Customer support eCommerce con agenti AI: dal ticket alla vendita

Un agente AI di customer support eCommerce è un LLM connesso ai sistemi di ordine, catalogo e spedizioni, capace di rispondere autonomamente a 60–80% dei ticket ricorrenti (tracking, resi, disponibilità, taglie/colori) e di scalare al team umano solo i casi ambigui. La differenza fra un chatbot inutile e un agente che paga davvero è nell'accesso ai dati veri, non nei prompt.

Setup che funziona: LLM con tool calling verso API Magento/Shopify (ordini, tracking, catalogo), API corriere (DHL, GLS, BRT), CMS FAQ, sistema RMA. Ogni tool ha permessi minimi e un rate limit. Nessun accesso a dati sensibili fuori scope.

Handoff intelligente: la scalation al team umano è ATTIVA (l'agente scrive: 'Passo a un collega che ha visto casi come questo') non passiva ('non ho capito, riprova'). Il ticket arriva all'operatore già con context, storico, prodotti citati e sentiment stimato. Il tempo medio di risoluzione crolla anche sui casi umani.

L'insight più sottovalutato: gli agenti AI producono dati strutturati su cosa i clienti chiedono davvero. In 30 giorni raccogli tassonomia dei problemi, colli di bottiglia logistici, SKU con friction ricorrenti. Il product team scopre in due settimane quello che prima veniva fuori a bilanci trimestrali.

Conversione da support a vendita: se l'agente vede un carrello aperto o un cliente che chiede una taglia non disponibile, propone alternative o notify-when-available direttamente in chat. Su un cliente fashion questo ha aggiunto 4,2% di revenue attribuita al support — un canale che prima era solo costo.

Cosa non funziona: agenti AI addestrati solo su knowledge base statica senza accesso ai dati transazionali. Il cliente vuole sapere DOVE è il suo pacco, non un articolo generico sui tempi di spedizione. Senza tool calling reale, un chatbot AI è peggio di una FAQ.

Come misuriamo la qualità reale dell'agente

Non basta il tasso di risoluzione automatica. Tracciamo quattro metriche in parallelo: CSAT sui ticket chiusi dall'agente (deve essere ≥ CSAT umano, non solo 'sufficiente'), tasso di riapertura entro 7 giorni (un ticket 'risolto' che il cliente riscrive dopo 3 giorni è un fallimento mascherato), tempo medio dell'operatore su ticket escalati (deve scendere grazie al contesto passato dall'agente), revenue incrementale attribuita alle proposte proattive dell'agente. Se anche una sola metrica peggiora, il modello va ricalibrato prima di espandere lo scope.

Tono di voce e allineamento al brand

Un errore che spesso vediamo è lasciare l'LLM 'default' — tono neutro, formale, americano-tradotto. Fa sembrare il brand freddo e generico. Investiamo 2–3 giorni a inizio progetto per definire un tone-of-voice document (200–300 esempi di risposta bene/male) e lo iniettiamo come system prompt più esempi few-shot. Il risultato: clienti che scrivono 'grazie, sei stato super gentile' senza sapere di aver parlato con un agente AI. Sui brand luxury e fashion questo pezzo è decisivo — se il tono non è giusto, il brand equity si erode.

Fallback e trasparenza verso il cliente finale

Dichiariamo sempre che l'utente sta parlando con un assistente AI (obbligo di trasparenza AI Act EU in vigore da agosto 2026) e permettiamo in ogni momento la richiesta esplicita di operatore umano ('parla con una persona' → handoff immediato senza domande). Questa trasparenza non peggiora le metriche — al contrario aumenta il CSAT perché il cliente sente di avere controllo. I merchant che nascondono l'AI hanno più reclami quando qualcosa va storto, non meno.