che comprende ciò che le persone intendono dire, non solo ciò che digitano
• Esperienze personalizzate che mostrano a ogni visitatore i contenuti, i prodotti e le offerte più rilevanti per lui
• La libertà di collegare i modelli e i servizi di IA che preferisci, in modo da non essere mai vincolato a un unico fornitore
• Integrazioni con i sistemi che già utilizzi, dai CRM e ERP alle piattaforme dati
• Autorizzazioni, tracciati di audit e flussi di lavoro di approvazione che tengono sotto controllo ogni sistema basato sull’IA, supportati da un approccio certificato ISO 42001 per un’IA responsabile

Metti l’IA al lavoro con le giuste basi digitali

Questi esempi di implementazione dell’IA portano tutti alla stessa conclusione: l’IA crea un vantaggio competitivo quando è collegata ai dati, ai sistemi e ai processi giusti. Klarna ha dimostrato cosa può fare l’IA nel servizio clienti e cosa non dovrebbe fare da sola. Morgan Stanley, Lumen, Smiles e un importante operatore di telecomunicazioni hanno dimostrato cosa succede quando l’IA viene integrata nel lavoro che le persone già svolgono.

Per la maggior parte delle aziende, il primo progetto di IA è solo l’inizio. Se si gestisce correttamente un caso d’uso, il successivo risulterà più semplice, poiché i dati sono già collegati, la governance è già in atto e i team hanno constatato che funziona. È così che le organizzazioni sfruttano l’IA per rispondere rapidamente alle mutevoli condizioni di mercato senza dover ricominciare da zero ogni volta.

Esplora le funzionalità di IA di Liferay per scoprire in quali ambiti l’IA potrebbe fare la differenza per la tua organizzazione.

Domande frequenti

Quali sono alcuni esempi di implementazione dell'IA nel mondo aziendale?

Esempi comuni includono assistenti basati sull'IA per il servizio clienti, consigli basati sull'apprendimento automatico, ricerca basata sull'IA, analisi predittiva, gestione dei contenuti assistita dall'IA e automazione dei flussi di lavoro. Smiles, cliente di Liferay, ad esempio, ha integrato l’apprendimento automatico nel proprio portale fedeltà per proporre offerte personalizzate e ha registrato un aumento del 46% del tasso di conversione. L’uso più efficace dell’IA si concentra su una specifica funzione aziendale e si collega ai dati su cui tale funzione già si basa.

Le aziende possono integrare l’IA senza sostituire i propri sistemi esistenti?

Sì. La maggior parte dei sistemi di IA si collega ai sistemi CRM, di e-commerce, di gestione dei contenuti e di gestione delle identità esistenti tramite API. Sia Smiles che il principale operatore di telecomunicazioni hanno aggiunto i consigli basati sull’IA alle piattaforme Liferay DXP che erano già collegate ai propri sistemi CRM e di back-end. Ciò che conta è disporre di una piattaforma sufficientemente flessibile da collegare i servizi di IA a ciò che già si utilizza, senza dover cambiare piattaforma.

In che modo le organizzazioni possono misurare il successo di un’implementazione di IA?

Scegli un KPI aziendale prima del lancio e misuralo rispetto a un valore di riferimento. Per il servizio clienti, potrebbe trattarsi del tempo di risoluzione o della riduzione dei ticket. Per i consigli, è il tasso di conversione, mentre per l’automazione dei flussi di lavoro sono le ore risparmiate o il tempo di ciclo. I miglioramenti nell’efficienza operativa sono un buon punto di partenza, ma è importante collegarli a risultati aziendali quali fatturato, fidelizzazione o risparmi significativi sui costi, in modo che i risultati abbiano peso nelle discussioni sul budget.