Nell'arco di 60 giorni, Gartner ha pubblicato 2 previsioni che ogni leader CX alle prese con la pianificazione della spesa in AI per i prossimi 24 mesi dovrebbe leggere fianco a fianco.
Il 26 gennaio la società ha previsto che entro il 2030 il costo per risoluzione della generative AI nel customer service supererà i 3 $, più di quanto costino molti operatori umani offshore nel B2C. Il 31 marzo ha previsto che entro il 2028 oltre la metà delle organizzazioni di customer service raddoppierà la spesa tecnologica senza una riduzione equivalente dell'organico.
Lette insieme, queste previsioni descrivono un'economia della CX in cui la curva della spesa sale, quella dell'organico resta più o meno piatta e il costo per risoluzione dell'AI si avvicina alla soglia dell'operatore offshore che avrebbe dovuto battere. L'idea che l'AI renda il customer service più economico, il presupposto alla base della maggior parte dei budget software CX dal 2023, non regge più così bene.
Gartner individua 2 variabili dietro questa tendenza: i talenti e la complessità degli strumenti. Sono entrambe reali, ma sotto di esse c'è una terza variabile, quella che la maggior parte dei team non monitora. È la risoluzione: nello specifico, il divario tra ciò che l'AI gestisce e ciò che l'AI risolve davvero. È questa variabile a stabilire se ogni nuovo dollaro di spesa in tecnologia CX produce un risultato o soltanto una transazione.
Il divario di risoluzione, in dollari
La maggior parte delle dashboard CX mette in primo piano il "tasso di automazione" o il "tasso di deflection". Arriva un ticket, l'AI risponde, la conversazione si chiude senza un operatore e la piattaforma segna il ticket come gestito. Il numero sulla dashboard sale.
Quello che la dashboard non sempre mostra è se il problema del cliente sia stato davvero risolto. È il divario di risoluzione: lo spazio tra le interazioni che l'AI tocca e i problemi che l'AI risolve.
Quando il divario è ampio, i volumi non spariscono. Rientrano nel sistema in 3 modi:
- Come ricontatti, quando il cliente torna sullo stesso canale perché il problema persiste
- Come escalation tra canali, quando il cliente prova la chat, rinuncia, chiama e trova un operatore che riparte da zero
- Come churn, quando il cliente conclude che l'azienda non può aiutarlo e smette di provarci
Ognuno di questi esiti ha un costo che la dashboard della deflection non rileva. Il campione McKinsey AI in Customer Service 2026 mette in netto risalto l'economia unitaria: una risoluzione gestita dall'AI costa circa 0,62 $, contro i 7,40 $ di una gestita da un operatore (citato nella raccolta di benchmark 2026 di Digital Applied). Ma questi conti tornano solo sul dato di risoluzione, non su quello di deflection. Ogni interazione registrata come deviata e poi rimbalzata come escalation gestita da un operatore significa 2 fatture: una per la licenza AI e un'altra per l'operatore che riprende il filo interrotto. Quando il divario è ampio, i costi si sommano, e la curva di spesa prevista da Gartner fino al 2028 è esattamente questo, su larga scala.
Per questo, quando si confronta l'economia dell'AI con quella umana, il benchmark che conta è il costo per risoluzione, non il costo per interazione né il tasso di deflection. La previsione di Gartner di 3 $ per risoluzione nel 2030 misura quanto costa l'AI quando risolve davvero il problema, non quanto costa quando gestisce un messaggio.
Cosa succede davvero dentro la curva della spesa
Il sondaggio Gartner di ottobre 2025 su 321 leader del customer service ha rilevato che solo il 20% delle organizzazioni ha ridotto l'organico grazie all'AI. L'altro 80% paga l'AI e paga anche gli operatori.
Non è una fase di transizione verso costi più bassi. È il risultato strutturale del modo in cui l'AI viene adottata nella maggior parte delle funzioni CX. Come ha scritto CXOVoice, i costi del customer service stanno crescendo perché l'AI aggiunge livelli invece di eliminarli: lo stack oggi include conversational AI, routing, knowledge, analytics, orchestrazione e supervisione, ciascuno con i propri costi di licenza, implementazione e integrazione.
Nessuno di questi livelli ne sostituisce uno esistente. Quello che Gartner prevede fino al 2028 non è un costo di migrazione una tantum, ma un passaggio strutturale da budget CX dominati dal personale a budget CX dominati dal software, con una base di costi complessiva che sale anziché scendere.
In questo passaggio, è il divario di risoluzione a decidere da quale lato del bilancio finisce la spesa in AI. Quando l'AI risolve il problema end-to-end, il livello software si guadagna il suo posto: svolge un lavoro che altrimenti richiederebbe una persona e l'economia unitaria funziona. Quando l'AI devia senza risolvere, il livello software aggiunge costi senza eliminarne alcuno, e il dollaro che doveva uscire dal budget degli operatori finisce per finanziare l'AI in aggiunta.
I costi che si sommano
Prendiamo uno scenario tipico: 10.000 ticket in ingresso al mese, una dashboard del vendor che riporta un tasso di automazione del 60% e 6.000 ticket segnati come "gestiti" senza intervento umano.
L'audit che distingue la deflection dalla risoluzione confermata di solito porta a un risultato diverso. Le ricerche di settore sui deployment basati su RAG rilevano costantemente che dal 15% al 25% dei ticket "deviati" contiene risposte errate o incomplete. Se il 25% di quei 6.000 ticket deviati rientra nel sistema entro 72 ore (come ricontatti, escalation o tentativi su altri canali), 1.500 interazioni che sembravano automatizzate in realtà non lo erano.
Il vero tasso di risoluzione autonoma su questo volume non è il 60%. È il 45%. E il divario emerge in 3 voci che la maggior parte delle dashboard CX non è predisposta a mostrare:
- La fattura del vendor AI non cambia. La licenza è calcolata sulle interazioni, e l'AI le interazioni le gestisce.
- Il carico di lavoro degli operatori include quei 1.500 ticket rientrati, spesso senza contesto, perché il passaggio di consegne non funziona.
- La customer experience assorbe il costo di dover chiedere 2 volte. Il vendor fattura 6.000 interazioni. Tu hai pagato 4.500 risoluzioni.
È il divario di risoluzione a stabilire se la voce AI sostituisce la gestione umana o si aggiunge a essa. Quando il divario è ridotto, la spesa in AI compensa quella per gli operatori. Quando è ampio, la spesa in AI si somma a quella per gli operatori: ed è proprio la curva che Gartner prevede fino al 2028.
La variabile dell'architettura
Il divario di risoluzione non è un problema del modello. È un problema di architettura.
La maggior parte degli agenti AI oggi in produzione sa leggere ma non sa agire. Recupera informazioni da una knowledge base, riassume le policy e suggerisce i passi successivi. Ciò che in genere non sa fare, senza un'integrazione più profonda, è elaborare il rimborso, aggiornare l'account, modificare l'ordine o spostare l'appuntamento. La linea di demarcazione architetturale è l'accesso in sola lettura oppure in lettura e scrittura ai sistemi in cui vive il problema reale del cliente.
Un'AI in sola lettura è strutturalmente limitata alla quota di ticket che si possono risolvere fornendo informazioni. Per la maggior parte dei programmi CX enterprise si tratta di una fascia tier-1 fatta di reset password, verifiche sullo stato degli ordini e domande sulle policy: volumi reali, ma con un tetto. Reclami, eccezioni, contestazioni di fatturazione e modifiche agli account, cioè ciò che fa lievitare i costi del supporto, stanno dall'altra parte del confine tra lettura e scrittura.
Per questo vale la pena indagare sui tassi di automazione superiori al 70% su insiemi ampi di richieste. Di solito riflettono un livello di triage aggressivo che esclude i casi difficili prima che l'AI li veda, oppure una definizione di risoluzione che conta le conversazioni concluse senza confermarne l'esito. I deployment in produzione con integrazione in lettura e scrittura verso i sistemi di backend tendono a collocarsi tra il 70% e l'85% di risoluzione confermata su insiemi ampi di richieste, inclusi i ticket che dipendono dalle policy.
È la scelta architetturale a determinare se ogni nuovo dollaro di spesa in tecnologia CX riduce il divario di risoluzione o lo allarga. Sola lettura o lettura e scrittura, overlay o sostituzione completa, AI come livello aggiuntivo o AI dentro l'help desk: non sono dettagli implementativi. Sono il moltiplicatore della spesa. Il framework di valutazione di Maven approfondisce queste dimensioni.
Come si presenta un approccio resolution-first in produzione
Le aziende che stanno chiudendo il divario di risoluzione condividono un tratto architetturale: l'integrazione in lettura e scrittura con i sistemi in cui vivono davvero i problemi dei clienti. I dati di produzione sono concreti:
- Mastermind ha raggiunto il 93% di risoluzione autonoma entro 6 settimane dal deployment.
- Papaya Pay ha raggiunto il 90% di risoluzione autonoma in 3 settimane.
- Clio è passata da un chatbot legacy a una risoluzione autonoma dell'80%, ha risolto il 60% di ticket in più e ha reso 4 volte più rapida la risposta del supporto live.
- Rho ha mantenuto un CSAT del 95% gestendo il 12% di contatti mensili in più senza aumentare l'organico.
Su quest'ultimo dato vale la pena soffermarsi. Il comunicato Gartner del 31 marzo prevede che il raddoppio della spesa in tecnologia CX fino al 2028 non sarà accompagnato da una riduzione dell'organico, e avverte che le aziende che tagliano operatori per finanziare l'AI rischiano disservizi operativi, una customer experience peggiore e costosi passi indietro. La previsione presuppone che l'AI non risolva abbastanza in autonomia da reggere volumi in crescita.
Il dato di Rho è l'esempio più chiaro di come funzionano i conti della spesa resolution-first in produzione. CSAT stabile al 95%, volume dei contatti cresciuto del 12%, team invariato. Ecco cosa significa capacità sui volumi quando il tasso di risoluzione è reale: più clienti gestiti, stesso team, CSAT intatto.
È questa la versione dei conti in cui la voce AI si guadagna il suo posto. La spesa tecnologica sale, quella per gli operatori resta stabile, il volume di clienti cresce e la base di costi complessiva scende per ogni problema risolto. Funziona solo se il tasso di risoluzione è abbastanza alto. In altre parole, quando il divario tra deflection e risoluzione è abbastanza ridotto da trasformare in modo pulito i volumi gestiti dall'AI in risultati.
3 domande prima di raddoppiare il budget
La previsione di spesa di Gartner per il 2028 non deve per forza ricadere su ogni conto economico CX. A deciderlo sono l'architettura e l'economia del livello AI che si aggiunge. Ecco 3 domande per andare oltre i numeri da vetrina con cui ogni vendor si presenterà.
- L'AI può eseguire azioni nei sistemi in cui vive il problema del cliente, o si limita a rispondere attingendo ai documenti? La distinzione tra sola lettura e lettura e scrittura è la variabile architetturale che limita quanta parte dei costi del supporto l'AI può affrontare. Un'AI che mostra lo stato di un ordine è utile. Un'AI che elabora il reso, aggiorna l'account e conferma la modifica è ciò che chiude il divario di risoluzione.
- Qual è il tasso di ricontatto a 72 ore sui ticket risolti? È la metrica di audit. Se il 25% dei ticket "risolti" genera un follow-up entro 3 giorni, il tasso di risoluzione effettivo è sensibilmente più basso di quello dichiarato. Un vendor sicuro della qualità di risoluzione della propria AI pubblica questo dato. Un vendor che non l'ha misurato di solito ha le sue ragioni.
- Qual è il tasso di risoluzione confermata, non il tasso di deflection? Una risoluzione confermata conta solo i ticket in cui il problema del cliente è stato risolto e il cliente non è tornato. La deflection conta qualsiasi ticket toccato dall'AI. I vendor che hanno misurato entrambi li condivideranno entrambi. Quelli che non l'hanno fatto, o non vogliono farlo, di solito ottimizzano per il numero che li fa sembrare migliori.
Le 3 risposte, insieme, determinano se ogni nuovo dollaro di spesa in tecnologia CX compra risoluzione o compra attività.
La variabile che Gartner non ha nominato
Le 2 previsioni del 2026 vanno nella stessa direzione. La spesa sale, il costo per risoluzione dell'AI si avvicina a quello umano e l'organico resta più o meno stabile. L'effetto combinato è un aumento strutturale della base di costi CX per la metà delle organizzazioni che raddoppierà la spesa tecnologica fino al 2028.
Quello che le previsioni non dicono, perché misurano la spesa tecnologica e non l'architettura, è che il divario di risoluzione è la variabile che decide in quale metà finirà ciascuna organizzazione. Le aziende che considerano la risoluzione la metrica di riferimento e progettano il proprio livello AI per agire nei sistemi in cui vivono davvero i problemi dei clienti non vedranno la spesa raddoppiare senza risultati. Quelle che trattano la risoluzione come sinonimo di deflection spenderanno di più nel 2026, 2027 e 2028, e risolveranno più o meno quanto nel 2024.
Il linguaggio del settore sta cambiando di conseguenza. La risoluzione autonoma sta diventando la metrica di riferimento. Il Resolution Rate si avvia a sostituire i vecchi benchmark CX come misura principale per capire se l'AI nel supporto funziona. Vendor e analisti convergono sullo stesso punto: nel 2026, la dashboard che il tuo vendor AI mette in primo piano è proprio quella da esaminare più a fondo.
La curva di spesa prevista da Gartner per il 2028 non è inevitabile. È la conseguenza delle scelte architetturali che la maggior parte dei team CX sta facendo adesso.
Mettilo alla prova sulle tue conversazioni.
Richiedi una demo personalizzata gratuita.
