La domanda giusta prima di implementare un chatbot non è quale strumento scegliere ma quanto lavoro si è disposti a fare sulla propria conoscenza: un assistente vale quanto le informazioni su cui è addestrato e i sistemi a cui è collegato. Il resto, piattaforma pronta o sviluppo custom, è una scelta di budget e ambizioni che si può prendere con criteri semplici, a patto di conoscere i tre percorsi possibili e i loro costi reali.
I tre percorsi: plugin, piattaforma, custom
Il plugin pronto è la via d’ingresso: si installa l’app del chatbot sulla propria piattaforma, si collega il catalogo, si carica qualche documento di policy e l’assistente risponde in giornata. Costa dalle decine di euro al mese, richiede ore di lavoro, non giorni, e copre le domande da FAQ: spedizioni, resi, taglie, disponibilità. Il limite è la profondità: senza accesso allo stato degli ordini risponde “in linea di principio”, non sul caso concreto del cliente.
La piattaforma configurata è il percorso di mezzo, quello della maggior parte dei progetti seri: si adotta uno degli strumenti analizzati nel confronto tra i chatbot AI per ecommerce, lo si integra con ordini, spedizioni e CRM tramite i connettori nativi, si costruisce la knowledge base e si disegnano i flussi di escalation verso gli operatori. Tempi realistici: da due a sei settimane. Budget: il canone della piattaforma più il lavoro di configurazione, interno o di un partner, che per un ecommerce medio si colloca tra le poche migliaia e le decine di migliaia di euro una tantum a seconda delle integrazioni.
Lo sviluppo su misura su API di modelli linguistici ha senso in due casi: volumi molto alti, dove il costo per conversazione delle piattaforme supera quello di un’infrastruttura propria, o requisiti che le piattaforme non coprono, flussi complessi, sistemi legacy, vincoli sui dati. Costa da decine di migliaia di euro in su, richiede mesi e, soprattutto, un presidio tecnico permanente: un chatbot custom non è un progetto, è un prodotto da mantenere.
La knowledge base: dove si vince o si perde
Qualunque percorso si scelga, il grosso del lavoro è lo stesso: mettere in ordine la conoscenza. L’assistente deve poter attingere a policy di spedizione e reso aggiornate, schede prodotto complete, condizioni di vendita, e soprattutto ai dati operativi: stato dell’ordine, tracking, finestra di reso del singolo acquisto. La differenza tra un chatbot che risolve e uno che frustra sta quasi tutta qui, ed è il motivo per cui il progetto tipico dedica più tempo ai contenuti e alle integrazioni che alla scelta del software.
Tre pratiche fanno la qualità. Perimetro esplicito: l’assistente deve sapere cosa non sa, e passare la mano su pagamenti falliti, reclami e casi legali invece di improvvisare. Escalation disegnata: il passaggio all’operatore umano con tutto il contesto della conversazione, senza far ripetere nulla al cliente, è il momento della verità dell’esperienza. Aggiornamento come routine: ogni cambio di policy, ogni promozione, ogni nuova categoria va riflessa nella knowledge base, con un responsabile e una cadenza, altrimenti l’assistente invecchia in un trimestre. Il quadro delle applicazioni, dal preacquisto al post vendita, resta quello della guida all’AI per il customer care.
Misurare il successo: i KPI che contano
Il progetto si giudica su quattro numeri. Il tasso di risoluzione automatica: quota di conversazioni chiuse senza intervento umano, il numero che regge il business case; sotto il 30-40% sulle richieste ripetitive c’è un problema di knowledge base o di integrazioni. Il tasso di escalation corretta: quante conversazioni passate all’umano dovevano davvero esserlo. La soddisfazione post conversazione, misurata sul canale stesso, confrontata con quella del canale umano. E il costo per conversazione risolta, da confrontare con il costo pieno di un ticket gestito da un operatore, che per un customer care italiano si stima in alcuni euro.
La sequenza corretta di adozione parte piccola: un perimetro ristretto di casi d’uso, misurazione per sei-otto settimane, poi estensione progressiva. E una decisione da prendere subito, non dopo: cosa succede fuori orario e nei picchi, quando l’assistente diventa l’unico presidio, un tema che il periodo natalizio rende concreto come descrive la guida su come preparare il customer care al picco.
Domande frequenti
Quanto costa implementare un chatbot per un ecommerce?
Un plugin pronto costa dalle decine di euro al mese e si attiva in ore; una piattaforma configurata con integrazioni su ordini e spedizioni richiede il canone più un progetto di setup tra le poche migliaia e le decine di migliaia di euro; uno sviluppo su misura parte da decine di migliaia di euro e richiede presidio tecnico continuo. Il costo nascosto, comune a tutti, è la costruzione e manutenzione della knowledge base.
Quanto tempo serve per mettere online un chatbot?
Un assistente base su piattaforma si attiva in giornata; un progetto con integrazioni verso ordini, tracking e CRM richiede realisticamente da due a sei settimane, dominate dalla preparazione dei contenuti e dai test sui flussi di escalation. Gli sviluppi custom si misurano in mesi. La messa online non è il traguardo: le prime sei-otto settimane di misurazione e correzione fanno parte del progetto.
Meglio un chatbot pronto o uno sviluppato su misura?
Per la quasi totalità degli ecommerce la piattaforma configurata è la scelta razionale: i costi sono prevedibili, le integrazioni con le piattaforme principali esistono già e i tempi si misurano in settimane. Il custom si giustifica con volumi molto alti, dove il costo per conversazione delle piattaforme diventa la voce dominante, o con requisiti particolari su flussi e dati che gli strumenti standard non coprono.
Come si misura se un chatbot sta funzionando?
Con quattro indicatori: tasso di risoluzione automatica sulle richieste ripetitive, correttezza delle escalation verso gli operatori, soddisfazione del cliente a fine conversazione e costo per conversazione risolta confrontato con quello del canale umano. La misura va fatta su un perimetro definito e per almeno sei settimane, correggendo knowledge base e flussi prima di estendere l’assistente a nuovi casi d’uso.