Assistenza clienti IA — Claude + Kunavo per l'automazione dei ticket in produzione

Perché l'assistenza clienti è l'implementazione IA con il ROI più alto

Tre numeri lo spiegano. Ticket gestito da una persona, in media: circa 5 minuti, $1,50-3 di costo complessivo. Ticket redatto dall'IA e revisionato da una persona, in media: circa 1 minuto, $0,01-0,05 di costi API. Risoluzione interamente IA, senza intervento umano, in media: circa 30 secondi, $0,01. A parità di qualità, significa una riduzione dei costi di 30-150 volte, dopo aver messo a punto il prompt di classificazione e stesura.

Il punto critico: i ticket frequenti di primo livello funzionano molto bene con l'IA; quelli complessi richiedono persone. L'architettura seguente instrada intelligentemente: un modello economico classifica, uno costoso redige le risposte per i casi che lo richiedono e le regole di escalation inviano quelli difficili a una coda umana.

Architettura in quattro passaggi

1. Classifica — Claude Haiku 4.5 restituisce categoria, priorità e sentimento in JSON
2. Recupera — recupera i 5 documenti più pertinenti dalla tua KB (usa la guida RAG)
3. Redigi — Claude Sonnet 5 scrive una risposta usando il contesto della KB e le linee guida sul tono
4. Instrada — invia automaticamente se la priorità è bassa e la confidenza è alta; altrimenti passa a un operatore umano per approvazione o modifica con un clic

import json
from openai import OpenAI
client = OpenAI(api_key="sk-kn-...", base_url="https://api.kunavo.com/v1")

# Claude enforces a json_schema response_format; json_object it does not.
TICKET = {
    "type": "object",
    "properties": {
        "category": {"type": "string",
                     "enum": ["billing", "shipping", "account", "technical", "other"]},
        "priority": {"type": "string", "enum": ["low", "normal", "urgent"]},
        "sentiment": {"type": "string", "enum": ["negative", "neutral", "positive"]},
    },
    "required": ["category", "priority", "sentiment"],
    "additionalProperties": False,
}

# 1) Classify the ticket (cheap model)
def classify(text: str) -> dict:
    resp = client.chat.completions.create(
        model="claude-haiku-4-5",
        messages=[
            {"role": "system", "content": "Classify this support ticket."},
            {"role": "user", "content": text},
        ],
        response_format={"type": "json_schema",
                         "json_schema": {"name": "ticket", "schema": TICKET}},
        max_tokens=200,
    )
    return json.loads(resp.choices[0].message.content)

# 2) Draft a response (better model)
def draft(ticket: str, kb_context: list[str], guidelines: str) -> str:
    resp = client.chat.completions.create(
        model="claude-sonnet-5",
        messages=[
            {"role": "system", "content": [{
                "type": "text",
                "text": guidelines,  # tone, policy, escalation rules
                "cache_control": {"type": "ephemeral"},
            }]},
            {"role": "user", "content": (
                f"# Knowledge base\n{chr(10).join(kb_context)}\n\n"
                f"# Customer message\n{ticket}\n\n"
                "Draft a reply. Be specific, cite the KB doc id."
            )},
        ],
        max_tokens=500,
    )
    return resp.choices[0].message.content

Proiezione dei costi reali

• 100 ticket al giorno con classificazione, stesura e caching: circa $0,02 per ticket × 100 = circa $60 al mese
• 1.000 ticket al giorno: circa $600 al mese, sostituisce circa 3 operatori a tempo pieno alle tariffe occidentali tipiche di primo livello
• 10.000 ticket al giorno (grande e-commerce): circa $6.000 al mese, sostituisce 30 o più operatori

Queste stime presuppongono il caching dei prompt attivo (il prompt di sistema è statico, il contesto della KB cambia per ogni ticket). Come funziona il caching dei prompt: è la differenza tra $60 e $200 al mese con 100 ticket al giorno.

Anti-pattern da evitare

• Inviare automaticamente risposte ad alto rischio (rimborsi, modifiche agli account, reclami) senza revisione umana. Il rischio reputazionale di una sola risposta automatica sbagliata supera tutti i guadagni di efficienza
• Instradare per parola chiave invece di classificare con un LLM: l'instradamento per parole chiave si rompe appena gli utenti formulano la richiesta in modo diverso; la classificazione LLM gestisce facilmente le parafrasi
• Aspettative eccessive sul primo livello: l'IA gestisce richieste ripetitive e domande comuni, non «mi avete addebitato 3 volte un ordine e il vostro chatbot continua a dirmi di contattare l'assistenza». Mantieni una chiara via d'uscita verso una persona

Come si presenta un buon risultato al sesto mese

• Il 60-80% dei ticket in ingresso viene risolto senza intervento umano (IA + KB)
• Il restante 20-40% viene redatto dall'IA, revisionato e inviato da persone in circa 1 minuto per ticket
• Il team umano si concentra sui casi limite e sul miglioramento della KB
• Costo netto: 70-85% inferiore rispetto al periodo precedente all'IA; il CSAT dei clienti è spesso più alto grazie alle risposte più rapide

Considerazioni linguistiche

Se supporti clienti in più lingue, Claude Sonnet 5 gestisce bene circa 30 lingue. Per il coreano, dove contano i livelli di formalità, consulta il nostro approfondimento su automazione dei call center coreani. Per giapponese, cinese, tedesco e francese vale lo stesso approccio, con linee guida specifiche per la lingua nel prompt di sistema memorizzato nella cache.

Inizia in 30 minuti

1. Registrati: pagamento a consumo a partire da una ricarica di $10 su /app/signup
2. Collega la KB a pgvector + text-embedding-3-large, generando gli embedding direttamente tramite OpenAI: Kunavo gestisce il passaggio di generazione, non quello degli embedding
3. Integra il frammento di classificazione e stesura sopra nel tuo sistema di ticketing (Intercom, Zendesk e Freshdesk offrono tutti endpoint webhook)
4. Inizia in «modalità bozza»: le persone approvano ogni risposta. Dopo 100 revisioni corrette, abilita l'invio automatico per le categorie a bassa priorità

FAQ