Il dirigente tecnologico afferma che i leader automatizzano troppo invece di correggere una progettazione scadente del prodotto
Shankar Sahai spiega perché i leader della CX dovrebbero correggere una progettazione scadente del prodotto e dati disordinati prima di usare l’IA per automatizzare i problemi del percorso del cliente.
Shankar Sahai
Direttore dell’esperienza del cliente presso UpendNow.com
Ricerca sull’IA: L’IA riduce da settimane a minuti il tempo necessario per la ricerca qualitativa, rivelando in tempo reale i punti di attrito specifici degli utenti.
Giudizio umano: Gli esseri umani devono interpretare il contesto del settore, riprogettare i percorsi e gestire le decisioni delicate relative al recupero del servizio.
Supporto contestuale: L’IA fornisce al personale di supporto il contesto completo della sessione, consentendo un’assistenza più rapida e pertinente senza intrappolare i clienti nei bot.
Progettazione prima di tutto: Una progettazione migliore del prodotto spesso supera la personalizzazione quando gli utenti hanno bisogno di flussi di lavoro più semplici, interfacce più chiare e ricerche più rapide.
Base dati: I progetti pilota di IA di successo richiedono dati ripuliti e unificati; altrimenti l’automazione amplifica contraddizioni, rumore e decisioni errate.
Shankar Sahai è il CXO di UpendNow.com, una piattaforma di orchestrazione della produzione basata sull’intelligenza artificiale che semplifica la creazione di video, film e pubblicità. Il suo obiettivo è impedire all’organizzazione di costruire prodotti costosi che nessuno desidera. E lo fa con l’intelligenza artificiale.
Abbiamo parlato con Shankar per scoprire cosa sta automatizzando e dove il design supera l’automazione.
Garantire che l’esperienza umana corrisponda alle promesse della sala riunioni
Ciao a tutti, sono Shankar Sahai e sono il direttore dell’esperienza del cliente di UpendNow.com.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Se dovessi riassumere in una sola frase ciò che faccio ogni giorno, sarebbe questa: impedisco alle aziende di costruire prodotti incredibilmente costosi che nessuno desidera o sa come utilizzare. Trascorro la maggior parte del mio tempo all’intersezione caotica tra sviluppo del prodotto, ricerca sui clienti e strategia operativa.
In UpendNow operiamo profondamente nell’ambito B2B, aiutando le organizzazioni a gestire enormi trasformazioni digitali e a correggere percorsi dei clienti problematici. Quando parliamo di "scala", non ci riferiamo tanto al conteggio di un enorme volume di ticket di assistenza — anche se ne vediamo molti — quanto alla gestione di una complessità operativa enorme. Esaminiamo ecosistemi multicanale in cui i clienti possono passare da un portale web a un’app mobile, all’assistenza diretta e a un rappresentante commerciale nella stessa settimana, aspettandosi che l’azienda ricordi magicamente ogni interazione.
In qualità di CXO, aiuto i team dirigenziali a smettere di considerare la CX soltanto come un centro di costo legato all’"assistenza" e a iniziare a trattarla come un motore fondamentale dell’attività aziendale. Ci occupiamo del lavoro più impegnativo — dalla ricerca approfondita sugli utenti all’automazione dei flussi di lavoro e alle trasformazioni agili — per garantire che l’esperienza umana corrisponda alle grandi promesse fatte nella sala riunioni.
Come integrare l’intelligenza artificiale nella ricerca qualitativa sugli utenti
Abbiamo creato una pipeline interna di intelligenza artificiale che acquisisce, categorizza e mappa il sentiment dei dati grezzi delle conversazioni in tempo reale… Questo ha eliminato le supposizioni. Il tempo necessario per ottenere informazioni utili è passato da tre settimane a pochi minuti. Di recente, infatti, abbiamo individuato un grave difetto UX in un nuovo portale entro 48 ore dal lancio, lo abbiamo corretto immediatamente ed evitato un enorme picco nei ticket di assistenza.
Il nostro cambiamento più significativo non è stato installare un chatbot appariscente rivolto ai clienti. Abbiamo invece integrato l’intelligenza artificiale in profondità nella nostra ricerca qualitativa sugli utenti e nell’analisi post-interazione.
Avevamo una montagna di dati non strutturati: migliaia di ore di interviste agli utenti, trascrizioni delle conversazioni con l’assistenza e feedback a risposta aperta. In passato, esaminare manualmente tutto questo materiale per trovare informazioni utili richiedeva settimane. Quando riuscivamo a mappare i punti di attrito, i dati erano già obsoleti.
Abbiamo creato una pipeline interna di intelligenza artificiale che acquisisce, categorizza e mappa il sentiment dei dati grezzi delle conversazioni in tempo reale. Invece di limitarsi a segnalare "felice o triste", individua ostacoli comportamentali specifici, come il punto in cui un utente si confonde a causa della terminologia dell’interfaccia o abbandona un flusso di onboarding.
Per quanto riguarda gli strumenti, utilizziamo l’API Whisper di OpenAI per la trascrizione di audio e video. Per l’analisi e la categorizzazione utilizziamo Claude (3.5 Sonnet) di Anthropic.
Questo ha eliminato le supposizioni. Abbiamo sostituito le intuizioni della sala riunioni con dati concreti. Ora disponiamo di una dashboard aggiornata in tempo reale che mostra esattamente perché e dove gli utenti incontrano difficoltà. Inoltre, ha aumentato la velocità. Il tempo necessario per ottenere informazioni utili è passato da tre settimane a pochi minuti. Di recente, infatti, abbiamo individuato un grave difetto UX in un nuovo portale entro 48 ore dal lancio, lo abbiamo corretto immediatamente ed evitato un enorme picco nei ticket di assistenza.
Un flusso di lavoro CX ad alto coinvolgimento, supportato dall’intelligenza artificiale
In UpendNow.com il nostro intero mondo ruota attorno a Solt OS, la nostra piattaforma che aiuta registi e agenzie pubblicitarie ad automatizzare l’incubo della pre-produzione, trasformando una sceneggiatura disordinata in storyboard, liste delle inquadrature e budget. Poiché la produzione cinematografica è così visiva e complessa, per noi un flusso di lavoro standard per i ticket di assistenza non funziona. Quando un regista è bloccato nel tentativo di generare un video di pre-visualizzazione e la coerenza dei personaggi continua a venir meno, non desidera un generico help desk informatico.
Ora gestiamo tutto questo senza difficoltà. Ecco il flusso di lavoro.
Nel momento in cui un creativo segnala un problema o si trova in difficoltà, la nostra intelligenza artificiale interna non si limita a leggere il testo del suo reclamo: acquisisce l’intero contesto della sessione creativa. Analizza la sceneggiatura caricata, i prompt utilizzati e gli storyboard che non hanno funzionato.
Da lì, l'IA svolge il complesso lavoro analitico. Diagnostica l'esatto punto di attrito creativo, come quando rileva che il filmmaker ha utilizzato un'intestazione di scena non standard che ha confuso il sistema nel monitoraggio delle location.
Poi, invece di far aspettare l'utente o di farlo parlare con un bot, il sistema trasferisce tutto a uno dei membri del nostro team. Ma lo fa fornendo una scheda informativa completa. L'operatore umano apre il caso e vede immediatamente quali numeri di scena entrano in loop, qual è l'errore di formattazione e una soluzione già predisposta.
Il filmmaker riceve una risposta rapida e profondamente contestualizzata da una persona che parla il suo linguaggio cinematografico, e noi impediamo che il suo slancio creativo si esaurisca. Per chiudere il cerchio, l'IA registra automaticamente quello specifico errore di formattazione nel nostro backlog di sviluppo, così possiamo correggere l'interfaccia del prodotto e impedire che accada al prossimo regista.
Come l'IA orienta le decisioni sulla CX mentre le persone guidano la strategia
Shankar condivide
…non automatizziamo le relazioni umane. Utilizziamo l’IA per occuparci del lavoro analitico di routine, così il nostro team ha tempo di concentrarsi sul lavoro di alto valore e profondamente umano: costruire relazioni e risolvere problemi complessi.
Seguiamo una regola pratica rigorosa: l'IA gestisce il "Cosa" e il "Dove", ma le persone sono responsabili del "Perché" e del "Come".
Ecco un paio di esempi di ciò che l'IA gestisce bene:
Prioritizzazione dei problemi e individuazione delle tendenze: l'IA analizza in tempo reale migliaia di trascrizioni delle richieste di assistenza e sessioni degli utenti in arrivo. Segnala immediatamente le anomalie, come un improvviso aumento del 15% degli utenti che rimangono bloccati nella pagina di pagamento, molto prima che un responsabile umano noti lo schema. Per questo utilizziamo PostHog.
Mappatura degli attriti nel percorso: l'IA analizza il comportamento degli utenti sulle nostre piattaforme ed evidenzia esattamente dove si verificano gli abbandoni. Elimina le supposizioni. Attualmente stiamo trasferendo i nostri strumenti a FullStory (StoryAI e API).
Dal lato umano:
Riprogettazione del percorso e strategia: l'IA può dirmi dove le persone abbandonano il percorso, ma non possiede il contesto aziendale né l'empatia creativa necessari per riprogettare l'esperienza. Risolvere un percorso B2B problematico richiede dinamiche politiche interfunzionali, compromessi ingegneristici e una profonda comprensione del comportamento umano. L'IA non può sedersi in una stanza e fare in modo che tre reparti diversi raggiungano un accordo su una soluzione.
Recupero del servizio ed escalation: se un'interruzione del sistema compromette le attività di un cliente di alto valore, facendolo infuriare, quel cliente non vuole delle scuse generate perfettamente dall'IA. Per gestire situazioni critiche servono empatia umana autentica, assunzione di responsabilità e l'autorità di derogare alle regole per rimediare.
In altre parole, non automatizziamo le relazioni umane. Utilizziamo l'IA per occuparci del lavoro analitico di routine, così il nostro team ha tempo di concentrarsi sul lavoro di alto valore e profondamente umano: costruire relazioni e risolvere problemi complessi.
Come l'IA fatica a gestire il contesto specifico del settore
Shankar condivide
Fidarsi ciecamente del dashboard automatizzato senza una verifica di buon senso da parte di una persona ci avrebbe fatto sprecare settimane a riscrivere codice perfettamente valido. L’IA individua gli schemi, ma fatica enormemente a gestire il contesto profondo e specifico del settore.
L'integrazione dell'IA nella nostra analisi dei dati qualitativi e nella prioritizzazione dei problemi ha trasformato il ritmo delle nostre attività.
Un tempo il nostro team impiegava settimane a etichettare manualmente i dati per individuare difetti sistemici dell'esperienza utente o ostacoli nell'onboarding tra i vari account. Ora l'IA segnala quasi istantaneamente questi schemi ricorrenti di attrito. Individuare più rapidamente questi problemi ci consente di correggere i bug e sistemare i flussi di lavoro poco chiari prima che si trasformino in un'ondata di reclami dei clienti. Questo ha spostato radicalmente i nostri team di prodotto e ricerca, allontanandoli dal tedioso inserimento dei dati nei fogli di calcolo e permettendo loro di concentrarsi sulla progettazione di soluzioni.
Ma non è stato tutto così semplice. Il nostro problema più grande era il rumore analitico e la mancanza di un contesto autentico.
All'inizio avevamo sopravvalutato la capacità dell'IA di etichettare il sentimento e le tendenze. Abbiamo notato un forte aumento delle etichette relative al sentimento negativo intorno a una funzionalità appena rilasciata. Il team stava quasi per affrettarsi a ritirare l'aggiornamento. Ma un'analisi approfondita da parte di una persona ha rivelato che l'IA aveva completamente frainteso il gergo specifico del settore e gli sfoghi tecnici dei nostri utenti esperti. Non erano arrabbiati con la funzionalità: stavano semplicemente parlando con passione dei loro complessi flussi di lavoro.
Fidarsi ciecamente del dashboard automatizzato senza una verifica di buon senso da parte di una persona ci avrebbe fatto sprecare settimane a riscrivere codice perfettamente valido. L'IA individua gli schemi, ma fatica enormemente a gestire il contesto profondo e specifico del settore.
Perché la progettazione del prodotto può essere più importante di un'IA sofisticata
La personalizzazione iper-contestuale è un altro ambito in cui l'IA non mantiene le promesse.
La promessa era che l'IA potesse analizzare senza problemi il comportamento passato di un cliente B2B, l'utilizzo attuale del prodotto e la cronologia dell'assistenza, per personalizzare dinamicamente e in tempo reale l'esperienza di onboarding o della dashboard. Ci aspettavamo che fosse intuitiva, come un concierge digitale in grado di anticipare esattamente ciò di cui un utente avrebbe avuto bisogno in seguito. Invece, nella maggior parte dei casi è sembrata invadente o irrilevante.
In un ambiente tecnologico B2B complesso, l'intento dell'utente cambia radicalmente di ora in ora. Un utente potrebbe accedere per svolgere una rapida attività amministrativa ripetitiva, ma l'IA, cercando di essere utile sulla base delle tendenze generali dell'account, ingombra la sua schermata con suggerimenti relativi a una funzionalità avanzata che in quel momento non gli interessa. Ha aggiunto carico cognitivo invece di ridurlo.
Ci siamo resi conto che, durante la navigazione su una piattaforma, gli utenti non vogliono che l'IA indovini cosa desiderano fare dopo; vogliono un design dell'interfaccia utente chiaro, flussi di lavoro prevedibili e una funzionalità di ricerca rapidissima. Ci aspettavamo che l'IA risolvesse un problema di esperienza utente che, in definitiva, richiedeva una progettazione del prodotto migliore e più semplice.
Perché la qualità dei dati è fondamentale prima di lanciare progetti pilota di IA
Avrei voluto sapere quanto i nostri stessi dati interni disordinati avrebbero complicato le cose all'inizio.
Quando ascolti i fornitori di IA, fanno sembrare tutto così semplice: basta collegare questo strumento magico e ottenere istantaneamente informazioni brillanti e utilizzabili dalle persone. Ma la realtà è che la tua IA è valida solo quanto i dati che le fornisci.
Prima del nostro primo progetto pilota, avevamo anni di feedback dei clienti, vecchie ricerche sugli utenti e registri dell'assistenza sparsi in diversi silos. Alcuni erano obsoleti, altri erano apertamente contraddittori e molti non includevano il contesto specifico della produzione cinematografica che caratterizza il lavoro di UpendNow.
Poiché non avevamo ripulito prima quella base di dati, durante le prime settimane l'IA ha iniziato a produrre tendenze bizzarre e una grande quantità di rumore analitico che il mio team ha perso tempo a smentire.
Se potessi rifarlo, dedicherei molto meno tempo alla valutazione delle funzionalità appariscenti dell'IA e molto più tempo alla pulizia della nostra architettura interna dei dati prima di attivare il sistema. Bisogna prima sistemare le fondamenta, altrimenti si finisce semplicemente per automatizzare il caos.
L'ambito su cui tutti i leader CX dovrebbero concentrarsi
L’unico ambito che tutti devono riprogettare completamente in questo momento è la mappatura del percorso del cliente…Se non riprogetti il modo in cui mappi e osservi il percorso del cliente, userai l’IA per ottimizzare singoli punti di contatto isolati, perdendo completamente di vista il fatto che l’esperienza complessiva è compromessa. Dobbiamo smettere di mappare il passato e iniziare a orchestrare il presente.
L'unico ambito che tutti devono riprogettare completamente in questo momento è la mappatura del percorso del cliente.
Storicamente, la mappatura del percorso era un esercizio statico da sala riunioni. Le persone si sedevano in una stanza con dei post-it, tracciavano un percorso idealizzato, lo inserivano in un PDF e poi nessuno lo guardava più per un anno. Rappresenta ciò che speriamo che il cliente stia facendo, non la realtà.
In un mondo potenziato dall'IA, questo approccio è obsoleto.
I leader dovrebbero riprogettare attivamente le mappe del percorso del cliente affinché siano dinamiche, in tempo reale e alimentate da dati aggiornati. Poiché gli strumenti di IA possono ora elaborare dati non strutturati, come sessioni utente in tempo reale, chiamate all'assistenza e punti di abbandono, la tua mappa del percorso non dovrebbe essere un documento. Dovrebbe essere una dashboard software viva e dinamica.
Invece di indovinare dove si trova l'attrito, il sistema dovrebbe dirti attivamente: "Ehi, proprio ora, i cineasti delle agenzie indipendenti si stanno bloccando al terzo passaggio dell'onboarding a causa di un rallentamento dell'interfaccia utente". Se non riprogetti il modo in cui mappi e osservi il percorso del cliente, userai l'IA per ottimizzare singoli punti di contatto isolati, perdendo completamente di vista il fatto che l'esperienza complessiva è compromessa. Dobbiamo smettere di mappare il passato e iniziare a orchestrare il presente.
Non puoi automatizzare la tua via d'uscita da una progettazione scadente
Il mio consiglio è semplice: smetti di cercare di automatizzare il problema di una progettazione scadente.
In questo momento, i leader della CX sono fortemente tentati di applicare l'IA a ogni singolo punto di attrito nel percorso del cliente, perché sembra una soluzione rapida ed economica. Se il processo di inserimento è confuso, applica un assistente IA. Se la documentazione è un caos, crea uno strumento di ricerca basato sull'IA. Ma tutto ciò che stai facendo è mettere un cerotto ad alta tecnologia su un processo inefficiente. Stai usando l'IA per aiutare i clienti a gestire una complessità che non dovrebbe esistere fin dall'inizio.
Prima di acquistare un altro strumento di IA o lanciare un altro flusso di lavoro automatizzato, riparti dalle basi. Esamina il tuo prodotto principale e l'erogazione del tuo servizio principale. Risolvi prima i problemi di UX alla base, ripulisci i flussi di dati disordinati e semplifica il percorso del cliente.
Segui gli aggiornamenti
Puoi seguire il lavoro di Shankar Sahai su LinkedIn e X.
Su The CX Lead arriveranno altre interviste con esperti!
We're building a curated community for senior leaders to pressure-test decisions, compare notes, and have the conversations they can't have everywhere else.
