Oltre il 78% delle aziende prevede agent AI per il supporto clienti entro 18 mesi

Settecentottanta per cento delle aziende intervistate nell’Adobe 2026 AI and Digital Trends Report prevede di avere agenti AI operativi nel customer support entro 18 mesi. Solo il 16% li ha già dispiegati a scala enterprise. La distanza tra questi due numeri — 78% di intenzione, 16% di esecuzione — è la misura più precisa dello stato reale dell’adozione degli agenti AI nel customer service. Non è un mercato in ritardo rispetto alla curva tecnologica: è un mercato in cui il gap tra ambizione e capacità operativa è diventato la variabile critica.

La ricerca coinvolge 3.000 executive e 4.000 consumatori in mercati globali. Le due popolazioni offrono prospettive divergenti che raramente si incontrano nelle analisi di settore. Gli executive vedono gli agenti AI come la prossima trasformazione del customer service — capaci di ridurre i costi, aumentare la disponibilità h24 e scalare senza proporzionali aumenti di organico. I consumatori vedono la stessa tecnologia con una diffidenza significativa: il 44% preferisce ancora interagire con operatori umani, e solo il 16% accetta che un agente AI prenda decisioni autonome sul proprio caso senza supervisione umana.

Il 76% cita la frammentazione dei dati come ostacolo principale

Il 16% di adozione enterprise non è il risultato di scarsa volontà di investimento. Le aziende stanno allocando budget significativi per gli agenti AI nel customer service — il mercato degli strumenti per il customer service AI ha superato i 10 miliardi di dollari nel 2025, come analizza anche TechRadar. Ma i costi crescono più velocemente del valore prodotto: il token spending senza governance è già diventato una variabile critica anche nel customer support. Il collo di bottiglia è tecnico e organizzativo, non finanziario.

Il 76% degli executive interpellati da Adobe cita la frammentazione dei dati come l’ostacolo principale alla scalabilità degli agenti. Un agente AI che gestisce il supporto clienti deve accedere, in tempo reale, a: storico degli acquisti del cliente, storico delle interazioni precedenti con il supporto, stato dell’ordine corrente, politiche di reso e garanzia, disponibilità di prodotti alternativi. Questi dati vivono tipicamente in sistemi separati — CRM, ERP, piattaforma e-commerce, sistema di gestione dei ticket — che non sono stati progettati per esporre i propri dati a un agente in modo coerente e in tempo reale.

Un agente AI è efficace nella misura in cui i dati che alimentano le sue decisioni sono completi, aggiornati e coerenti. Un agente che risponde sulla base di dati parziali o obsoleti non riduce i costi del customer service: li aumenta, perché produce risposte errate che richiedono correzione umana e generano ulteriori contatti da parte del cliente insoddisfatto. Il 32% dei pilot projects nel customer service AI non raggiunge mai la produzione, secondo i dati Adobe — e la frammentazione dei dati è la causa più frequente.

Salesforce Fin al 76% di risoluzione: cosa significa davvero

Salesforce ha dichiarato per il proprio agente Fin un tasso di risoluzione del 76% — percentuale che viene citata frequentemente come benchmark di riferimento per il settore. Il dato è reale ma richiede contestualizzazione. Il 76% di risoluzione è misurato su un universo di ticket che include prevalentemente richieste di tipo standard: stato dell’ordine, politiche di reso, informazioni di prodotto, problemi di accesso. Le richieste complesse, emotive o che richiedono discrezionalità vengono escalate agli operatori umani prima che l’agente le gestisca autonomamente — quindi non entrano nel denominatore del calcolo.

Questo non è un difetto del sistema: è la sua modalità operativa corretta. Un agente AI ben progettato sa quando escalare, e la sua efficacia dipende dalla qualità del triage — cioè dalla capacità di riconoscere quali richieste può gestire autonomamente e quali richiedono intervento umano. Il problema emerge quando le aziende adottano il 76% come aspettativa universale senza verificare se la composizione del proprio volume di ticket è analoga a quella su cui Salesforce misura il benchmark.

L’Adobe report documenta che il 41% delle aziende sta trattando gli agenti AI come “side projects” — implementazioni marginali senza integrazione nei sistemi core del customer service. Questo approccio produce agenti AI che gestiscono una frazione ridotta del traffico di supporto, su un sottoinsieme di richieste relativamente semplici, con dati che non sono integrati con i sistemi principali. I numeri di risoluzione di questi “side project” tendono a sembrare buoni finché rimangono piccoli — e crollano quando si prova a scalare, perché la scalabilità richiede l’integrazione con i sistemi che il “side project” aveva evitato.

Il consumatore che non vuole l’agente autonomo

Il 44% dei consumatori che preferisce gli operatori umani non è un dato residuale destinato a scomparire con la familiarizzazione alla tecnologia. Il servizio clienti AI delude ancora molti utenti anche quando tecnicamente funziona: la diffidenza è strutturale, non solo di familiarità. È strutturato su motivazioni specifiche che la ricerca Adobe documenta: la preoccupazione per la privacy dei dati personali (61% degli intervistati), la sfiducia nella capacità dell’agente di gestire casi complessi (54%), e la preferenza per l’accountability umana nelle decisioni che li riguardano (47%).

Queste preoccupazioni non diminuiscono automaticamente con l’esposizione alla tecnologia. Al contrario: i consumatori che hanno già interagito con agenti AI nel customer service mostrano, in alcuni segmenti, preferenze ancora più nette per gli operatori umani rispetto a chi non ha ancora avuto l’esperienza. L’effetto dipende dalla qualità delle esperienze precedenti: chi ha interagito con agenti che hanno risolto correttamente la richiesta tende a essere più disponibile verso la tecnologia; chi ha subito errori o loop interminabili di un agente che non riesce a gestire il proprio caso ha rafforzato la preferenza per l’umano.

Solo il 16% dei consumatori accetta che un agente AI prenda decisioni autonome sul proprio caso. Questo significa che per l’84% degli utenti, il valore percepito di un agente AI è come strumento di assistenza alla decisione umana, non come sostituto di quella decisione. Le aziende che implementano agenti AI con modalità “autonomous first” — dove l’escalation all’umano è l’eccezione, non la norma — stanno costruendo un’esperienza che la maggioranza dei propri clienti non ha scelto e non vuole.

Pilot che non scalano: il problema del 32%

Il 32% dei pilot projects nel customer service AI che non raggiunge mai la produzione è un indicatore di un problema di progettazione più che di tecnologia. I pilot vengono tipicamente costruiti su un sottoinsieme di ticket facili, con dati curati manualmente, in un ambiente controllato. Quando arriva il momento di scalare, emergono i problemi che il pilot aveva rimandato: integrazione con i sistemi legacy, gestione dei casi edge, addestramento dell’agente su varianti dialettali o regionali del linguaggio, compliance con le normative locali sulla privacy.

La McKinsey Global AI Survey 2026 documenta che le aziende con la più alta percentuale di pilot che raggiungono la produzione hanno una caratteristica comune: hanno investito nella preparazione dei dati e nell’integrazione dei sistemi prima di iniziare il pilot, non durante. L’ordine delle operazioni conta: un pilot costruito su un’architettura di dati integrata scala; uno costruito su dati curati ad hoc per il pilot non scala, perché la produzione espone l’agente a tutti i dati non curati che il pilot aveva evitato.

La trappola del 78%: aspettativa vs. pianificazione

Il 78% di intenzione di implementare agenti AI nel customer support entro 18 mesi è, analizzato più attentamente, un dato misto. Include aziende con roadmap concrete e budget allocati, aziende con intenzione generica senza piano operativo, e aziende che hanno risposto “prevediamo” a una domanda su aspettative future senza che questo implichi impegno concreto. La distanza tra “prevediamo” e “abbiamo già implementato e funziona” non si misura in intenzione ma in capacità organizzativa e tecnica.

Le variabili che determinano se un’azienda passa dal 78% al 16% sono identificabili: architettura di dati integrata, governance chiara di cosa l’agente può e non può fare autonomamente, processi di escalation ben progettati, metriche di successo definite prima dell’implementazione (non durante o dopo), e cultura organizzativa che tratta l’agente come strumento di supporto agli operatori umani — non come strumento di eliminazione dei posti di lavoro.

Quest’ultimo punto è più rilevante di quanto sembri. Le implementazioni di agenti AI nel customer service che hanno prodotto i migliori risultati misurabili sono quelle in cui gli operatori umani hanno partecipato alla progettazione, identificando i pattern di richiesta che l’agente poteva gestire meglio di loro e quelli che richiedevano il loro giudizio. Le implementazioni che hanno fallito più frequentemente sono quelle in cui l’agente è stato introdotto senza il coinvolgimento degli operatori, come decisione top-down finalizzata a ridurre l’organico — e dove la resistenza degli operatori ha sabotato l’adozione in modo sottile ma efficace.