Nelle aziende prende sempre più piede l’Intelligenza Artificiale, grazie al fatto che i modelli di AI generativa rendono possibile automatizzare le operazioni ripetitive, rendendo alcune procedure estremamente rapide da eseguire. Tuttavia, tali strumenti raggiungono i migliori risultati nel momento in cui vengono associati ad un intervento di knowledge management.
Per diventare operativi i modelli di AI generativa vengono addestrati con miliardi di parametri. La logica è quella “dell’input set”: le informazioni che vengono fornite all’AI costituiscono la vera e propria base del suo modello di generazione di contenuti. Ne consegue che inserire un modello di AI così addestrato 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, infatti, corre il rischio di proporre contenuti e risultati non coerenti con la richiesta di partenza perché basa il suo linguaggio su informazioni esterne alla Knowledge Base aziendale. L’input set delle informazioni assume quindi un ruolo di vitale importanza.
Stando così le cose, la Knowledge Base deve subire un processo di riscrittura e ottimizzazione per assicurarsi che l’AI restituisca soltanto i contenuti pertinenti, di qualità e coerenti con la richiesta di partenza. Secondo Leonardo D’Itri, CEO del servizio di consulenza e servizi aziendali Aryanna, questa ottimizzazione passa attraverso una serie di fasi che compongono una metodologia battezzata Advanced Knowledge Base.
È necessario partire da un’atomizzazione delle informazioni disponibili, ovvero dalla scomposizione di informazioni complesse in “pacchetti” di informazioni più semplici. Il secondo step consiste nella riorganizzazione e riscrittura di tali informazioni, affinché rispettino stringenti criteri di chiarezza, univocità e immediata processabilità. Per concludere, arriviamo all’input di tali informazioni all’interno del modello generativo. Input prima del quale si rende imperativa un’azione di prompt engineering (di addestramento del linguaggio dell’AI alla Knowledge base aziendale).
Leonardo D’Itri ha dichiarato che “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”. Con riferimento alla funzione del Customer Care, sono quindi state testate le performance di 3 modelli generativi: ChatGPT 3.5 (mondo Microsoft), Anthropic (mondo Google) e Stability AI (mondo open source).
ChatGPT, rispetto agli altri due modelli, offre risultati migliori ed è l’unico che rimane coerente, che non supera i confini della Knowledge Base di riferimento anche quando viene configurato con una temperatura bassa. “Temperatura bassa” è un’espressione utilizzata per indicare il livello di creatività: più basso è il livello, minori saranno i discostamenti dal contesto di knowledge richiesto. Anthropic e Stability AI, per esempio, non funzionano così bene sotto questo aspetto.
ChatGPT, soprattutto grazie al maggior numero di parametri a cui è stata esposta, si conferma come lo strumento di AI Generativa più adatto per le funzioni del Customer Care, dove è essenziale che le informazioni siano univoche ed immediatamente processabili.
Quando si parla di Customer Care un secondo elemento da considerare è la findability delle informazioni, cioè come queste possono essere trovate. Per rendere il servizio adattabile alle abitudini dell’operatore, che può preferire un processo di ricerca piuttosto che un altro, è necessario garantire un elevato numero di punti accesso all’informazione.
Un terzo ed ultimo elemento cui prestare attenzione è rappresentato dai cluster di contenuti informativi e formativi. Tali cluster si rivelano utili per l’operatore, non solo quando si trova a rispondere all’utente finale ma anche quando ha la necessità di rimanere aggiornato sulle novità di processo documentali.
L’automazione e l’implementazione dei modelli generativi all’interno della funzione di Customer Care sta traghettando le aziende verso un approccio proattivo, capace di anticipare le richieste e proporre spontaneamente contenuti coerenti con la richiesta del cliente finale. In questo contesto l’intelligenza umana non puo’ sottrarsi al compito di sorvegliare ed ottimizzare le informazioni da inputare all’intelligenza artificiale.
M.M.