La spesa AI di Amazon e Google rivela la crisi nascosta dei costi della CX aziendale

Amazon ha aumentato il proprio piano di spesa in conto capitale per il 2026 a 220 miliardi di dollari, nonostante abbia registrato la crescita più rapida di AWS degli ultimi 18 trimestri. La corsa alle infrastrutture tra Amazon e Google mette ora in luce una difficile verità per i team aziendali responsabili dell'esperienza cliente. La domanda di AI è in forte crescita, ma i sistemi che la servono richiedono più capitale, hardware scarso e impegni di più lunga durata.

Questo non dimostra che l'AI aziendale abbia fallito. Il business cloud di Amazon è cresciuto del 37% nel secondo trimestre, mentre le sue attività nell'AI e nei chip hanno entrambe superato un tasso di ricavi annualizzato di 25 miliardi di dollari. Eppure Amazon prevede ancora che la propria capacità infrastrutturale non riuscirà a soddisfare la domanda nel 2026.

Google affronta la stessa tensione su una scala diversa. I ricavi di Google Cloud sono cresciuti dell'82%, mentre Alphabet ha portato le spese in conto capitale previste per il 2026 a una cifra compresa tra 195 e 205 miliardi di dollari. Entrambe le aziende dimostrano che una maggiore adozione dell'AI non produce automaticamente esperienze cliente più economiche e semplici.

Per le imprese, la questione va oltre la bolletta del cloud. I sistemi AI per l'esperienza cliente necessitano di inferenza dei modelli, recupero dei dati, controlli di sicurezza, valutazione, revisione umana e integrazioni con le piattaforme esistenti. Ogni livello aggiunge costi prima che un'organizzazione possa dimostrare che l'esperienza è migliore.

I numeri del Q2 di Amazon hanno cambiato il dibattito sui costi dell'AI

I risultati di Amazon dimostrano che una forte domanda di AI e una severa pressione sui costi possono coesistere.

Amazon ha comunicato i risultati del secondo trimestre il 30 luglio 2026. Le vendite di AWS sono cresciute del 37% nel periodo da aprile a giugno, accelerando rispetto al 28% del trimestre precedente. L'azienda ha descritto quella performance come la crescita più rapida di AWS degli ultimi 18 trimestri.

Amazon ha inoltre dichiarato che sia il proprio business AI sia quello dei chip hanno superato un tasso di ricavi annualizzato di 25 miliardi di dollari. Questi dati suggeriscono che i clienti stanno acquistando infrastruttura anziché limitarsi a testarla.

La spesa necessaria per sostenere quella crescita è aumentata altrettanto rapidamente. L'amministratore delegato Andy Jassy ha incrementato le spese in conto capitale previste da Amazon per il 2026 da circa 200 miliardi di dollari a 220 miliardi. Il totale include investimenti in infrastrutture AI, semiconduttori, robotica e satelliti.

Secondo Jassy, i maggiori costi della memoria sono stati una delle ragioni principali della spesa aggiuntiva. La memoria è essenziale per addestrare i modelli ed eseguire l'inferenza, ovvero servire agli utenti un modello addestrato. L'aumento dei costi dei componenti incide quindi sia sui sistemi sperimentali sia sui carichi di lavoro di produzione consolidati.

I materiali sui risultati del Q2 di Amazon stabiliscono la tempistica dell'annuncio. Le notizie successive hanno mostrato perché l'aumento fosse importante. L'azienda aveva speso circa 128 miliardi di dollari nell'anno precedente, rendendo il nuovo piano un importante passo in avanti.

L'aumento della spesa non rifletteva soltanto la costruzione di capacità inutilizzata. Jassy ha affermato che Amazon non disporrebbe comunque di capacità sufficiente per soddisfare tutta la domanda prevista per il 2026. Ha inoltre descritto come notevole la domanda già visibile per il 2028.

Questo dettaglio cambia l'interpretazione del trimestre. Amazon non sta costruendo infrastrutture perché la domanda di AI resta ipotetica. Sta spendendo pesantemente mentre comunica agli investitori che la domanda dei clienti supera ancora l'offerta disponibile.

Il vincolo complica anche un'assunzione diffusa nelle imprese. Gli acquirenti spesso si aspettano che una maggiore scala del cloud renda ogni generazione di automazione meno costosa. La scala aiuta, ma non può compensare completamente le carenze, i requisiti elettrici, la costruzione dei data center e la frequente sostituzione dell'hardware.

Per un team responsabile dell'esperienza cliente, questo conta al momento dell'implementazione. Un progetto pilota potrebbe gestire diverse migliaia di conversazioni con velocità e accuratezza accettabili. Un servizio di produzione deve resistere ai picchi stagionali, alle interruzioni, ai cambiamenti dei modelli e al comportamento imprevedibile dei clienti.

I sistemi di produzione necessitano anche di capacità di riserva. Un contact center non può semplicemente smettere di rispondere quando la domanda di inferenza aumenta altrove. Il fornitore deve mantenere capacità hardware e di rete sufficienti per rispettare gli impegni di servizio nei periodi di picco.

Questa affidabilità ha un costo reale. Si manifesta attraverso addebiti di utilizzo, capacità riservata, commissioni della piattaforma, lavoro di implementazione o limiti imposti alla qualità del modello e alla lunghezza delle risposte. Un'impresa può evitare di possedere server pur continuando a pagare l'infrastruttura dietro ogni interazione.

Il trimestre di Amazon ha quindi messo in luce il conflitto centrale. La domanda convalida l'opportunità dell'AI, ma il costo per soddisfarla continua a crescere. Gli acquirenti di CX aziendale si trovano al termine di quel conflitto.

La corsa tra Amazon e Google spinge i costi verso gli acquirenti aziendali

La competizione tra Amazon e Google espande la capacità AI, ma spinge anche i clienti ad assumere impegni più grandi e anticipati.

Google ha comunicato i risultati del secondo trimestre una settimana prima di Amazon. I ricavi di Google Cloud sono cresciuti dell'82% e il suo portafoglio ordini cloud ha raggiunto 514 miliardi di dollari. Alphabet ha inoltre dichiarato che quasi il 90% delle Fortune 100 utilizzava Gemini Enterprise.

La crescita di Google offre un confronto importante perché indebolisce la critica più semplice alla spesa di Amazon. Amazon non agisce da sola né risponde soltanto a inefficienze specifiche dell'azienda. Diversi fornitori cloud stanno aumentando gli investimenti mentre riportano una forte domanda.

Alphabet prevede spese in conto capitale per il 2026 comprese tra 195 e 205 miliardi di dollari. La previsione precedente variava da 180 a 190 miliardi di dollari. Gran parte di questa spesa sostiene l'infrastruttura tecnica, inclusi server e data center utilizzati per i carichi di lavoro AI.

Le dichiarazioni sui risultati di Google sottolineano inoltre la gestione dei costi e la governance all'interno di Gemini Enterprise. Questo posizionamento riconosce una preoccupazione che sta già passando dai dipartimenti finanziari alle decisioni operative di acquisto.

La rivalità tra Amazon e Google offre agli acquirenti aziendali più scelte infrastrutturali. AWS propone Amazon Bedrock, i suoi modelli Nova, i modelli Anthropic e i chip Trainium personalizzati. Google combina i modelli Gemini, la propria piattaforma cloud e unità proprietarie di elaborazione tensoriale.

I chip personalizzati possono ridurre la dipendenza da acceleratori esterni e migliorare le prestazioni per carichi di lavoro selezionati. Tuttavia, incoraggiano anche i clienti a progettare sistemi attorno all'architettura di un fornitore. Cambiare in seguito può richiedere nuovi test, lavoro sui dati e modifiche alle applicazioni.

La scelta del modello crea un compromesso simile. Un'azienda può instradare le richieste semplici verso modelli più piccoli e quelle difficili verso modelli più grandi. Questo approccio può ridurre l'uso dell'inferenza, ma aggiunge lavoro di orchestrazione, monitoraggio e valutazione.

La concorrenza riduce quindi alcuni costi unitari aumentando al tempo stesso la complessità dei sistemi. Le imprese ottengono più opzioni, ma devono sviluppare le competenze necessarie per usarle responsabilmente. Un costo inferiore per token offre scarso valore quando gli errori di instradamento aumentano le escalation o producono risposte errate.

La posta in gioco è particolarmente alta nell'esperienza cliente. Un assistente di programmazione può chiedere a uno sviluppatore di verificare un risultato. Un agente rivolto al cliente spesso risponde direttamente a qualcuno che si aspetta una risposta corretta, una policy chiara e una risoluzione immediata.

Una spiegazione errata della fatturazione può creare contatti ripetuti. Un rimborso non supportato può causare perdite finanziarie. Un'affermazione sicura ma falsa su un conto può innescare problemi legali, normativi e reputazionali.

Questi rischi costringono le imprese a circondare i modelli generativi di controlli. La generazione aumentata dal recupero collega un modello a informazioni aziendali approvate prima che risponda. I guardrail limitano l'output, mentre i sistemi di valutazione verificano se le risposte soddisfano standard definiti.

Ogni controllo consuma tempo di ingegneria e risorse di calcolo. I sistemi di recupero richiedono dati indicizzati. Le valutazioni richiedono conversazioni di test, chiamate al modello, revisori e misurazioni ripetute ogni volta che cambia un modello o un prompt.

Amazon e Google possono distribuire gli investimenti infrastrutturali su migliaia di clienti. Le singole imprese non possono distribuire con la stessa ampiezza i costi di integrazione e governance. Il loro business case dipende da un insieme più ristretto di flussi di lavoro e risultati misurabili.

È qui che si sposta il peso dei costi. Gli hyperscaler finanziano i data center, ma i clienti finanziano l'ultimo miglio tra un modello capace e un'esperienza affidabile. Quell'ultimo miglio determina spesso se un programma AI crea valore.

Il risultato non è una semplice inflazione dei prezzi. È un problema di impegno. Le imprese devono scegliere fornitori, architetture e modelli operativi prima che costo e qualità di lungo termine diventino pienamente visibili.

L'economia della CX aziendale si rompe dopo il progetto pilota

La crisi nascosta inizia quando una dimostrazione controllata diventa un'operazione di assistenza clienti responsabile.

Un progetto pilota di solito verifica se un modello può rispondere a domande selezionate. Può utilizzare documenti puliti, dipendenti collaborativi e un insieme limitato di conversazioni. La produzione introduce dati incompleti, richieste insolite, clienti emotivi e policy in conflitto.

Il modello è solo una parte del costo di produzione. Un sistema completo deve identificare il cliente, recuperare le informazioni dell'account, applicare le autorizzazioni, registrare le decisioni e trasferire i casi difficili. Deve inoltre proteggere i dati sensibili in ogni fase.

La latenza crea un ulteriore livello di costo. I clienti si aspettano che i sistemi conversazionali rispondano rapidamente, anche quando una richiesta richiede diverse chiamate al modello. Un ragionamento più lungo può migliorare alcune risposte, ma consuma anche più capacità di calcolo e ritarda la conversazione.

Le organizzazioni possono ridurre la latenza con modelli più piccoli o risposte memorizzate nella cache. Queste scelte possono ridurre la qualità nei casi complessi. I team devono decidere dove un output più rapido ed economico resti accettabile, quindi dimostrare tale scelta attraverso i test.

Anche i volumi di contatto possono cambiare dopo l'implementazione. Un canale digitale più semplice talvolta attrae domande che i clienti in precedenza abbandonavano. L'automazione può ridurre la gestione da parte degli operatori aumentando al tempo stesso il numero totale di interazioni.

Un'azienda può quindi segnalare un alto tasso di contenimento senza migliorare l'economia complessiva. Il contenimento misura la frequenza con cui una conversazione termina senza un operatore umano. Non rivela se il cliente abbia ricevuto una risoluzione corretta o duratura.

I contatti ripetuti contano di più. Se un sistema AI fornisce una risposta incompleta, il cliente può tornare tramite chat, telefono ed email. La prima interazione sembra automatizzata, mentre l'intero percorso diventa più costoso.

Le imprese necessitano di metriche di risultato che colleghino il comportamento dell'AI ai risultati aziendali. Queste includono tassi di contatti ripetuti, completamento riuscito delle attività, frequenza delle correzioni, qualità delle escalation e sforzo del cliente. Il solo tempo medio di gestione non può cogliere questi effetti.

La preparazione dei dati crea un'altra spesa importante. Le policy per i clienti sono spesso distribuite tra siti web, piattaforme di supporto, documenti interni e messaggi dei dipendenti. Alcune fonti sono aggiornate, mentre altre contengono istruzioni obsolete o in conflitto.

Un modello non può risolvere questi conflitti in modo affidabile da solo. I team hanno bisogno di regole di responsabilità, controllo delle versioni, autorizzazioni e processi di revisione. Una base di conoscenza AI ricercabile può supportare il recupero, ma la governance dei contenuti resta una responsabilità umana.

Gli agenti AI rendono il problema più ampio. Un agente può selezionare strumenti ed eseguire passaggi verso un obiettivo, anziché limitarsi a generare testo. Questa capacità aiuta con modifiche agli ordini, pianificazione, risoluzione dei problemi e aggiornamenti degli account.

L’azione aumenta anche il costo dell’errore. Una risposta debole può frustrare un cliente, mentre un’azione errata può modificare un account o creare un obbligo finanziario. Le imprese devono aggiungere regole di autorizzazione, piste di audit e procedure di annullamento.

La supervisione umana non scompare in questo modello. Cambia collocazione. I dipendenti passano dalla gestione di ogni richiesta alla revisione delle eccezioni, alla manutenzione della conoscenza, all’indagine sui guasti e al miglioramento del sistema.

Questo lavoro è difficile da stimare durante l’approvvigionamento. I fornitori possono dimostrare le prestazioni dei modelli, ma non possono prevedere completamente lo stato dei dati di un’impresa. Né possono stabilire quanto rischio l’organizzazione accetterà.

La corsa alle infrastrutture tra Amazon e Google intensifica questa sfida accelerando i rilasci di modelli e piattaforme. Rilasci più rapidi creano nuove capacità, ma ogni modifica può influire sulla qualità dell’output, sulla latenza e sui costi. I team di produzione devono decidere quando ripetere i test giustifica l’interruzione.

Una piattaforma per la customer experience può inoltre dipendere da diversi fornitori. Un vendor fornisce il contact center, un altro ospita i dati e un terzo fornisce il modello. Osservabilità e responsabilità risultano divise tra diversi contratti.

Quando una risposta rallenta o non riesce, l’impresa deve identificare quale livello ha causato il problema. Questa indagine richiede tempo e personale specializzato. I clienti sperimentano il sistema combinato, non i confini tra i suoi fornitori.

La questione economica è quindi più ampia del semplice confronto tra il costo dell’AI e quello di un minuto di lavoro di un operatore. I leader devono confrontare percorsi completi, inclusi automazione fallita, contatti ripetuti, governance, integrazioni e utilizzo dell’infrastruttura.

Un’implementazione riuscita può comunque generare risparmi significativi. Le richieste di routine con policy chiare restano ottime candidate. Il rischio sta nel presumere che il successo in un workflow ristretto definisca l’economia di ogni interazione con il cliente.

Una crescita più rapida del cloud non dimostra una customer experience migliore

Amazon e Google hanno dimostrato la domanda di infrastrutture AI, ma non hanno dimostrato che ogni implementazione aziendale produca una CX migliore.

La crescita di AWS di Amazon e l’accelerazione di Google Cloud forniscono prove della spesa dei clienti. Non rivelano quanta di quella spesa sostenga esperimenti, addestramento, migrazione o sistemi di produzione redditizi.

I ricavi cloud misurano inoltre il risultato del provider, non il ritorno dell’acquirente. Un provider beneficia ogni volta che un cliente consuma più capacità di calcolo. Il cliente beneficia solo quando quel consumo produce costi inferiori, ricavi più elevati, minori rischi o un’esperienza migliore.

Questa differenza crea un divario di incentivi. I provider vogliono che i workload si espandano. I leader aziendali devono decidere quali workload meritano di espandersi e quali dovrebbero rimanere deterministici, guidati da persone o non supportati.

I risultati di Alphabet illustrano entrambi gli aspetti. La crescita del cloud ha raggiunto l’82%, eppure l’azienda ha anche aumentato le previsioni di spesa in conto capitale. La copertura del trimestre ha rilevato che gli investitori si sono chiesti se l’aumento degli investimenti in infrastrutture avrebbe messo sotto pressione la generazione di cassa.

La rapida espansione di Google non invalida la sua strategia. Una forte domanda cloud e un ampio portafoglio ordini offrono prove che i clienti attribuiscono valore alla sua capacità. L’incertezza riguarda i tempi e la sostenibilità dei rendimenti.

Amazon affronta lo stesso test. Secondo la copertura degli utili, il free cash flow annuale è diventato negativo mentre la spesa accelerava. L’azienda sostiene che la costruzione attuale supporti la futura domanda contrattualizzata.

Questa spiegazione è plausibile perché i data center richiedono anni per essere pianificati e costruiti. I server arrivano più vicini all’attivazione, mentre gli edifici possono supportare diverse generazioni hardware. Amazon può adeguare alcuni ordini di apparecchiature se la domanda si indebolisce.

Tuttavia, non tutti i costi restano flessibili. Terreni, accordi sull’energia, capacità di rete e costruzioni rappresentano impegni di lunga durata. Le carenze di memoria e acceleratori possono inoltre aumentare i costi dopo che i piani di capacità sono già in corso.

Le imprese affrontano una versione più piccola dello stesso disallineamento temporale. Pagano integrazione e governance prima che l’adozione diventi prevedibile. I benefici arrivano solo dopo che i clienti utilizzano con successo il sistema e i team operativi riprogettano il proprio lavoro.

Questo rende i calcoli del ritorno sensibili alle ipotesi. Un piccolo cambiamento nei tassi di escalation può modificare le esigenze di personale. Un lieve calo della qualità può produrre più contatti ripetuti di quanti l’automazione ne elimini.

I benchmark dei fornitori raramente risolvono questa questione. I test standard misurano le capacità del modello in condizioni definite. La CX aziendale dipende da dati privati, policy locali, comportamento dei clienti e qualità dei sistemi connessi.

La visione scettica mette inoltre in discussione l’espressione “crisi dei costi dell’AI”. La sola spesa per infrastrutture non dimostra che la CX aziendale stia diventando inaccessibile. La crescita del cloud suggerisce che molti clienti vedano valore sufficiente per continuare ad acquistare.

L’efficienza può migliorare rapidamente con la maturazione di modelli, chip e software. I modelli più piccoli gestiscono già attività che un tempo richiedevano sistemi più grandi. Il silicio personalizzato di Amazon e Google può ridurre i costi per i workload adatti a questi chip.

La conclusione corretta è più circoscritta. Le imprese non possono trattare la riduzione dei costi dei modelli come una garanzia di riduzione dei costi totali. I miglioramenti al livello del modello possono essere compensati da maggiore utilizzo, un perimetro più ampio, controlli più robusti e una maggiore complessità di integrazione.

Microsoft offre un confronto utile. Le sue spese in conto capitale trimestrali sono aumentate del 70% a 41 miliardi di dollari, mentre circa due terzi hanno sostenuto asset di vita più breve, come processori e chip grafici. Il ciclo di sostituzione degli asset mostra quanto rapidamente l’infrastruttura possa invecchiare.

Quel ciclo influenza i contratti con i clienti anche quando i provider assorbono l’acquisto iniziale. I provider devono alla fine recuperare il capitale tramite utilizzo, prezzi o servizi a maggior valore. La concorrenza limita la loro libertà, ma non elimina il costo sottostante.

I leader CX dovrebbero sottoporre a stress test sia le affermazioni ottimistiche sia quelle pessimistiche. Non dovrebbero presumere che ogni conversazione automatizzata generi risparmi. Né dovrebbero presumere che l’elevata spesa degli hyperscaler significhi che l’adozione dell’AI non abbia un ritorno sostenibile.

Le prove decisive provengono da risultati di produzione stabili. Un sistema deve mantenere la qualità durante i picchi, gli aggiornamenti dei modelli, le modifiche alle policy e le richieste insolite. Deve inoltre produrre benefici dopo che tutto il lavoro di supporto è stato conteggiato.

Cosa dovrebbero osservare ora gli acquirenti aziendali di AI

Tre segnali mostreranno se l’attuale ciclo di spesa riduce i costi della CX aziendale o li sposta semplicemente in nuove categorie.

Il primo segnale è la conversione da parte di Amazon della capacità in una crescita AWS sostenuta e in una generazione di cassa positiva. La sua argomentazione attuale dipende dall’entrata in servizio dell’infrastruttura e dalla capacità di servire la domanda impegnata contrattualmente. Una forte crescita dovrà infine superare il peso sulla cassa creato da costruzioni e hardware.

La crescita di AWS ha raggiunto il 37% nel secondo trimestre. L’azienda ha anche aumentato la spesa perché la memoria è diventata più costosa. I trimestri futuri dovranno mostrare se questo investimento aggiuntivo sostiene ricavi durevoli senza indebolire permanentemente la generazione di cassa.

Un ritorno a un free cash flow positivo insieme a una continua accelerazione di AWS rafforzerebbe la posizione di Amazon. Una crescita cloud più lenta con un altro aumento della spesa la indebolirebbe. Gli acquirenti CX dovrebbero osservare entrambe le cifre invece di considerare la crescita dei ricavi una prova sufficiente.

Il secondo segnale è la capacità di Google Cloud di mantenere una crescita eccezionale gestendo al contempo l’aumento del piano di capitale. Google ha riportato una crescita cloud dell’82% e un portafoglio ordini da 514 miliardi di dollari. Queste cifre creano un confronto impegnativo per i trimestri futuri.

Google afferma inoltre che quasi il 90% delle Fortune 100 utilizza Gemini Enterprise. La prossima domanda riguarda la profondità, non il numero di loghi. Gli acquirenti hanno bisogno di prove che le imprese stiano passando dall’accesso e dai progetti pilota a workload di produzione ricorrenti.

Google ha evidenziato quasi 70 milioni di download del suo Agent Development Kit, un framework per creare agenti AI aziendali. I download indicano l’interesse degli sviluppatori, ma non misurano le implementazioni attive né i risultati per i clienti. L’uso in produzione fornirà un segnale di adozione più forte.

Se Google sostiene la crescita cloud mentre l’intensità di capitale si stabilizza, la competizione tra Amazon e Google potrebbe ridurre i costi unitari attraverso scala e silicio personalizzato. Se la spesa continua a crescere più rapidamente della monetizzazione, i clienti dovrebbero aspettarsi una gestione dell’utilizzo più rigorosa e una pressione maggiore a impegnarsi.

Il terzo segnale è la performance CX misurabile all’interno delle imprese. Gli acquirenti dovrebbero chiedere ai fornitori e ai team interni metriche complete sul percorso, non accuratezza da dimostrazione. Tali misurazioni dovrebbero includere completamento delle attività, contatti ripetuti, escalation, correzioni e sforzo del cliente.

Il costo per interazione automatizzata resta utile, ma solo all’interno di questo insieme più ampio. Una risposta economica che genera un altro contatto non è economica. Una risposta più costosa che completa un’attività difficile può produrre un’economia migliore.

Le imprese dovrebbero inoltre monitorare con quale frequenza i sistemi richiedono l’intervento umano dopo l’implementazione. Questa cifra include sia le escalation visibili sia il lavoro di manutenzione invisibile. Aggiornamenti della conoscenza, modifiche ai prompt, revisioni degli incidenti e controlli di conformità consumano tutti lavoro.

I team di procurement possono migliorare le decisioni separando tre categorie di costo. L’infrastruttura comprende chiamate al modello, archiviazione, networking e capacità riservata. L’implementazione comprende integrazioni, preparazione dei dati, test e progettazione dei workflow.

Le operazioni comprendono monitoraggio, valutazione, responsabilità dei contenuti, revisioni di sicurezza e gestione delle eccezioni. Una proposta di un fornitore che combina queste categorie può nascondere dove appariranno futuri aumenti.

Gli acquirenti dovrebbero inoltre richiedere portabilità laddove crei valore pratico. Il routing dei modelli e interfacce comuni possono ridurre la dipendenza da un singolo provider. La portabilità completa resta difficile perché i cloud differiscono per identità, dati, monitoraggio e strumenti per agenti.

L’obiettivo non dovrebbe essere l’indipendenza teorica. Dovrebbe essere una flessibilità sufficiente per spostare workload selezionati quando cambiano costi, qualità o rischio. Questa posizione dà alle imprese leva negoziale senza costringerle a mantenere sistemi identici ovunque.

I team dovrebbero iniziare con workflow in cui il risultato desiderato è osservabile. Stato degli ordini, modifiche agli appuntamenti e percorsi di troubleshooting approvati hanno segnali di completamento più chiari. I consigli aperti e le decisioni sensibili sugli account richiedono maggiore cautela.

Dovrebbero poi misurare l’intero percorso prima di espandersi. Un progetto pilota riuscito diventa significativo solo dopo aver resistito al traffico reale e ai cambiamenti delle policy. L’espansione dovrebbe seguire le prove, non la disponibilità di un modello più recente.

La competizione tra Amazon e Google continuerà a produrre modelli più rapidi e maggiore capacità cloud. Non risolverà la qualità dei dati, la responsabilità o la progettazione dei workflow di ciascuna impresa. Questi restano problemi operativi locali.

I leader della customer experience affrontano ora una scelta diretta. Possono trattare l’AI come un bacino crescente di intelligenza a basso costo, oppure gestirla come un costoso sistema di produzione. La seconda visione produce domande migliori su qualità, responsabilità e ritorno.

Prima di approvare la prossima espansione dell’AI, identificate il risultato aziendale che deve migliorare e ogni costo necessario per raggiungerlo. Poi misurate le prestazioni dopo aver incluso escalation, contatti ripetuti e supervisione umana. Se il sistema continua a creare valore, ampliatelo con fiducia. Se il business case dipende dall’ignorare questi costi, un modello più grande o un impegno cloud maggiore non lo riparerà. La corsa agli investimenti tra Amazon e Google rende disponibile una maggiore capacità, ma le imprese devono decidere dove tale capacità merita il proprio posto.