Report sul campo · 2026
Un report sul campo sull'AI enterprise nella customer experience. Cosa funziona quest'anno, cosa no e su cosa i leader CX devono agire subito.
Executive summary
01 · Executive summary
Il mercato dell'AI per la customer experience è ampio e in rapida crescita, avviato a quasi quadruplicare entro il 2030. Ma dietro la crescita, i risultati non sono distribuiti in modo uniforme. Un piccolo gruppo di organizzazioni utilizza agenti AI che risolvono la maggior parte dei contatti con i clienti, con persone coinvolte nei punti di contatto prioritari e strategici. Un gruppo molto più ampio porta avanti progetti pilota che deviano poche domande e si arenano prima di arrivare in produzione.
Questo report descrive quattro schemi che distinguono i due gruppi, basati su ricerche di terze parti e sui risultati osservati in oltre 90 implementazioni enterprise di Maven AGI.
La maggior parte dei team misura ancora la deflection (se un contatto ha evitato un operatore) anziché la risoluzione (se il problema è stato risolto). Il numero più facile nasconde i ticket riaperti e intacca silenziosamente la soddisfazione dei clienti.
I rollout più lunghi e pianificati con più cura tendono a produrre i risultati più deboli, mentre i pilota dal perimetro ben definito arrivano in produzione in poche settimane. La velocità applicata a un ambito ristretto è lo schema che funziona.
Oggi la revisione della governance blocca le trattative enterprise almeno quanto l'adeguatezza tecnica, eppure la maggior parte dei team la tratta come un passaggio tardivo del procurement. Il 78% dei dirigenti afferma che oggi non supererebbe un audit indipendente sulla governance dell'AI (Grant Thornton, 2026).
La maggior parte delle aziende ha automatizzato chat ed email lasciando da parte il telefono, anche se la voce è di solito il canale con i volumi e i costi più alti. Le barriere tecniche sono state in gran parte superate e chi si muove per primo sta conquistando un vantaggio di costo che cresce nel tempo.
Il report si chiude con i cinque comportamenti comuni alle organizzazioni che ottengono i risultati migliori. Nessuno dipende dall'entità del budget o dalla maturità iniziale sull'AI. Sono scelte operative, e qualsiasi team può farle.
La spesa per l'AI nel customer service cresce rapidamente e quasi tutti i contact center la usano ormai in qualche forma. Se guardi solo i numeri sull'adozione, la storia sembra conclusa. Se guardi i numeri in produzione, emerge un quadro diverso. Gran parte di questa attività non si è tradotta in interazioni con i clienti risolte su larga scala.
La distanza tra attività e risultati è la vera storia del 2026. Si manifesta in pilot che non passano mai in produzione, dashboard che misurano la cosa sbagliata, trattative bloccate nella revisione di sicurezza e una linea telefonica che nessuno ha toccato. Ognuno di questi problemi si può risolvere, ma nessuno si risolve facendo più deployment.
Questo report scompone il divario in quattro schemi: un divario di risoluzione, un paradosso del deployment, un punto cieco della compliance e un'opportunità nel canale voce. Ognuno amplifica gli altri. Un team che misura la metrica sbagliata scalerà il comportamento sbagliato. Un team che tratta la compliance come un passaggio tardivo blocca il rollout che aveva pianificato con tanta cura. Gli schemi sono collegati, e così le soluzioni. Il report si chiude con ciò che fanno davvero le organizzazioni dalla parte giusta del divario.
"L'integrazione parziale è la condizione dominante del mercato. È ciò che accade quando l'AI viene aggiunta a un processo che nessuno ha ripensato.
02 · Lo stato del mercato
A che punto è davvero l'AI enterprise nella customer experience nel 2026.
Il mercato dell'AI per la customer experience è più grande, cresce più in fretta ed è più diviso di quanto suggeriscano i titoli. I dati aggregati sull'adozione raccontano una diffusione universale. I dati sottostanti ne raccontano un'altra: un piccolo gruppo di organizzazioni ottiene rendimenti crescenti, mentre un gruppo molto più ampio porta avanti pilot costosi che non arrivano mai in produzione. Ecco 5 tendenze principali del mercato nel 2026.
Il mercato dell'AI per il customer service valeva circa 15 miliardi di $ nel 2026 e si prevede raggiungerà 48 miliardi di $ entro il 2030, con un tasso di crescita annuo composto del 26% (MarketsandMarkets). Gli investimenti crescono rapidamente e i risparmi previsti sono ancora maggiori: Gartner prevede che l'AI conversazionale ridurrà i costi del personale nei contact center di circa 80 miliardi di $ nel solo 2026. I deployment in produzione su larga scala non tengono il passo con la spesa.
Secondo una stima del MIT del 2025, ampiamente citata, circa il 95% dei pilot enterprise di AI generativa non riesce a generare un impatto di business misurabile su larga scala. La cifra esatta è discussa; la direzione no. Il punto di rottura raramente è il modello. Sono l'accesso ai dati, la progettazione delle escalation e la mancanza di una responsabilità chiara all'interno dell'organizzazione acquirente.
Circa l'88% dei contact center usa ormai l'AI in qualche misura, ma solo un quarto circa l'ha integrata completamente nelle attività quotidiane (dati di settore, 2026). Integrazione parziale significa che la deflection funziona in percorsi ristretti e la risoluzione non avviene su larga scala.
Ad aprile 2026 Grant Thornton ha rilevato che il 78% dei dirigenti oggi non supererebbe un audit indipendente sulla governance dell'AI. La compliance è passata da casella da spuntare nel procurement a condizione per il deployment, un tema ripreso nella Sezione 5.
Nei deployment alla base di questo report, il 10% con le migliori performance raggiunge l'80% o più di risoluzione autonoma, mentre la mediana è ben al di sotto. Il divario si sta ampliando: il segnale più chiaro che i risultati dipendono da come l'AI viene gestita, non dal fatto che sia stata adottata. Gartner prevede che entro il 2029 l'AI agentica risolverà in autonomia l'80% dei problemi comuni del customer service. I migliori di oggi sono semplicemente in anticipo su una curva che riguarda l'intera categoria.
Se guardi solo i numeri sull'adozione, la storia sembra conclusa. Se guardi i numeri in produzione, emerge un quadro diverso.
Considera un percorso familiare. Un responsabile CX di un'azienda enterprise introduce uno strumento AI all'inizio del 2025, lo vede gestire una gamma ristretta di domande semplici e presenta al management un ottimo tasso di deflection. Nel giro di 4 mesi il tasso di deflection si stabilizza, i contatti ripetuti aumentano e la soddisfazione cala proprio sulle interazioni che lo strumento avrebbe dovuto gestire. Entro la fine del 2025 il team riorganizza tutto attorno alla risoluzione anziché alla deflection, e i numeri che contano iniziano a muoversi. Questo schema è abbastanza comune da poter essere considerato il percorso standard, non l'eccezione.
Le organizzazioni che evitano questa deviazione hanno in comune una scelta fatta presto: costruiscono la dashboard attorno alla risoluzione prima che l'agente vada live, non dopo che i numeri deludono. Nel caso migliore tra i dati di Maven, un cliente ha raggiunto il 93% di risoluzione autonoma in 6 settimane, ancorando il programma a quell'unica domanda fin dall'inizio.
Allora, perché la metrica più importante nel customer service basato sull'AI è quella che la maggior parte dei vendor non riporta?
03 · Il divario di risoluzione
Perché la metrica più importante nel customer service basato sull'AI è quella che la maggior parte dei vendor non riporta.
Tra i due numeri, il settore ha ottimizzato quello più facile. La deflection è semplice da contare e lusinghiera da riportare, così è diventata lo standard. Il problema è che deflection e risoluzione possono muoversi in direzioni opposte: un ticket può essere chiuso senza che il problema del cliente sia risolto. È in questo divario che l'AI o ripaga l'investimento o erode silenziosamente la soddisfazione. Gli analisti indipendenti hanno iniziato a tracciare la stessa linea, trattando deflection, containment, risoluzione e risoluzione al primo contatto come 4 misure distinte, proprio perché nella pratica divergono.
Deflection
Facile da contare ed ereditata dall'era dei bot basati su regole. Un contatto passa o non passa da un operatore umano, ma questa metrica nasconde il tasso di riapertura. Un contatto deviato che torna entro 48 ore conta come una deflection e zero risoluzioni.
Risoluzione
Più difficile da riportare perché tiene conto onestamente di riaperture e soddisfazione, non solo dell'instradamento. Richiede di definire davvero cosa significa "risolto", e qualsiasi team che la prenda sul serio sa indicare un numero.
I migliori deployment di Maven raggiungono tra l'80% e il 93% di risoluzione entro il sesto mese. Questi programmi hanno collegato l'agente AI ai sistemi gestionali fin dal primo giorno e hanno misurato la risoluzione secondo la formula qui sopra, non la deflection. In un deployment fintech, l'agente ha raggiunto il 90% di risoluzione autonoma in 3 settimane. Un'azienda di tecnologia legale che ha valutato 32 vendor e messo alla prova più di 10 di loro ha registrato il 60% di ticket risolti in più dopo il passaggio da un sistema basato su regole alla risoluzione autonoma.
Chiedi il tasso di risoluzione, non il tasso di deflection. La risoluzione è più difficile da riportare della deflection perché tiene conto onestamente di riaperture e soddisfazione, non solo dell'instradamento. Qualsiasi team che la prenda sul serio sa indicare un numero. Se non riesci a ottenerlo, consideralo già un dato.
La deflection misura se un ticket è uscito dalla coda. La risoluzione misura se il cliente se n'è andato soddisfatto.
04 · Il paradosso del deployment
Perché le aziende che si muovono velocemente superano quelle che pianificano con cautela, e perché la velocità senza un perimetro ben definito è l'errore più costoso di tutti.
I deployment più lunghi tendono a produrre i risultati peggiori. Le organizzazioni che dedicano da 12 a 18 mesi a selezione dei vendor, procurement e pianificazione di solito partono con tassi di risoluzione inferiori rispetto alle aziende che hanno condotto un pilota dal perimetro ristretto in 90 giorni. Ma la velocità non è una tattica: la velocità con un perimetro ristretto è una strategia. Il rischio, però, è concreto: applicare la velocità a un processo mai riprogettato per l'AI genera nuove categorie di errori su larga scala. Ecco perché il perimetro conta quanto il ritmo.
La tempistica di 12-18 mesi è un retaggio del procurement, non un requisito del prodotto. Esiste perché RFP, revisioni di sicurezza e pianificazione delle integrazioni vengono gestite una dopo l'altra, quando potrebbero procedere in parallelo. I dati più ampi sui fallimenti vanno nella stessa direzione: secondo McKinsey, pur usando quasi tutte le aziende l'AI in qualche forma, solo l'1% circa considera maturi i propri deployment, e RAND stima il tasso di fallimento dei progetti AI vicino all'80%, ben oltre gli altri progetti IT. Il vincolo è la maturità organizzativa, non il modello.
3 decisioni spiegano la maggior parte dei ritardi nei deployment: accesso ai dati, approvazione di compliance e progettazione delle escalation. Gestirle in parallelo anziché in sequenza è la leva più efficace sui tempi di un deployment. Nei deployment di Maven, spesso fa la differenza tra un trimestre e un anno.
05 · Il punto cieco della compliance
Perché i requisiti di sicurezza e compliance bloccano più deployment della tecnologia.
Il dibattito sull'AI nel customer service è dominato dalle domande sulle capacità. L'agente sa gestire richieste complesse? Sa comprendere il contesto? La domanda che si dimentica è se la piattaforma possa superare una revisione di sicurezza e compliance senza costringerti a riscrivere il piano di deployment. Nel 2026 è questa la domanda che determina le tempistiche.
La compliance è oggi il principale collo di bottiglia nel procurement di AI enterprise. Nella nostra esperienza, e in linea con quanto riportano i ricercatori di governance, la revisione di sicurezza blocca le trattative enterprise almeno quanto l'adeguatezza tecnica, e di solito dopo che la valutazione tecnica è già andata bene. L'attrito è diffuso: secondo BCG, il 74% delle aziende fatica a bilanciare innovazione e sicurezza nell'adozione dell'AI generativa. Chi non prepara in anticipo il confronto sulla compliance perde in genere da 2 a 3 mesi a metà del funnel.
SOC 2, HIPAA, GDPR e PCI-DSS 4.0 sono requisiti minimi per qualsiasi vendor che gestisca dati regolamentati. ISO 42001, lo standard di governance specifico per l'AI, è il nuovo elemento distintivo, e la maggior parte dei vendor non lo possiede ancora. È lo stesso cambiamento avvenuto con SOC 2 e ISO 27001 un decennio fa. Secondo un sondaggio del 2026, la grande maggioranza dei team di procurement delle Fortune 500 prevede di richiedere ai vendor l'allineamento a ISO 42001 entro il 2027. Le piattaforme certificate con maggior rigore possiedono oggi almeno 10 certificazioni e valutazioni, tra cui ISO 42001.
2 requisiti stanno passando da facoltativi a decisivi. La conformità PCI sulle chiamate vocali dal vivo (redazione in tempo reale, audit trail, gestione segmentata) sta diventando un filtro per la shortlist, man mano che la voce gestisce più dati di pagamento, e la maggior parte dei prodotti vocali non è stata progettata per questo. La residenza dei dati per regione stabilisce se un vendor può anche solo essere preso in considerazione nei servizi finanziari, nella sanità e in parte dell'area EMEA e APAC. Entrambi vanno verificati nello screening iniziale, non nella revisione legale finale.
La prova che l'asticella si può superare. Un'azienda di gaming Fortune 500 gestisce oltre 330.000 interazioni al mese con un agente AI autonomo, nel rispetto dei vincoli di un settore regolamentato, che nel suo caso significa conformità PCI per gli acquisti in-game e gestione AML e KYC. Un'organizzazione soggetta a questo livello di controllo è cresciuta invece di bloccarsi, ed è proprio questo il punto: la profondità della compliance è un passaggio che si può superare presto, se la piattaforma è costruita per farlo.
La decisione di deployment più importante è la dashboard che costruisci prima di andare live.
06 · L'opportunità del canale voce
Il canale che la maggior parte delle aziende non ha ancora automatizzato.
La voce è il canale con i volumi più alti, i costi più elevati e la maggiore complessità tecnica del customer service. Ed è anche il canale in cui l'adozione dell'AI è più in ritardo. Ma il divario si sta chiudendo in fretta: le previsioni di settore indicano una crescita del mercato della voice AI di circa il 35% annuo, più rapida della categoria nel suo complesso, e un'analisi del 2026 ha rilevato un aumento del 340% su base annua dei deployment vocali in produzione in oltre 500 organizzazioni (Opus Research). Chi si muove per primo ottiene un vantaggio di costo che cresce trimestre dopo trimestre.
| Ostacolo | Cosa significava in una chiamata dal vivo | Stato nel 2026 |
|---|---|---|
| Latenza | Una risposta sotto i 300 ms è irrinunciabile in una chiamata dal vivo. | Risolto in produzione |
| Accuratezza | Riconoscimento di accenti diversi e voci sovrapposte. | Risolto |
| Compliance | Requisiti più severi rispetto al testo, PCI nelle chiamate dal vivo. | Risolto se progettato per questo |
Nessuno di questi problemi era risolvibile nel 2023; nel 2026 lo è. La voce enterprise è un prodotto diverso dalla voce consumer: gestione multilingue di oltre 50 lingue, conformità PCI sulle chiamate dal vivo, tempi di risposta sotto i 300 ms in produzione e integrazione con la telefonia esistente. L'asticella è più alta e i vendor in grado di superarla sono molti meno.
La voce sta colmando il divario con la chat. L'idea che la voce sia intrinsecamente più difficile da automatizzare è in gran parte un retaggio del 2023. Nei deployment misurati da Maven, gli agenti vocali ben progettati raggiungono tassi di risoluzione analoghi alla chat su intenti comparabili. La complessità è reale, ma circoscritta: oggi a determinare la velocità del deployment è un numero ridotto di decisioni, non la tecnologia.
Nel 2026 la compliance è il vero passaggio obbligato. Il vendor che presenta per primo perimetro delle certificazioni e date degli audit di solito vince la revisione di sicurezza.
07 · Cosa fa bene il 10% migliore
Una sintesi di ciò che distingue le implementazioni che funzionano da quelle che non funzionano.
Nelle implementazioni alla base di questo report, tra le organizzazioni che ottengono risultati eccezionali emerge sempre lo stesso schema, e ha poco a che fare con l'entità del budget o con la maturità tecnica iniziale. Dipende da come l'organizzazione acquirente gestisce il programma dopo aver scelto il fornitore. Quattro dei cinque comportamenti descritti di seguito sono stati trattati nelle sezioni precedenti; messi insieme, compongono un unico modello operativo. Il quinto è quello che la maggior parte dei team trascura.
La dashboard si costruisce prima che il primo agente entri in produzione, non si aggiunge dopo che i numeri hanno deluso.
Un pilota ben delimitato si guadagna il rollout; nessuno aspetta una roadmap perfetta.
Collega l'AI ai sistemi già esistenti, invece di lasciare che un'architettura ideale blocchi un'implementazione funzionante.
La compliance condiziona l'espansione, non il pilota: così eviti l'adeguamento a posteriori più costoso dell'AI enterprise.
Dati su risoluzioni e riaperture analizzati ogni settimana, copertura degli intenti ogni trimestre. È il comportamento che le sezioni precedenti non trattano, e quello che la maggior parte dei team trascura.
L'AI agentica sta passando dal ruolo consultivo a quello operativo: dal suggerire risposte al completare attività. Sta iniziando l'era agent-to-agent, in cui gli agenti AI passano il lavoro ad altri agenti specializzati. Le organizzazioni che oggi costruiscono competenze interne sull'implementazione di singoli agenti saranno molto avanti quando, tra fine 2026 e il 2027, arriveranno gli stack multi-agente.
| Tre tendenze da seguire nel secondo semestre 2026 | Perché è importante |
|---|---|
| ISO 42001 si consolida — da elemento distintivo a requisito negli acquisti | Un processo accelerato dall'entrata in vigore, tra il 2026 e il 2027, degli obblighi dell'EU AI Act per i sistemi a rischio più elevato. |
| La conformità PCI per la voce — diventa un filtro standard per la shortlist | Con la voce che gestisce sempre più dati di pagamento, i prodotti non progettati per questo vengono scartati fin dall'inizio. |
| Il tasso di risoluzione si afferma — come metrica di settore pubblicata | Il linguaggio degli analisti è cambiato: Gartner definisce il suo traguardo per il 2029 in termini di risoluzione autonoma, non di deflection. |
Nel 2023 la voce era difficile per latenza, accenti e compliance. Oggi sono problemi di ingegneria con soluzioni concrete.
08 · Da dove iniziare
Nessuno dei cinque comportamenti richiede l'approvazione di un budget. Il primo, misurare la risoluzione invece della deflection, si può fare già in questo trimestre con i dati che il team ha a disposizione. Il punto di partenza è la True Resolution Formula della Sezione 3: rivaluta i contatti del mese scorso verificando se si sono chiusi senza escalation, se sono rimasti chiusi per un periodo coerente con i tuoi standard di customer satisfaction e se hanno evitato una valutazione negativa. La differenza tra questo valore e il tasso di deflection sulla dashboard attuale indica la dimensione dell'opportunità.
Questo report è stato realizzato da Maven AGI sulla base di dati di produzione provenienti da oltre 90 implementazioni enterprise di agenti AI autonomi su chat, voce ed email.
Ricerche di terze parti citate in questo report
Continua a leggere
Inserisci la tua email per sbloccare il report completo State of AI in CX 2026 direttamente in questa pagina: ti invieremo anche il PDF completo nella tua casella di posta.
Ti invieremo il PDF completo via email e lo sbloccheremo subito qui. Inviando il modulo accetti la Privacy Policy di Maven AGI. Non vendiamo mai i tuoi dati.
Maven AGI gestisce agenti AI autonomi su chat, voce ed email per oltre 90 aziende. Portaci i tuoi dati e ti mostreremo il resolution gap nei tuoi numeri.
Prenota una demo →