AI per customer care: prompt che migliorano l'esperienza cliente

Un agent AI ben progettato gestisce il 60-70% dei ticket L1, lasciando agli operatori umani solo i casi che richiedono giudizio o escalation. Per arrivare a questi numeri non basta connettere ChatGPT a un sistema di ticketing: serve architettura specifica con prompt strutturati per intent classification, response generation con tone of voice, escalation triggering, sentiment analysis. Qui mappiamo i pattern che usiamo nei progetti customer care italiani 2026, con prompt template pronti all’uso.

Architettura tipica customer care AI

Un sistema customer care AI moderno è composto da 5 layer che lavorano in sequenza:

1. Intake — riceve il messaggio cliente da canale (chatbot web, WhatsApp Business, email, ticket form).

2. Intent classification — categorizza la richiesta (FAQ, ordine, reclamo, supporto tecnico, escalation diretta).

3. Knowledge retrieval — recupera dalla knowledge base (KB) le informazioni pertinenti via RAG semantico.

4. Response generation — genera la risposta usando contesto (KB + intent + tone of voice) e prompt strutturato.

5. Quality gate + escalation — valuta se la risposta è abbastanza buona da inviarla, o se va escalata a operatore umano.

Ogni layer ha il suo prompt specifico, eseguito con modello adatto (modelli mini per classification veloce, modello full per generation di qualità). I tool tipici nello stack: LangChain o Vercel AI SDK per orchestrazione, Pinecone/Qdrant per vector DB, modello frontier (GPT-5/Claude/Gemini) per generation.

Prompt per intent classification

L’intent classification è il primo step e il più critico: errori di classificazione propagano errori a tutti i layer successivi. Pattern che funziona meglio nel 2026:

TASK: Classifica il messaggio cliente in una delle categorie sotto.

CATEGORIE (sceglierne SOLO UNA):
- FAQ: domande informative su prodotto, policy, processi
- ORDER: questioni su ordini esistenti (status, modifica, cancellazione)
- COMPLAINT: reclami, lamentele, richieste rimborso
- TECHNICAL: problemi tecnici uso prodotto/servizio
- ESCALATION: richiesta esplicita parlare con umano, casi sensibili
- OTHER: non classificabile sopra

FORMATO OUTPUT (solo JSON):
{
  "intent": "FAQ|ORDER|COMPLAINT|TECHNICAL|ESCALATION|OTHER",
  "confidence": 0.0-1.0,
  "reasoning": "max 20 parole",
  "language": "it|en|fr|es|de",
  "sentiment": "positive|neutral|negative|angry"
}

REGOLE:
- Se confidence < 0.7, default a OTHER
- Se sentiment = "angry", flag per priorità alta indipendentemente da intent
- ESCALATION ha precedenza assoluta su altre categorie

MESSAGGIO CLIENTE:
[MESSAGGIO]

Su volumi enterprise (migliaia di messaggi/giorno) usiamo modello mini (GPT-5 mini, Claude Haiku, Gemini Flash) per ottenere classification a costo $0,001-0,005 per ticket con accuratezza 92-96%.

Prompt per response generation con tone of voice

Una volta classificato l’intent e recuperata KB rilevante, generiamo la risposta. Il prompt include tone of voice brand-specifico, vincoli espliciti, format atteso.

RUOLO: Sei agent customer care di [BRAND], shop e-commerce italiano [SETTORE].

TONO BRAND:
- Caloroso ma efficiente, niente fretta percepita
- Niente "Spero stia bene" o formule vuote
- "Voi" formale (B2B) o "tu" informale (B2C secondo segmento)
- Massimo 1-2 emoji se contesto B2C, mai in B2B
- Tempo verbale prevalente: presente (mai "saremo lieti di...")

CONTESTO RECUPERATO DA KB:
[CONTENUTO KB RILEVANTE - max 1500 token]

DATI ORDINE CLIENTE (se applicabile):
[ORDER_ID, STATUS, ITEMS, AMOUNT]

INTENT: [INTENT_CLASSIFICATION_OUTPUT]

TASK: Rispondi al messaggio cliente.

REGOLE OBBLIGATORIE:
- Rispondere SOLO con informazioni presenti in KB o dati ordine
- Mai inventare numeri (tracking, importi, date)
- Se manca info nella KB: "Non trovo questa informazione nel mio sistema, passo a un collega che la verifichi"
- Lunghezza: 60-150 parole
- Apertura: empatia se sentiment = "negative" (max 1 frase), altrimenti diretta
- Chiusura: "Se serve altro scrivici qui sotto" + firma "Team [BRAND]"

ESCALATION TRIGGERS (in questi casi rispondere SOLO "Passo subito a un collega umano che ti scriverà entro 24 ore"):
- Cliente chiede esplicitamente operatore umano
- Lamentela su procedura compliance/legal
- Importi disputati > €500
- Cliente cita avvocato o autorità
- Sentiment = "angry" + complaint formale

MESSAGGIO CLIENTE:
[MESSAGGIO]

Output tipico: risposta diretta, calibrata su tone of voice, factually grounded sulla KB, con escalation sicura quando serve.

Prompt per escalation triggering

Oltre alle escalation hardcoded sopra, alcuni casi richiedono valutazione contestuale prima della risposta. Pattern aggiuntivo per quality gate:

TASK: Valuta se la risposta proposta è adeguata o richiede escalation umana.

RISPOSTA PROPOSTA: [TESTO RISPOSTA AI]
MESSAGGIO ORIGINALE CLIENTE: [TESTO]
SENTIMENT: [SENTIMENT]
INTENT: [INTENT]

CRITERI DI ESCALATION:
1. La risposta cita informazioni non presenti nella KB? (allucinazione)
2. La risposta promette qualcosa fuori policy aziendale (rimborso, sconto, eccezione)?
3. Il messaggio cliente coinvolge minori, vulnerable customers, dati sanitari?
4. La risposta è ambigua o evasiva su domanda chiara?
5. Il tono brand non è rispettato?

OUTPUT:
{
  "decision": "send|escalate",
  "reason": "max 30 parole se escalate, vuoto se send",
  "priority": "low|medium|high|urgent"
}

Se DECISION = "escalate", il messaggio NON viene inviato al cliente, va a operatore umano con priority assegnata.

Questo quality gate riduce gli errori di output del 60-80% rispetto a setup senza gate, al costo di latenza aggiuntiva 1-3 secondi.

Prompt per sentiment analysis avanzata

Oltre al sentiment base (positive/negative/neutral) usiamo sentiment dettagliato per priorità e routing:

TASK: Analizza sentiment dettagliato del messaggio cliente.

OUTPUT JSON:
{
  "sentiment_primary": "positive|neutral|negative",
  "sentiment_intensity": 1-5,
  "emotions_detected": ["frustration|anger|disappointment|gratitude|confusion|urgency"],
  "escalation_risk": 0.0-1.0,
  "language_register": "formal|neutral|informal|aggressive",
  "actionable_concerns": ["lista preoccupazioni concrete max 3"]
}

Applica scala intensity:
- 1: leggero
- 2: moderato
- 3: chiaro
- 4: forte
- 5: estremo

ESCALATION RISK considera:
- Intensità sentiment negativo
- Linguaggio aggressivo o minaccioso
- Citazioni di canali esterni (recensioni, social, autorità)
- Espressione di intenzione di churn

MESSAGGIO:
[MESSAGGIO CLIENTE]

I dati sentiment alimentano dashboard real-time per supervisor team customer care, permettendo intervento proattivo su casi a rischio prima che escalino.

Compliance GDPR + AI Act per customer care AI

Tre aspetti normativi critici per customer care AI in Italia 2026:

1. Trasparenza (art. 50 AI Act): l’utente deve sapere che sta interagendo con AI. Disclosure all’inizio della conversazione tipo “Ciao, sono l’assistente virtuale di [BRAND]. Risposte generate via AI, opera umano disponibile su richiesta o per casi specifici.”

2. GDPR e dati personali: i messaggi cliente contengono spesso PII (nome, email, indirizzo, codice ordine, talvolta dati sensibili). Gestione richiesta: pseudonimizzazione lato applicazione, region EU per processing, retention configurabile, registro trattamenti aggiornato, fascicolo DPIA.

3. Articolo 4 AI Act — formazione: gli operatori che gestiscono escalation e supervisione AI devono avere formazione AI Act articolo 4 documentata. Vediamo aziende italiane perdere RFP enterprise per mancanza di questo evidence.

Per applicazioni più ampie vedi il nostro servizio sviluppo agenti AI e la pagina assistenza clienti AI.

Domande frequenti

Quanto costa implementare un customer care AI per PMI italiana?

Range tipico per PMI 50-200 dipendenti: €15.000-35.000 setup iniziale (architettura, prompt design, KB curation, integrazione canali, formazione operatori) + €500-3.000/mese running cost (token modello, hosting, monitoring). ROI tipicamente in 4-8 mesi via riduzione FTE customer service e miglioramento CSAT.

Quale modello per customer care AI?

Pattern multi-modello: modello mini (GPT-5 mini, Claude Haiku, Gemini Flash) per intent classification e routing — alta volumi, basso costo. Modello full (GPT-5, Claude Opus 4.x) per response generation — qualità output. Embeddings dedicati per RAG su KB.

Posso usare ChatGPT Team direttamente come backend customer care?

No, non in produzione. ChatGPT Team è uno strumento di interfaccia per knowledge worker, non un backend per applicazione. Per customer care production-grade serve API + orchestrazione + monitoring. Vedi il nostro servizio prompt engineering per architetture complete.

Come misuro la qualità output del customer care AI?

Quattro KPI principali: (1) Deflection rate = % ticket risolti senza intervento umano (target 60-70%), (2) CSAT post-conversation AI vs umano (target equivalente o superiore), (3) Escalation accuracy = % escalation che effettivamente avevano bisogno di umano (target 80%+), (4) First Response Time (target sub-30 secondi).

Quando NON usare AI per customer care?

Casi sensibili: lutti/decessi, dispute legali, casi medici complessi, customer vulnerable (minori, disabilità cognitive, anziani con difficoltà). Segmentate questi casi per routing diretto a operatori formati. La regola: AI per scalabilità, umano per relazione.

Approfondimenti

Per approfondire:

• Assistenza clienti AI — pagina servizio completa
• Servizio Sviluppo Agenti AI — agent custom enterprise
• Servizio Prompt Engineering — architettura tecnica
• Richiedi una consulenza — call iniziale di un’ora, €240