Agenti AI e qualificazione dei lead B2B: criteri, errori e controlli

Chi gestisce un CRM può verificare abbastanza facilmente il lavoro svolto sui contatti assegnati ai commerciali. Le richieste ricevono una classificazione, vengono prese in carico e, quando esistono le condizioni, si trasformano in opportunità. Il loro percorso lascia tracce che permettono di ricostruire le decisioni.

Per le richieste escluse prima dell'assegnazione, invece, la situazione è diversa. Se un sistema automatico considera un contatto irrilevante, nessun commerciale potrebbe arrivare a esaminarlo. L'esclusione rimane registrata, ma non necessariamente viene verificata.

È uno degli aspetti più delicati della qualificazione dei lead attraverso agenti AI. Un'azienda può ridurre il numero di contatti trasferiti alle vendite, migliorare i tempi di gestione e ottenere una pipeline apparentemente più ordinata senza sapere se il sistema stia escludendo anche richieste meritevoli di attenzione.

La difficoltà non nasce con l'intelligenza artificiale. Esiste già nei processi di lead scoring basati su regole e nei modelli predittivi. Gli agenti generativi aggiungono però un elemento: possono interpretare richieste formulate in linguaggio naturale, ricavare informazioni da fonti differenti e, quando sono autorizzati, intervenire direttamente nel CRM.

La qualità della qualificazione dipende quindi anche da come l'agente interpreta informazioni incomplete, distingue i fatti dalle proprie deduzioni e gestisce i casi nei quali una classificazione sicura sarebbe prematura.

Quando una richiesta commerciale arriva prima dell'acquisto

Nella vendita industriale il primo contatto può avvenire molto prima che un'azienda sia pronta a chiedere un'offerta.

Un progettista consulta la documentazione di un componente, verifica le tolleranze dimensionali, richiede un disegno CAD o cerca di capire se una determinata soluzione possa essere utilizzata in un nuovo impianto. In questa fase potrebbe non conoscere ancora le quantità necessarie, la data prevista per l'acquisto o il budget disponibile.

Per un sistema di qualificazione costruito principalmente su questi parametri, il contatto rischia di ricevere una priorità bassa. Dal punto di vista commerciale, tuttavia, la valutazione merita maggiore attenzione.

Nella progettazione di una macchina, alcune decisioni sui componenti vengono prese prima dell'approvazione definitiva dell'investimento. Un fornitore coinvolto durante la definizione delle specifiche tecniche può partecipare a una fase nella quale le alternative sono ancora aperte. Quando arriverà la richiesta di preventivo, una parte delle scelte potrebbe essere già stata compiuta.

Questo non rende automaticamente qualificata ogni richiesta tecnica. Un download di documentazione può avere finalità informative, didattiche o esplorative. Anche un progetto apparentemente concreto potrebbe non essere approvato.

Il problema, per chi deve organizzare la qualificazione, consiste nel riconoscere la differenza tra una richiesta ancora immatura e una richiesta estranea al mercato dell'azienda. Entrambe possono essere prive di budget e tempistiche definite, ma richiedono comportamenti commerciali differenti.

Occorre considerare anche il ruolo dell'interlocutore. Nei processi d'acquisto industriali, chi individua una soluzione tecnica può non essere la persona che autorizzerà la spesa. Progettisti, responsabili di produzione, integratori e buyer intervengono in momenti diversi e con responsabilità differenti.

La ricerca sullo scoring B2B ha affrontato questo problema attraverso modelli che considerano congiuntamente i segnali individuali e quelli riferiti all'azienda. Lo studio B2B Advertising: Joint Dynamic Scoring of Account and Users, pubblicato nel 2022, si occupa specificamente di scoring pubblicitario; resta pertinente per comprendere perché il comportamento di un singolo interlocutore non rappresenti necessariamente l'intero processo decisionale.

Un agente può raccogliere e organizzare questi segnali. Per utilizzarli correttamente, però, deve essere inserito in un processo che distingua il valore potenziale di una relazione dalla probabilità di ottenere un ordine nell'immediato.

Lo scoring esiste già. Che cosa aggiunge un agente?

Molte attività presentate oggi come applicazioni dell'AI possono essere svolte attraverso strumenti disponibili da anni nei CRM.

L'attribuzione di un punteggio a un contatto, l'assegnazione al commerciale competente o l'attivazione di una sequenza di nurturing non richiedono necessariamente un modello linguistico. Un workflow può eseguire queste operazioni applicando condizioni definite in precedenza, spesso con maggiore prevedibilità e costi inferiori.

Anche il lead scoring predittivo ha una storia precedente all'attuale diffusione dell'AI generativa. Una revisione sistematica di 44 studi, condotta da Migao Wu, Pavel Andreev e Morad Benyoucef, analizza l'evoluzione dei modelli tradizionali e predittivi e il loro rapporto con le prestazioni commerciali.

L'impiego di un agente diventa interessante quando le informazioni da utilizzare non sono già disponibili in forma strutturata.

Una richiesta inviata attraverso un modulo di contatto può contenere una descrizione tecnica, riferimenti a prodotti differenti, indicazioni incomplete sul progetto e domande che richiedono ulteriori chiarimenti. Un agente può analizzarne il contenuto, consultare le informazioni aziendali a cui è autorizzato ad accedere e preparare un approfondimento pertinente.

Potrebbe riconoscere, per esempio, che la richiesta riguarda la compatibilità di un componente con una determinata applicazione, verificare se esistono precedenti rapporti con l'azienda e chiedere quali condizioni operative debbano essere considerate.

Queste operazioni possono ridurre il lavoro necessario per comprendere una richiesta prima di assegnarla.

Rimane però una differenza importante tra raccogliere informazioni e valutarne il significato commerciale.

Se un interlocutore comunica di aver completato una verifica tecnica, l'agente non può dedurne con certezza che l'investimento sia stato approvato. Se il cliente chiede una quotazione indicativa, non è detto che abbia già selezionato il fornitore.

Sono distinzioni abituali per un commerciale esperto, che può riconoscere le ambiguità della conversazione e fare domande prima di formulare un giudizio. Un agente generativo deve essere progettato e verificato affinché gestisca queste situazioni con un livello di prudenza adeguato.

Gli errori non hanno tutti la stessa origine

Quando una qualificazione automatica risulta sbagliata, la prima reazione è spesso intervenire sulle istruzioni del sistema. È un tentativo comprensibile, ma può rivelarsi inutile se il problema nasce altrove.

Consideriamo un'azienda che considera qualificabili soltanto le richieste accompagnate da un budget approvato. L'agente potrebbe applicare correttamente questa regola, scartando sistematicamente contatti provenienti da uffici tecnici impegnati in progetti preliminari.

In questo caso il comportamento del software è coerente con le istruzioni ricevute. È il criterio commerciale che merita di essere riesaminato.

Una seconda fonte di errore riguarda i dati disponibili. Un contatto potrebbe essere associato all'account sbagliato oppure a un'azienda la cui classificazione settoriale non è più aggiornata. Se l'agente utilizza queste informazioni senza verificarne l'attendibilità, può produrre una valutazione formalmente coerente ma fondata su presupposti errati.

Ci sono poi gli errori di interpretazione del modello linguistico. Una conversazione può contenere espressioni ambigue, informazioni contraddittorie o riferimenti che richiedono conoscenze tecniche specifiche. L'agente potrebbe attribuire a una risposta un significato che il cliente non intendeva comunicare.

Il NIST include la produzione di informazioni errate o non giustificate tra i rischi dei sistemi di AI generativa. Il fatto che una conclusione sia formulata in modo convincente non offre alcuna garanzia sulla sua correttezza.

Infine, bisogna considerare ciò che accade dopo la classificazione. Il modello può interpretare correttamente la richiesta, mentre l'integrazione con il CRM esegue un'operazione diversa da quella prevista: aggiorna un campo sbagliato, crea un duplicato o assegna il contatto a un reparto non pertinente.

Sono situazioni nelle quali la stessa conseguenza commerciale può derivare da cause molto differenti.

Le quattro principali cause degli errori nella qualificazione dei lead con AI
Origine dell'erroreEsempioVerifica necessaria
Criteri commercialiEsclusione dei progetti senza budget approvatoCoerenza delle regole con il ciclo di vendita
Qualità dei datiContatto associato all'account sbagliatoAccuratezza e aggiornamento delle informazioni
Interpretazione dell'agenteUna verifica tecnica viene interpretata come decisione d'acquistoConfronto tra dichiarazioni originali e valutazione del modello
Integrazione CRMIl lead viene assegnato a un reparto non pertinenteControllo delle operazioni eseguite e dei campi aggiornati

Per questo, quando si analizza un errore, è utile ricostruire il percorso della decisione: quali informazioni erano disponibili, come sono state interpretate, quale criterio è stato applicato e quale operazione è stata effettivamente eseguita.

Senza questa ricostruzione, modificare il comportamento dell'agente rischia di risolvere un caso particolare introducendo problemi in altri.

L'esperienza nei progetti GlobalKult

GlobalKult ha lavorato alla qualificazione dei lead attraverso l'AI nei progetti per Sabart, Comall, Lavor e Comet.

Si tratta di realtà con prodotti, mercati e modalità di relazione commerciale differenti. Proprio questa diversità rende necessario affrontare la qualificazione in rapporto al processo di vendita della singola azienda.

Una richiesta proveniente da un distributore, per esempio, può richiedere un trattamento diverso rispetto a quella di un utilizzatore finale. La consultazione di una scheda tecnica assume un significato differente a seconda che il prodotto venga selezionato da un progettista, acquistato attraverso una rete di rivenditori oppure richiesto per una sostituzione.

Anche il modo in cui vengono gestiti i contatti può cambiare. Alcune richieste devono arrivare direttamente al commerciale, altre richiedono un approfondimento tecnico e altre ancora possono essere gestite attraverso un percorso informativo prima di qualsiasi attività di vendita.

Il CRM deve rappresentare queste differenze. Se il processo viene semplificato eccessivamente, anche un agente capace di raccogliere informazioni pertinenti può essere costretto a scegliere tra classificazioni poco adatte alla situazione.

È utile, in particolare, distinguere le condizioni che rendono una richiesta effettivamente incompatibile con l'offerta dai segnali utilizzati per stabilirne la priorità.

Un mercato geografico non servito, per esempio, può costituire una ragione oggettiva per non procedere, salvo eccezioni definite dall'azienda. L'assenza di una data d'acquisto, invece, può semplicemente indicare che il cliente si trova ancora in una fase preliminare.

Trattare entrambe le condizioni come motivi equivalenti di esclusione rischia di impoverire il processo commerciale.

La qualità delle informazioni registrate nel CRM

Una classificazione automatica è più utile quando chi riceve il contatto può comprenderne le ragioni.

Se nella scheda compare soltanto lo stato «Lead qualificato», il commerciale deve spesso ricostruire il contesto leggendo la conversazione originale o contattando nuovamente il cliente. Il lavoro dell'agente rischia così di tradursi in un semplice cambiamento di stato, senza un effettivo miglioramento delle informazioni disponibili.

Una registrazione più completa dovrebbe permettere di riconoscere l'esigenza dichiarata, i dati utilizzati per la valutazione e le informazioni ancora mancanti.

Occorre inoltre distinguere le dichiarazioni del cliente dalle deduzioni del sistema. Sapere che un'impresa sta sviluppando una nuova linea produttiva è diverso dall'ipotizzare che si trovi già nella fase di selezione definitiva dei fornitori.

La seconda informazione può essere utile per orientare un approfondimento, purché rimanga identificabile come valutazione e non venga trasformata in un fatto acquisito.

Questo aspetto diventa particolarmente importante quando le informazioni registrate vengono riutilizzate da altre automazioni. Un'interpretazione sbagliata può influenzare le comunicazioni successive, le priorità assegnate ai commerciali e i report sulle opportunità.

È quindi opportuno conservare gli elementi necessari a ricostruire le decisioni, senza registrare indiscriminatamente ogni dato raccolto. Provenienza delle informazioni, permessi di accesso, accuratezza e tempi di conservazione devono essere coerenti con le esigenze operative e con le regole applicabili in materia di protezione dei dati.

Anche le correzioni effettuate dai commerciali possono diventare informazioni preziose. Se un contatto viene riclassificato, registrarne il motivo permette di distinguere un'incomprensione del modello da una regola aziendale superata o da un'informazione mancante.

La correzione, tuttavia, non dovrebbe modificare automaticamente il comportamento dell'agente. Prima è necessario capire se l'errore sia isolato oppure ricorrente e quali conseguenze avrebbe la nuova regola sugli altri casi.

Come valutare i lead che l'agente esclude

Il controllo delle richieste scartate è probabilmente la parte più difficile della valutazione.

Per i contatti assegnati alle vendite è possibile osservare se vengono accettati, se producono un'offerta e come proseguono nella pipeline. Per quelli esclusi, molte di queste informazioni non esistono.

Un contatto mai lavorato non può essere considerato privo di valore soltanto perché non ha generato una vendita.

La difficoltà richiama il problema metodologico noto come selective labels, studiato da Himabindu Lakkaraju e altri ricercatori nel 2017. Quando gli esiti osservabili dipendono dalle decisioni prese in precedenza, valutare un sistema soltanto sui casi selezionati può portare a conclusioni distorte.

Nella qualificazione B2B questo significa che un agente non può essere giudicato esclusivamente in base ai contatti che ha deciso di trasferire ai commerciali.

Una verifica attendibile dovrebbe comprendere un campione di richieste accettate, respinte e rimaste in sospeso. I casi possono essere riesaminati da persone competenti, utilizzando criteri concordati e informazioni disponibili al momento della richiesta.

Anche questo confronto richiede cautela. Le classificazioni storiche del CRM non costituiscono necessariamente un riferimento corretto: alcune richieste potrebbero essere state escluse per mancanza di tempo, priorità contingenti o valutazioni commerciali successivamente cambiate.

Il giudizio di riferimento dovrebbe quindi essere riesaminato, soprattutto nei casi controversi.

Durante una prima fase di prova è possibile fare analizzare le richieste all'agente senza permettergli di modificare direttamente la pipeline. Le sue proposte vengono confrontate con le valutazioni stabilite per il campione. Questa modalità, spesso chiamata shadow mode, permette di osservare il comportamento del sistema prima di concedergli autonomia operativa.

Le metriche di classificazione aiutano a interpretare i risultati. La precision indica quale quota dei contatti giudicati qualificabili dall'agente è stata classificata correttamente secondo il riferimento adottato. La recall misura quanti dei contatti effettivamente qualificabili presenti nel campione sono stati riconosciuti.

Le due misure descrivono aspetti differenti. Un filtro molto severo può ridurre il numero di richieste irrilevanti assegnate ai commerciali, ma aumentare contemporaneamente il rischio di escludere contatti pertinenti.

Per stimare correttamente questo rischio occorre che il campione includa anche richieste scartate e sia sufficientemente rappresentativo delle diverse tipologie di contatto ricevute dall'azienda.

Resta comunque un limite: la revisione può stabilire che una richiesta meritava un approfondimento, ma non dimostra che si sarebbe trasformata in una vendita.

Per valutare l'effetto economico della qualificazione servono osservazioni successive, possibilmente confrontate con il processo precedente e con attenzione alle differenze tra mercati, prodotti e cicli commerciali.

Autonomia e controllo devono dipendere dal tipo di decisione

Le attività affidate all'agente non presentano tutte lo stesso livello di rischio.

Raccogliere informazioni mancanti, riassumere una conversazione o proporre il reparto competente sono operazioni che possono essere sottoposte a verifiche relativamente semplici.

Modificare una fase della pipeline, eliminare una richiesta o comunicare al cliente una valutazione tecnica impegnativa può avere conseguenze maggiori.

È quindi ragionevole assegnare autorizzazioni differenti a seconda dell'operazione, mantenendo un passaggio umano per i casi più delicati o per quelli nei quali il sistema non dispone di informazioni sufficienti.

La possibilità di sospendere la classificazione è importante soprattutto nei processi commerciali complessi. Un interlocutore che non conosce ancora il budget o le quantità previste può avere un'esigenza pertinente, ma non fornire elementi sufficienti per stimarne la maturità commerciale.

In questi casi l'agente dovrebbe poter raccogliere ulteriori informazioni oppure proporre un approfondimento, senza forzare l'assegnazione definitiva a una categoria.

Le condizioni per concedere maggiore autonomia devono essere definite sulla base dei risultati osservati, della gravità degli errori possibili e della capacità dell'azienda di individuarli e correggerli.

Quando conviene utilizzare un agente e quando bastano gli strumenti esistenti

L'introduzione di un agente comporta costi di progettazione, integrazione e manutenzione che devono essere confrontati con il beneficio atteso.

Un'impresa che riceve poche richieste, dispone di criteri commerciali chiari e utilizza correttamente il CRM potrebbe gestire la qualificazione attraverso moduli strutturati, regole di assegnazione e workflow tradizionali.

L'agente diventa più interessante quando il lavoro preliminare richiede di interpretare molte informazioni non strutturate, consultare sistemi differenti o gestire conversazioni nelle quali le domande successive dipendono dalle risposte ricevute.

Anche in queste situazioni conviene individuare con precisione le attività sulle quali intervenire.

Se la difficoltà principale è la mancanza di dati aggiornati nel CRM, introdurre un agente non garantisce alcun miglioramento. Se marketing e vendite utilizzano criteri incompatibili, automatizzare le decisioni può rendere più frequenti gli stessi problemi.

La valutazione economica dovrebbe comprendere il tempo risparmiato nella raccolta delle informazioni, quello necessario per controllare e correggere le classificazioni, i costi tecnologici e l'eventuale miglioramento nella gestione delle richieste.

È importante osservare questi elementi nel tempo. Le condizioni commerciali cambiano, i cataloghi vengono aggiornati e possono comparire applicazioni che il sistema non aveva incontrato durante i test iniziali.

Un agente che funziona correttamente al momento dell'introduzione richiede comunque manutenzione e verifiche periodiche.

Valutare il contributo commerciale dell'automazione

Un progetto di qualificazione AI dovrebbe lasciare all'azienda informazioni migliori e decisioni più controllabili.

Tra gli indicatori utili rientrano il tempo necessario per prendere in carico una richiesta, la completezza delle informazioni trasferite alle vendite, la frequenza delle riclassificazioni e la qualità dei contatti effettivamente lavorati.

La revisione dei lead esclusi permette di aggiungere una dimensione che altrimenti rimarrebbe poco visibile: la capacità del sistema di riconoscere le richieste pertinenti, anche quando non presentano tutti i segnali tipici di un acquisto imminente.

I risultati devono essere interpretati nel contesto commerciale dell'azienda. Ridurre il volume dei lead assegnati può essere vantaggioso quando permette di eliminare richieste irrilevanti. Può essere controproducente se il filtro penalizza sistematicamente interlocutori tecnici, progetti preliminari o particolari tipologie di clienti.

Nel lavoro sulla qualificazione dei lead attraverso l'AI, GlobalKult considera quindi essenziale definire criteri verificabili e mantenere la possibilità di riesaminare le decisioni automatiche.

Un sistema affidabile dovrebbe permettere di capire quali richieste sono state qualificate, quali sono state escluse, su quali informazioni si è basata la valutazione e quali casi richiedono ancora attenzione.

Sono queste informazioni a consentire ai responsabili commerciali di giudicare se la qualificazione sta migliorando e, quando necessario, di correggerne il funzionamento.

Riferimenti

Wu, M., Andreev, P., Benyoucef, M. (2023, pubblicazione online; volume 2024). The state of lead scoring models and their impact on sales performance. Information Technology and Management, 25, 69–98. DOI.

Lakkaraju, H., Kleinberg, J., Leskovec, J., Ludwig, J., Mullainathan, S. (2017). The Selective Labels Problem: Evaluating Algorithmic Predictions in the Presence of Unobservables. Proceedings of KDD 2017. DOI.

National Institute of Standards and Technology (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1.