KPI dell'intelligenza artificiale: come misurare il ROI

In breve: per misurare il ROI di un progetto di intelligenza artificiale servono quattro famiglie di KPI: efficienza, qualità, ricavi e adozione. Ognuna va fissata prima del lancio con una baseline, un obiettivo numerico e una scadenza. Il ROI si calcola confrontando i benefici misurati con il costo totale del progetto, licenze e ore interne comprese.

Punti chiave

• Un progetto AI senza baseline non si può giustificare: prima si misura il processo com'è oggi, poi si introduce lo strumento.
• Le metriche tecniche (precisione, latenza) servono a capire se l'AI funziona, ma non dicono se conviene: vanno lette insieme a efficienza, ricavi e adozione.
• Ogni KPI deve essere SMART: specifico, misurabile, raggiungibile, rilevante e con una scadenza.
• Le ore risparmiate diventano ROI solo se vengono riassegnate a lavoro che produce valore o se riducono un costo reale.
• Tre-cinque KPI per progetto bastano: di più disperdono l'attenzione e rendono il cruscotto illeggibile.
• Per attribuire un risultato all'AI servono un confronto credibile (gruppo di controllo, introduzione scaglionata o test A/B) e una contro-metrica accanto a ogni KPI.

Perché misurare il valore dell'AI conta adesso

L'AI è entrata nelle aziende italiane molto in fretta. Secondo l'Istat, nel 2025 la usa il 16,4% delle imprese con almeno 10 addetti, contro l'8,2% del 2024; tra le grandi imprese la quota sale al 53,1%. A livello europeo, secondo Eurostat, nel 2025 l'AI è usata dal 19,95% delle imprese dell'UE con almeno 10 addetti (13,48% nel 2024): il 55% delle grandi e il 17% delle piccole.

Un altro dato Istat dice molto sul problema della misurazione: tra le imprese che usano l'AI, la quota che non indica alcuna finalità aziendale precisa è passata dal 15,5% del 2024 al 33,4% del 2025, in gran parte piccole imprese. Tra quelle che l'hanno presa in considerazione senza adottarla, gli ostacoli più citati sono la mancanza di competenze (58,6%), l'indisponibilità o la scarsa qualità dei dati (45,2%) e i costi elevati (43,0%). Uno scopo definito, dati affidabili e costi sotto controllo sono esattamente ciò su cui un sistema di KPI costringe a fare chiarezza.

Quando l'adozione raddoppia in un anno, molti progetti partono per non restare indietro, non per un obiettivo preciso. Il risultato è noto a chi lavora con e-commerce e aziende B2B: abbonamenti attivi, qualche automazione funzionante, e nessuno in grado di dire al consiglio o al socio quanto rendono. I KPI servono proprio a questo: trasformare "sembra utile" in un numero che regge una decisione di budget.

Cosa sono i KPI dell'intelligenza artificiale?

I KPI dell'intelligenza artificiale sono indicatori che misurano se una soluzione AI sta producendo il risultato di business per cui è stata introdotta: meno tempo speso, meno errori, più vendite o più persone che la usano davvero. Si distinguono dalle metriche del modello, che misurano come lavora l'algoritmo.

Tre definizioni da tenere ferme:

• Un KPI (key performance indicator) è una misura numerica collegata a un obiettivo aziendale, con una soglia da raggiungere entro una data.
• La baseline è il valore di quel KPI prima dell'intervento, misurato con lo stesso metodo che userai dopo.
• Il ROI (ritorno sull'investimento) è il rapporto tra il beneficio netto generato e il costo sostenuto, espresso in percentuale.

Esempio pratico: per un assistente AI nel servizio clienti, la "precisione delle risposte" è una metrica del modello; la "quota di ticket chiusi senza intervento umano" e il "tempo medio di gestione" sono KPI. La prima ti dice se il sistema è affidabile, i secondi se ti fa risparmiare.

Perché i KPI tradizionali non bastano per un progetto AI?

Perché un progetto AI può fallire in punti che i KPI classici non vedono. Il ROI e la produttività restano il traguardo, ma un sistema AI aggiunge tre rischi che vanno misurati a parte.

1. La qualità può peggiorare senza che nessuno se ne accorga. Un modello che classifica male il 10% dei lead non produce allarmi: produce commerciali che chiamano le persone sbagliate. Serve un controllo a campione con un umano che verifica.
2. Le persone possono ignorare lo strumento. Una licenza pagata e non usata ha ROI negativo per definizione. Il tasso di adozione è un KPI a pieno titolo.
3. Migliorare un indicatore può peggiorarne un altro. Google Cloud, nella sua guida ai KPI per l'AI generativa, porta l'esempio di un chatbot più coinvolgente che fa crescere il valore del carrello ma allunga il tempo necessario per aggiungere i prodotti al carrello, un indicatore che prima si cercava di tenere basso. Per questo i KPI si leggono insieme, mai uno alla volta.

C'è poi il tema del rischio: affidabilità, sicurezza, trasparenza. Il NIST AI Risk Management Framework, un quadro di riferimento volontario pubblicato nel 2023, dedica una delle sue quattro funzioni (Govern, Map, Measure, Manage) proprio alla misurazione. Se ti interessa questo lato, l'ho affrontato nell'articolo su governance e spiegabilità dell'AI nelle imprese.

Quali KPI usare per misurare il ROI di un progetto AI?

Conviene ragionare per quattro famiglie, scegliendo uno o due indicatori per ciascuna in base al caso d'uso. La tabella riassume definizioni ed esempi per un e-commerce e per un'azienda B2B.

Famiglia	Cosa misura	Esempio e-commerce	Esempio B2B
Efficienza	Tempo e costo per completare un'attività	Tempo medio di gestione di un ticket; tempo di attesa prima della prima risposta; minuti per scrivere una scheda prodotto	Ore per preparare un preventivo; tempo di prima risposta a un lead
Qualità	Errori, accuratezza, soddisfazione	Quota di risposte corrette verificate a campione; risoluzione al primo contatto; CSAT dopo la chat	Precisione nella classificazione dei lead; errori nei dati inseriti nel CRM
Ricavi	Effetto su vendite e margine	Tasso di conversione; valore medio dell'ordine; carrelli recuperati	Tasso lead-opportunità; tempo di chiusura della trattativa; ricavi da clienti riattivati
Adozione	Quanto lo strumento viene usato davvero	Quota di conversazioni gestite dall'assistente; quota di visitatori che interagiscono con l'assistente; uso settimanale da parte del customer care	Commerciali attivi sullo strumento ogni settimana; quota di preventivi generati con il flusso AI

Accanto a queste quattro famiglie servono alcune metriche tecniche di controllo, che non entrano nel calcolo del ROI ma lo proteggono: tempo di risposta del sistema, tasso di errore, disponibilità. Se l'assistente impiega 20 secondi a rispondere, l'adozione crollerà prima che tu possa misurare qualsiasi risparmio.

Un dato utile per capire perché segmentare: uno studio pubblicato dal National Bureau of Economic Research su 5.179 operatori di assistenza clienti ha rilevato che un assistente basato su AI generativa aumenta in media del 14% i casi risolti per ora, del 34% per gli operatori alle prime armi o meno qualificati, con un effetto minimo sui più esperti. Se misuri solo la media, rischi di non vedere dove l'AI rende davvero e dove invece è un costo.

Quali metriche tecniche servono per controllare la qualità dell'AI?

Le metriche tecniche non entrano nel calcolo del ROI, ma sono il sistema d'allarme che lo protegge. Quali usare dipende da cosa produce l'AI. La guida di Google Cloud sui KPI dell'AI generativa distingue tra sistemi con risultati "chiusi" (una categoria, un prodotto, un sì o un no), che si possono confrontare con un insieme di risposte giuste, e sistemi generativi con risultati aperti (testi, risposte in chat, codice), che vanno valutati su criteri descrittivi.

Tipo di sistema	Esempio	Metriche	Come si misura
Risultati chiusi	Classificazione dei lead; ricerca prodotti nel catalogo	Precisione (quanti risultati proposti sono pertinenti); richiamo (quanti risultati pertinenti sono stati trovati); F1 (media bilanciata delle due)	Confronto con un campione di casi già etichettati a mano
Risultati generativi	Risposte del chatbot; schede prodotto; bozze di preventivo	Punteggio su una griglia (per esempio da 0 a 5) per correttezza, aderenza alle fonti, rispetto delle istruzioni e sicurezza; quota di "vittorie" nel confronto a coppie con la versione precedente	Revisione umana a campione; eventuale valutatore automatico basato su un modello, tarato sui giudizi umani
Infrastruttura	Qualsiasi applicazione AI in produzione	Tempo di risposta; tasso di richieste in errore; disponibilità (uptime); tempo per recuperare i dati da CRM o catalogo	Log dell'applicazione e della piattaforma

Due accorgimenti pratici. Primo: secondo Google Cloud i valutatori automatici sono ancora in parte sperimentali e molte organizzazioni usano valutatori umani; per un'azienda media, un campione fisso di casi rivisto ogni mese con la stessa griglia è il modo più semplice per accorgersi se la qualità cala. Secondo: la qualità di un sistema AI non resta ferma. Cambiano il catalogo, i listini, le domande dei clienti; per questo la guida include tra le metriche anche la quota di modelli monitorati per cambiamenti nei dati o calo delle prestazioni. In pratica: ripeti la stessa verifica a campione ogni mese e confrontala con quella fatta al lancio.

Come si calcola il ROI dell'AI in azienda?

La formula è quella di qualsiasi investimento: ROI = (benefici misurati − costi totali) / costi totali × 100. La difficoltà sta nel contare tutti i costi e nel dare un valore onesto ai benefici.

Nei costi totali vanno inclusi: licenze e abbonamenti, consumo di API (token), sviluppo e integrazione con i sistemi esistenti (CRM, e-commerce, ERP), ore interne per test e formazione, manutenzione e revisione periodica dei risultati. I benefici sono di tre tipi: costi evitati, ricavi aggiuntivi, rischi ridotti. Gli ultimi sono i più difficili da quantificare: se non hai un metodo credibile, tienili fuori dal calcolo e citali a parte.

Prendiamo uno scenario ipotetico, con numeri di esempio. Un e-commerce di arredamento riceve 2.500 ticket al mese, con un tempo medio di gestione di 8 minuti. Introduce un assistente AI che chiude da solo il 35% dei ticket (875 al mese). Il risparmio è di circa 117 ore al mese; a un costo orario pieno di 25 euro fanno circa 2.900 euro al mese, 35.000 euro l'anno. Il progetto costa 12.000 euro di realizzazione e 800 euro al mese di gestione e API, cioè 21.600 euro nel primo anno.

• ROI primo anno: (35.000 − 21.600) / 21.600 ≈ 62%.
• Rientro dell'investimento iniziale: 12.000 / (2.900 − 800) ≈ 6 mesi.

Una precisazione che cambia tutto: quelle 117 ore valgono 35.000 euro solo se il customer care le usa per altro (vendita assistita, gestione dei resi complessi) o se evita un'assunzione prevista. Se restano tempo libero, il beneficio reale è zero. Scrivilo nel business case prima di partire.

Come dare un valore ai benefici che non sono ricavi?

Molti progetti AI producono benefici reali ma indiretti: clienti più soddisfatti, meno errori, persone che restano in azienda. Il criterio resta lo stesso: entra nel ROI solo ciò che sai tradurre in euro con un metodo documentato; il resto si riporta a parte, come indicatore.

• Soddisfazione e abbandono dei clienti. Google Cloud osserva che tra soddisfazione dei clienti (CSAT) e tasso di abbandono c'è spesso una forte correlazione inversa: quando la prima sale, il secondo tende a scendere. Per un e-commerce con clienti ricorrenti o un'azienda B2B con contratti annuali, un calo dell'abbandono si traduce in ricavi trattenuti, calcolabili sul valore medio del cliente.
• Errori evitati. Moltiplica gli errori evitati per il loro costo medio: un reso causato da una scheda prodotto sbagliata, un ordine B2B da rifare, una nota di credito. Il costo medio va preso dai tuoi dati, non stimato a occhio.
• Persone che restano. Lo studio NBER sull'assistenza clienti ha rilevato, oltre all'aumento di produttività, un miglioramento del tono dei clienti nelle conversazioni e una maggiore permanenza dei dipendenti. Il turnover ha un costo concreto (selezione, formazione, periodo di avviamento) che puoi ricavare dai tuoi dati sul personale.
• Rischio ridotto. Incidenti di sicurezza, errori di conformità, fermi del servizio: se non hai uno storico per stimarne frequenza e costo, tienili fuori dal calcolo e citali come beneficio qualitativo.

Come capire se il miglioramento dipende davvero dall'AI?

È la prima domanda che fa un socio o un direttore finanziario, e il semplice confronto prima/dopo spesso non basta a rispondere. Se lanci un assistente in chat a ottobre e a novembre le vendite crescono, una parte dell'aumento può dipendere dalla stagionalità, da una promozione o da una campagna partita nello stesso periodo. Ci sono quattro modi per isolare l'effetto, dal più semplice al più rigoroso.

1. Prima/dopo corretto per la stagionalità. Confronta lo stesso periodo dell'anno precedente, non il mese prima, e annota ogni altra iniziativa partita in parallelo (promozioni, campagne, nuovi listini).
2. Gruppo di controllo. Una parte del team continua a lavorare senza AI per alcune settimane: per esempio, metà dei commerciali qualifica i lead con il nuovo flusso e metà con il metodo attuale. La differenza tra i due gruppi nello stesso periodo è l'effetto dello strumento.
3. Introduzione scaglionata. Attivi lo strumento per gruppi in momenti diversi e confronti chi lo ha già con chi non lo ha ancora. È l'approccio dello studio NBER citato sopra, che ha analizzato proprio l'introduzione graduale dell'assistente tra gli operatori.
4. Test A/B sul sito. Per un e-commerce è la soluzione più pulita: metà dei visitatori vede l'assistente o le raccomandazioni AI, l'altra metà no, e confronti conversione e ricavo per visita.

Qualunque metodo scegli, abbina a ogni KPI principale una contro-metrica: un indicatore che segnala se il miglioramento ha un costo nascosto.

KPI principale	Contro-metrica	Perché
Quota di ticket chiusi dall'assistente	Ticket riaperti; CSAT; richieste di parlare con un operatore	Un ticket chiuso male torna indietro e costa due volte
Tasso di conversione con raccomandazioni AI	Tasso di reso; margine medio per ordine	Vendere più prodotti sbagliati significa più resi
Tempo per preparare un preventivo	Preventivi corretti dopo l'invio; tasso di accettazione	Un preventivo veloce ma sbagliato fa perdere la trattativa
Lead qualificati al giorno	Tasso lead-opportunità; giudizio dei commerciali	Più lead "qualificati" non servono se non diventano opportunità

Per altri casi d'uso dell'AI nella vendita online e nel commercio, vedi l'articolo su AI e retail.

Come rendere i KPI misurabili con il metodo SMART?

Un KPI scritto bene si riconosce perché due persone diverse, guardando gli stessi dati, arrivano allo stesso numero. Il metodo SMART aiuta a scriverlo così.

1. Specifico: "migliorare il servizio clienti" non è un KPI; "ridurre il tempo medio di prima risposta in chat" sì.
2. Misurabile: deve esistere una fonte dati (CRM, GA4, log dell'assistente, helpdesk) che lo registra in automatico. Se lo devi contare a mano ogni settimana, smetterai di farlo.
3. Raggiungibile: l'obiettivo parte dalla baseline reale, non da un caso letto su LinkedIn.
4. Rilevante: deve collegarsi a un obiettivo che interessa a chi firma il budget, cioè costi, margine o crescita.
5. Temporizzato: ogni KPI ha una data di verifica, di solito 30, 60 e 90 giorni dal lancio.

Ecco come diventa una tabella baseline/obiettivo per uno scenario B2B ipotetico: un'azienda di componentistica che usa un flusso AI collegato al CRM per qualificare i lead in ingresso. I numeri sono di esempio; i tuoi vanno misurati.

KPI	Famiglia	Baseline	Obiettivo a 90 giorni	Dove si misura
Tempo di prima risposta al lead	Efficienza	26 ore	4 ore	CRM (data creazione lead e primo contatto)
Ore commerciali al mese su lead non qualificati	Efficienza	60	30	Attività registrate nel CRM
Classificazioni corrette su un campione di 50 lead	Qualità	Non misurata	Almeno 85%	Revisione mensile del responsabile commerciale
Tasso lead-opportunità	Ricavi	12%	15%	Pipeline del CRM
Commerciali che usano lo strumento ogni settimana	Adozione	0%	80%	Log di accesso e utilizzo

Nota l'ordine: efficienza e adozione si vedono in poche settimane, i ricavi richiedono almeno un ciclo di vendita. In un B2B con trattative di sei mesi, il KPI di ricavo a 90 giorni va letto come indicatore anticipatore, non come risultato finale. Per il contesto più ampio sul valore dell'AI nei processi operativi, rimando all'articolo su l'AI aziendale e il contesto operativo.

Come misurare i progetti AI già attivi in azienda?

Molte aziende non partono da zero: hanno abbonamenti, assistenti e automazioni attivi da mesi, introdotti senza KPI. Non serve fermare tutto: serve un controllo in cinque passaggi.

1. Fai l'inventario. Elenca ogni strumento AI in uso, il processo che tocca, chi lo usa e quanto costa al mese tra licenze, API e manutenzione.
2. Leggi l'uso reale. Dai log ricava utenti attivi e frequenza d'uso. Secondo Google Cloud, l'andamento del tasso di adozione aiuta a capire la causa del problema: se resta basso fin dall'inizio, di solito le persone non conoscono lo strumento; se parte alto e poi scende, lo strumento non è all'altezza.
3. Ricostruisci una baseline dai dati storici. CRM, helpdesk, GA4 e gestionale conservano i dati dei mesi precedenti al lancio: usali per il confronto, oppure crea un gruppo di controllo se i dati non bastano.
4. Decidi per ogni strumento: tenere, correggere o chiudere. Un costo ricorrente che dopo 90 giorni non ha ancora un KPI collegato è un candidato alla chiusura.
5. Rivedi i KPI ogni trimestre. I KPI non sono fissi: quando un obiettivo è raggiunto e stabile, sostituiscilo con il successivo, per esempio passando dall'adozione alla qualità e poi ai ricavi. Si parte con pochi indicatori e li si fa evolvere con il progetto.

Come si misura il valore degli agenti AI?

Un agente AI non si limita a rispondere: esegue una sequenza di passaggi, sceglie gli strumenti da usare e porta a termine un compito, come preparare la bozza di un preventivo o aggiornare un ordine nel gestionale. Per questo, secondo una guida di Google Cloud del febbraio 2026 dedicata agli agenti in produzione, le metriche usate per i chatbot (compreso il semplice pollice su o giù) non bastano. Gli indicatori che contano sono questi.

• Costo per attività riuscita. Il costo per esecuzione inganna se non lo abbini al tasso di successo: nell'esempio della guida, un agente che costa 0,10 dollari a esecuzione ma fallisce la metà delle volte costa in realtà il doppio per ogni risultato utile.
• Tasso di accettazione. Quante volte il lavoro dell'agente viene accettato così com'è, quante con modifiche e quante annullato. Un annullamento è un segnale più affidabile del feedback esplicito, che le persone danno di rado.
• Tempo di verifica. Il tempo tra il completamento del lavoro dell'agente e l'approvazione di una persona. Se controllare richiede più tempo che fare il lavoro a mano, l'agente non conviene.
• Interventi umani. Quante volte una persona deve subentrare in un compito iniziato dall'agente. Un valore alto indica un problema di fiducia o di affidabilità.
• Affidabilità del percorso. Se l'agente sceglie lo strumento giusto, rispetta l'ordine dei passaggi previsto e non inventa i dati da passare ai sistemi, per esempio un codice articolo inesistente.

Esempio B2B: un agente che prepara le bozze di risposta alle richieste d'offerta va misurato sul tempo per offerta inviata, sulla quota di bozze inviate con poche modifiche e sul tempo che il commerciale passa a controllarle. Con gli agenti, inoltre, i costi variabili crescono con l'uso: ne parlo nell'articolo su agenti AI e modelli SaaS.

Come applicarlo nella tua azienda: i primi passi

Questo è il percorso che consiglio a un titolare o a un manager che deve presentare un progetto AI e difenderlo dopo tre mesi.

1. Scegli un solo processo con un costo visibile. Assistenza clienti, qualificazione dei lead, schede prodotto, preventivi. Se ti serve una mappa dei processi più adatti, parti dall'articolo sull'automazione dei processi aziendali.
2. Misura la baseline per almeno quattro settimane. Tempi, volumi, errori, conversioni, con le stesse fonti che userai dopo il lancio.
3. Scrivi tre-cinque KPI SMART, almeno uno per efficienza, qualità e adozione, più uno di ricavo se il processo tocca le vendite. Fissa chi li legge e quando.
4. Calcola il costo totale e il punto di pareggio prima di firmare: licenze, API, integrazione, ore interne. Se il pareggio supera i 18 mesi, ridimensiona il perimetro.
5. Collega i dati a un cruscotto automatico (CRM, GA4, log dell'assistente) e fissa una revisione a 30, 60 e 90 giorni, con la regola di fermare o correggere il progetto se i KPI di qualità scendono sotto soglia.

Se stai ancora decidendo dove ha senso usare l'AI generativa, parti dall'articolo su IA generativa e strategia di business. Altri casi d'uso si trovano nella sezione AI in azienda del blog, mentre i sistemi che progetto per misurare e automatizzare questi flussi sono descritti nelle soluzioni.

Errori da evitare

• Partire senza baseline. Dopo il lancio non potrai più ricostruire com'era il processo, e qualsiasi miglioramento sarà una stima.
• Misurare solo la tecnologia. Precisione e velocità del modello non pagano le fatture; servono a proteggere i KPI di business, non a sostituirli.
• Misurare l'attività invece del risultato. Quanti messaggi ha gestito il chatbot o quante bozze ha scritto l'agente non dice nulla sul valore: conta quanto tempo o denaro ha fatto risparmiare, e con quale qualità.
• Scambiare l'efficienza per il traguardo. Secondo Google Cloud, molte organizzazioni confondono i guadagni di efficienza operativa con gli obiettivi finali. Rispondere più in fretta conta se porta a più vendite, a meno costi o a clienti che restano.
• Contare le ore risparmiate come soldi incassati. Il tempo liberato vale solo se viene riassegnato o se evita un costo.
• Dimenticare i costi ricorrenti. Consumo di API, manutenzione dei prompt e revisione umana pesano ogni mese, anche quando il progetto sembra concluso.
• Usare troppi indicatori. Con quindici KPI nessuno guarda il cruscotto. Tre-cinque, letti insieme, bastano.

Domande frequenti (FAQ)

Quali sono i KPI più importanti per un progetto di intelligenza artificiale?

Dipende dal processo, ma ogni progetto dovrebbe avere almeno un KPI per ciascuna di quattro famiglie: efficienza (tempo o costo per attività), qualità (errori o soddisfazione), ricavi (conversione o margine) e adozione (uso reale da parte del team). A questi si affiancano metriche tecniche di controllo come tempo di risposta e tasso di errore del sistema.

Come si calcola il ROI dell'AI in azienda?

Si sottraggono i costi totali dai benefici misurati e si divide il risultato per i costi totali, moltiplicando per 100. Nei costi vanno licenze, consumo di API, integrazione, ore interne e manutenzione. Nei benefici vanno i costi evitati e i ricavi aggiuntivi misurati rispetto alla baseline.

Dopo quanto tempo si può misurare il ROI di un progetto AI?

I KPI di efficienza e adozione si leggono già dopo 30-60 giorni. I KPI di ricavo richiedono almeno un ciclo di vendita completo, che nel B2B può durare diversi mesi. Per questo conviene fissare verifiche a 30, 60 e 90 giorni e un bilancio completo a 12 mesi.

Cosa fare se non ho una baseline del processo?

Prima di attivare lo strumento, misura il processo attuale per almeno quattro settimane con le stesse fonti dati che userai dopo. Se il progetto è già partito, puoi usare un gruppo di controllo: una parte del team o dei clienti continua senza AI e confronti i risultati nello stesso periodo.

Le ore risparmiate con l'AI contano come ritorno economico?

Solo se diventano un risparmio reale o un ricavo. Le ore liberate valgono quanto il loro costo pieno se vengono riassegnate ad attività che producono valore, o se evitano un'assunzione o un appalto esterno. Se restano inutilizzate, nel calcolo del ROI il loro valore è zero.

Quanti KPI servono per un progetto AI?

Da tre a cinque per progetto. Con meno di tre manca il controllo sulla qualità o sull'adozione; con più di cinque il cruscotto diventa difficile da leggere e nessuno lo consulta. L'importante è che siano letti insieme, perché migliorare un indicatore può peggiorarne un altro.

Quali KPI usare per un chatbot AI in un e-commerce?

Per efficienza e qualità: tasso di contenimento (conversazioni risolte senza operatore), tempo medio di gestione, risoluzione al primo contatto e CSAT dopo la chat. Per i ricavi: conversione e ricavo per visita delle sessioni con chat, misurati con un test A/B. Come contro-metriche: richieste di passare a un operatore, ticket riaperti e resi.

Fonti

• Istat, Imprese e ICT, anno 2025 (comunicato del 15 dicembre 2025)
• Eurostat, Use of artificial intelligence in enterprises
• Brynjolfsson, Li, Raymond, Generative AI at Work, NBER Working Paper 31161
• Google Cloud, Measuring gen AI success: a deep dive into the KPIs you need (2024)
• Google Cloud, The KPIs that actually matter for production AI agents (2026)
• NIST, AI Risk Management Framework

Se devi giustificare un progetto AI e vuoi partire da KPI e baseline corretti, richiedi una diagnosi gratuita.