Chatbot a regole o AI generativa: le differenze che contano

Che differenza c'è, in una frase

Un chatbot a regole segue un percorso deciso in anticipo da una persona. Un assistente basato su AI generativa interpreta quello che il cliente ha scritto e costruisce la risposta sul momento, interrogando i dati del negozio.

Detta così sembra una differenza di raffinatezza. In negozio è una differenza di copertura: il primo funziona sulle domande previste, il secondo anche su quelle che nessuno aveva previsto — che sono la maggioranza.

Come funziona un chatbot a regole

Qualcuno scrive in anticipo un albero: se il cliente clicca «resi», mostra il testo sui resi; se scrive una parola dell'elenco, apre il ramo corrispondente. È un sistema deterministico, e questo è il suo pregio: dà sempre la stessa risposta, e quella risposta è stata approvata da una persona.

I limiti si vedono in tre punti. Non conosce il catalogo: il testo sui resi è scritto, il prezzo di un prodotto no. Non gestisce le riformulazioni: la stessa domanda posta con parole diverse esce dall'albero. E cresce male: ogni caso nuovo è un ramo nuovo da scrivere e da mantenere, finché l'albero diventa più difficile da aggiornare del problema che risolveva.

Come funziona un assistente basato su AI generativa

Non c'è un albero. C'è un modello linguistico che interpreta la richiesta, e intorno un insieme di strumenti che quel modello può usare: cercare nel catalogo, leggere un ordine, consultare la base di conoscenza del negozio, aprire un ticket.

Il modello non inventa il catalogo: lo interroga. È la distinzione che conta e che spesso si perde nella discussione sulle allucinazioni — un assistente collegato ai dati non «ricorda» i prodotti, li legge quando servono.

Le differenze che si vedono davvero

E le allucinazioni?

Sono un rischio reale e vanno nominate. Un modello linguistico lasciato libero di rispondere su un negozio che non conosce inventa: prezzi plausibili, politiche di reso plausibili, prodotti plausibili. Il danno non è teorico — è un cliente che si presenta con una promessa che il negozio non ha mai fatto.

Si governano in due modi, e nessuno dei due è «un modello migliore». Il primo è il vincolo alla fonte: le risposte su prodotti, prezzi e ordini vengono da una lettura del negozio, non dalla memoria del modello. Il secondo è il permesso di fermarsi: l'assistente deve poter dichiarare di non sapere e passare a una persona, invece di riempire il vuoto. Flow-e è costruito così — l'agente dichiara di non sapere, non inventa dati sul business, e se serve apre un ticket portandosi dietro il contesto già raccolto.

Quando un chatbot a regole va ancora bene

Quando il percorso è breve, sempre uguale e ad alto rischio. Un modulo di reso con tre campi obbligatori, la raccolta di un indirizzo, un consenso da registrare: qui la prevedibilità è un pregio e l'interpretazione è un difetto.

La scelta onesta non è «regole contro AI» ma dove mettere il confine: percorsi rigidi dove serve un esito identico ogni volta, interpretazione dove le domande sono aperte.

Come si riconosce l'uno dall'altro da fuori

Tre prove, da fare in due minuti su qualsiasi negozio:

1. Chiedi qualcosa con parole tue, non con quelle del sito: «qualcosa di caldo ma leggero per l'autunno, sotto 80 €». Un albero di regole non ha questo ramo.
2. Chiedi un confronto: «fra questi due, quale mi conviene per un regalo?». Serve leggere due schede e motivare.
3. Fai una domanda fuori tema. Quello che conta non è la risposta: è se ammette di non saperla o se la inventa.

Che cosa fa Flow-e

Flow-e è un Layer AI: interpreta la richiesta e agisce sul negozio — cerca nel catalogo, confronta due prodotti, legge lo stato di un ordine, risponde con la base di conoscenza del negozio, apre un ticket quando serve una persona. Le risposte su prodotti e ordini vengono da una lettura dei dati reali, non dalla memoria del modello.