C'è una pericolosa finzione silenziosa che attualmente circola nelle sale del consiglio e fra i dirigenti. Sostiene che l’IA abbia finalmente risolto il problema dei costi dell’assistenza. La logica è semplice: automatizza le domande di routine, guarda il volume diminuire e riduci il personale. Se si osservano le dashboard a livello macro, sembra funzionare. L’efficienza è aumentata e la deviazione dei ticket sta raggiungendo livelli record.
Ma se oggi si siede realmente accanto a un team di assistenza—se si osserva il ritmo delle loro chat interne e si guarda l'espressione di un operatore alle 16:00 di una giornata lavorativa—si capisce che la realtà è diversa. Il supporto non sta diventando più leggero. Sta diventando più denso.
E questa densità ricade direttamente sugli esseri umani che restano.
Da Hiver, non ci siamo mai proposti di costruire per la complessità gonfiata delle aziende Fortune 500; abbiamo costruito per i team agili e dinamici che vogliono risolvere problemi senza il peso di una fabbrica legacy. Lo scorso anno, le nostre piattaforme hanno aiutato i nostri clienti a risolvere 81 milioni di conversazioni. Non sono volumi da impresa, ma anche all’interno di questa bolla delle PMI, stiamo assistendo a un cambiamento che riflette, e in molti modi amplifica, la crisi che si sta verificando nel mondo enterprise.
Il settore sta camminando nel sonno verso una crisi di talenti. Stiamo assistendo a un’erosione globale del supporto di Livello 1. Nel nostro tentativo di automatizzare il lavoro facile, le piattaforme di supporto ‘potenziate dall’IA’ hanno accidentalmente interrotto il percorso verso l'esperienza.
La si può chiamare “trasformazione” se si vuole, ma la scelta del vocabolario non maschera il fatto che il punto d'ingresso verso l'esperienza nell’assistenza sta rapidamente e silenziosamente sparendo. Ciò che rende questo momento diverso dai precedenti cicli di efficienza è che l’economia sottostante sta iniziando a muoversi in direzione opposta rispetto alla narrazione consolidata.
Questa non è una temporanea mancanza di gestione. È un cambiamento di sistema.
Per oltre un secolo, customer service è stato governato dall’assunto invisibile che l’assistenza sia un problema di tubature. Questa convinzione risale al 1917, quando un matematico di nome Agner Krarup Erlang sviluppò Erlang-C, una formula per indicare alle compagnie telefoniche quanti operatori servivano per un dato numero di chiamate. La formula tratta gli esseri umani come tubi: se il livello dell’acqua sale, basta allargare il tubo. Ergo, se arrivano più chiamate, basta aggiungere altre persone per gestire le richieste in ingresso.
Quella logica da centralino è ancora presente sotto la superficie di ogni helpdesk moderno. Parliamo di futuri "AI-first" e di operatori superpotenziati, ma continuiamo a gestire il supporto con metriche obsolete come il Tempo Medio di Gestione e l’Occupazione. L’IA aveva promesso la fuga dalle tubature. Troppo spesso è diventata semplicemente il tubo più recente montato in una macchina antica.
Lasciate che vi illustri meglio questo punto.
Lo scorso anno, l’infrastruttura di Hiver ha gestito 85 milioni di attività manuali tramite automazioni—i reset password, gli aggiornamenti di stato e le regole di instradamento che erano il pane quotidiano della giornata di un operatore. Secondo la logica del vecchio centralino, togliere 85 milioni di unità di lavoro dovrebbe liberare una grande capacità umana. E se quella logica fosse ancora valida, questo surplus dovrebbe essere visibile in tutta l’economia dell’assistenza.
Invece, a livello di settore, il 77% degli operatori riferisce che la complessità sta aumentando, mentre altre rilevazioni dicono che il 56% della forza lavoro nell’assistenza mostra livelli record di esaurimento.
Il calcolo fallisce perché ha dimenticato che quei 85 milioni di compiti facili non erano solo lavoro: erano tempo di recupero, momenti per imparare e respiro cognitivo. Se si elimina la ripetizione senza riprogettare il sistema umano intorno a ciò che resta, il risultato non è efficienza ma compressione.
Il Cornell Global Call Center Project ha passato anni a documentare perché il modello delle “tubature” fallisce. Il loro report del 2007 ha dimostrato per la prima volta che i team ad alte prestazioni prosperano grazie al discernimento, ma il settore continua a gestirli in base ai volumi.
Ci sono voluti quasi due decenni prima che l’industria dell’assistenza recuperasse, ma finalmente si parla di "sovraccarico cognitivo" e "giudizio umano"—slogan che altri sistemi ad alta criticità hanno adottato molto prima, integrando automazione e intelligenza aumentata.
Nell’aviazione, per esempio, il pilota automatico non ha eliminato i piloti; li ha trasformati in gestori di eccezioni rare e critiche in cui il giudizio conta più del controllo di routine. In medicina, i software di imaging diagnostico non hanno sostituito i radiologi; hanno concentrato la loro attenzione sulle scansioni ambigue, dove l’esperienza fa la differenza.
In ogni caso, l’automazione ha eliminato la ripetizione, ma ha preservato i percorsi di apprendimento che creano l’esperienza. L’assistenza clienti sta entrando ora in quella stessa fase storica—solo più velocemente e senza aver protetto il percorso che produce gli esperti necessari.
Possiamo costruire gli esperti di domani se oggi abbiamo asfaltato il percorso?
C’è un secondo effetto collaterale, ancora più pericoloso, di questa automazione che il settore sta ignorando. Stiamo cancellando consapevolmente la scala dell’apprendistato.
Secondo la ricerca, servono circa 16 settimane affinché un nuovo operatore diventi davvero competente. Storicamente, queste 16 settimane venivano trascorse nel Livello 1. Un operatore junior imparava il prodotto e il linguaggio specifico del cliente gestendo centinaia di richieste semplici e a basso rischio.
Ma oggi lanciamo i nuovi assunti direttamente nella parte più difficile. Le conseguenze sono quotidiane. Un cliente invia un’email dicendo che qualcosa sulla sinistra del pannello sembra non funzionare. Per un operatore esperto, è un riferimento chiaro a un modulo attività specifico. Ma per un operatore alle prime armi, che non ha avuto modo di gestire le 1.000 richieste semplici che costruiscono quella mappa mentale, è un enigma ambiguo.
Questa lacuna linguistica crea un enorme debito di competenze. Non abbiamo modo di far crescere la prossima generazione di professionisti senior perché abbiamo automatizzato tutte le lezioni di base. È per questo che Gartner prevede che il 50% delle organizzazioni che hanno ridotto il personale per l’IA saranno costrette a riassumere per quei ruoli entro il 2027.
Stanno realizzando che, sebbene l’IA possa conversare, non può sostituire la "competenza, l’empatia e il giudizio" che si costruiscono solo con l’esperienza. Abbiamo asfaltato le pietre miliari e ora ci chiediamo perché nessuno riesce ad attraversare il fiume.
Ogni professione si basa su un percorso visibile da principiante a esperto, un periodo in cui gli errori sono piccoli, la posta in gioco è bassa e il riconoscimento dei pattern si accumula silenziosamente. Quando questa terra di mezzo scompare, la competenza smette di rinnovarsi. Il sintomo immediato è una risoluzione più lenta e una maggiore escalation. La conseguenza a lungo termine è molto più grave: una forza lavoro svuotata in cui il giudizio senior diventa sia raro che fragile. Quando la carenza diventa visibile sulle dashboard dei dirigenti, il ciclo di apprendimento necessario per risolverla si è già interrotto da anni.
Quindi, come sopravvivono i team quando nessuna singola persona può avere tutte le risposte?
Questa pressione ha innescato un visibile meccanismo di sopravvivenza nelle caselle di posta. Quest’anno, gli utenti Hiver hanno creato 5 milioni di note interne direttamente sopra le conversazioni con i clienti. Questo non è solo un dato statistico sulla collaborazione. È il segnale che l’era dell’agente “lupo solitario” è finita.
Nel vecchio modello, una persona gestiva un ticket fino alla chiusura. Ma quando ogni ticket è un’eccezione complessa, nessuno può avere tutte le risposte. Quei 5 milioni di note rappresentano un raduno collettivo. Collaborando all’interno della conversazione, i team creano un “cervello condiviso” in tempo reale. Stanno ridistribuendo il carico cognitivo affinché nessun individuo debba portare il peso di una crisi complessa da solo.
Ma l’intelligenza collettiva è solo un lato della sopravvivenza. L’altro è la realtà economica.
Poiché abbiamo trasformato la velocità in una commodity grazie all’IA, le metriche che abbiamo usato per decenni stanno perdendo significato. C’è una nuova metrica emergente che dovrebbe preoccupare ogni CFO: il costo crescente dell’automazione.
L’ultima analisi di Gartner suggerisce che il sogno di un supporto “gratuito” sta finendo. Entro il 2030, il costo per ogni risoluzione tramite GenAI dovrebbe superare i $3; superando il costo di molti operatori umani offshore. I sussidi stanno finendo e i costi infrastrutturali aumentano.
Ricordi quando ho detto prima che la dinamica economica di fondo si sta iniziando a muovere nella direzione opposta rispetto alla narrazione? Per più di un decennio, l’automazione è stata giustificata principalmente attraverso l’arbitraggio del lavoro: si pensava che il software diventasse più economico con la scala. Ma quando il costo marginale della risoluzione automatica inizia a essere paragonabile o superiore a quello del lavoro umano, la questione strategica cambia completamente.
L’IA non può più essere difesa solo come sostituto delle persone. Deve giustificare se stessa come moltiplicatore delle capacità umane. Questa distinzione è profonda. La sostituzione riduce i costi nel breve termine. La moltiplicazione determina la resilienza nel lungo termine. Le organizzazioni che comprendono questo cambio prima delle altre smetteranno di chiedersi come togliere le persone dal supporto e inizieranno a chiedersi come rendere i lavoratori rimanenti decisamente più efficaci.
E l’efficacia, in questo nuovo contesto, non si definisce più solo attraverso la correttezza.
Lo scorso anno, i nostri clienti hanno utilizzato una funzione chiamata “Analisi del Sentimento” oltre 3,6 milioni di volte per comprendere il contesto emotivo delle conversazioni di supporto. Questo ci mostra che una risposta corretta non basta più, né è efficace.
I clienti si avvicinano all’interazione umana con un deficit di sentimenti. Sono stanchi e frustrati dai bot che hanno appena affrontato. In questo contesto, il ruolo dell’agente si è spostato dall’erogazione di informazioni al ristabilimento emotivo. L’obiettivo non è più la “Risoluzione”; è “Equilibrio Emotivo”.
Allora stai ancora gestendo una fabbrica, o sei pronto a supportare gli esperti?
Se questa diagnosi è corretta, allora l’implicazione per la leadership non è un miglioramento incrementale, ma una vera e propria ridefinizione manageriale. La domanda centrale del supporto non è più, “Come possiamo gestire più ticket con meno persone?” Bensì, “Come possiamo amplificare il giudizio umano laddove l’automazione si ferma, assicurando che i passaggi vengano fatti al momento giusto e che il contesto non si perda mai nella proliferazione degli strumenti e nel cervello condiviso?” Ed è davvero una domanda lunga.
Le organizzazioni che continuano a ottimizzare solo per la produttività sembreranno efficienti… finché la fiducia dei clienti non inizierà a erodersi e la fuga di talenti ad accelerare. Quelle che invece investono in contesto, collaborazione e apprendimento esperienziale saranno magari più lente nel breve termine ma strutturalmente superiori nel lungo termine. La differenza tra queste due strade definirà il prossimo decennio di supporto clienti ed esperienza cliente.
I responsabili del supporto stanno affrontando simultaneamente tre pressioni convergenti: il crescente costo cognitivo di ogni interazione residua, una pipeline di talenti entry-level sempre più ridotta e in grado di evolvere in competenza, e uno strato di automazione i cui risparmi marginali si stanno appiattendo man mano che crescono i costi di infrastruttura e di modelli.
Quando la complessità cresce più velocemente della produttività, il sistema si restringe. Ecco perché la prossima rivoluzione nel supporto non sarà graduale. Sembrerà improvvisa, non perché le forze siano nuove, ma perché hanno silenziosamente superato la soglia oltre la quale l’ottimizzazione progressiva non può più compensare la tensione strutturale.
La crisi che stiamo affrontando non è una mancanza di tecnologia; è l’attaccamento a una filosofia manageriale vecchia di cent’anni. Se vogliamo risolvere il debito di competenze e prevenire l’erosione del L1, dobbiamo smettere di costruire strumenti che isolano gli agenti e iniziare a creare ambienti che riconoscono e facilitano il cervello condiviso.
Il supporto non può più scalare respingendo i clienti; possiamo scalare solo dando potere alle persone che agiscono come custodi della fiducia nelle situazioni ad alto rischio. Il prossimo decennio non sarà vinto dall’azienda con il bot più efficiente, ma da quella che riesce a preservare gli esseri umani più capaci, calmi e ricchi di contesto.