Nel dibattito sull’automazione AI nei contact center, l’attenzione dell’industria si è concentrata quasi esclusivamente sul front-office: voice bot, chatbot per la deflection, sistemi IVR intelligenti, portali di self-service. Miliardi di dollari di investimento in un decennio hanno puntato a ridurre il volume di interazioni che arrivano a un operatore umano. Ma tutto ciò che accade dopo — l’analisi delle conversazioni, la valutazione della qualità, la preparazione dei piani di coaching, la sintesi dei trend per il management — è rimasto sostanzialmente invariato: un lavoro manuale, ad alta intensità di tempo, svolto da coach, analisti QA, team leader e responsabili CX con strumenti che non sono mai stati riprogettati per gestire la mole di dati che un contact center enterprise genera quotidianamente.
Level AI ha costruito la sua piattaforma di customer intelligence esattamente su questo gap, e con il lancio di AI Workers porta il concetto di agente AI specializzato dentro i workflow operativi del back-office dei contact center. L’idea centrale è che un agente AI utile in questo contesto non è un assistente generico a cui fare domande, ma un’entità con un ruolo definito, un deliverable specifico e accesso strutturato ai dati rilevanti per quel ruolo. Il Coaching Plan Worker, per esempio, legge tutte le interazioni di un agente e produce un briefing di coaching strutturato con chiamate specifiche, momenti salientes e talking point pronti all’uso. Il Conversation Research Worker esegue ricerche semantiche sui trascritti e produce report tematici con il linguaggio diretto dei clienti, non riassunti generici. L’Executive Research Worker conduce investigazioni multi-step attraverso diversi domini di dati e sintetizza report estesi con citazioni tracciate alle fonti originali. A questi si aggiungono worker dedicati all’analytics conversazionale, alle performance di team, al product feedback, ai resolution insights, ai segnali di sentiment, alla iCSAT e alla voice of customer.
La distinzione tecnica rispetto agli strumenti AI generici è il punto più rilevante da capire. I LLM general-purpose, usati con un semplice prompt, possono riassumere una chiamata o estrarre un sentiment. Ma non hanno accesso ai rubric di scoring QA dell’organizzazione, non conoscono la gerarchia del team, non sanno quali chiamate sono state già valutate e quali no, non hanno il contesto dei record CRM né la storia delle performance individuali degli agenti. Il risultato è che producono output superficiali che non si connettono ai workflow operativi reali. Ogni AI Worker di Level AI, invece, gira su quello che la piattaforma chiama uno “shared intelligence layer”: un livello dati unificato che aggrega trascritti e conversazioni, framework QA, record CRM, struttura organizzativa del team e segnali già arricchiti dall’AI come sentiment, effort score, esiti di risoluzione e temi di VoC. Non si tratta di una pipeline dati parallela da riconciliare con i sistemi esistenti, ma dello stesso dato strutturato su cui già operano i programmi QA e analytics dell’organizzazione.
Sul piano architetturale, la piattaforma implementa un sistema di retrieval duale che interroga simultaneamente i trascritti per via semantica e i dati strutturati tramite query, dentro la stessa richiesta. Un layer di orchestrazione multi-agente scompone le query complesse in sotto-task paralleli, abbattendo i tempi di elaborazione su analisi che richiederebbero ore in modalità sequenziale. Ogni output include la tracciabilità verso i dati sorgente, requisito fondamentale in contesti enterprise dove la fiducia nell’output AI dipende dalla verificabilità del reasoning.
L’adozione prima del lancio pubblico è un segnale da non sottovalutare: quasi cento contact center enterprise stavano già usando AI Workers in produzione, con oltre 25.000 esecuzioni di Worker registrate. Tra i nomi citati ci sono Smartsheet, VistaPrint e Ollie Pets — organizzazioni con strutture operative sufficientemente complesse da rendere credibile il caso d’uso. Un’azienda di gestione dei benefit per dipendenti che ha partecipato alla beta ha dichiarato che la capacità di estrarre dati di performance e opportunità di coaching tramite un singolo prompt ha cambiato strutturalmente la preparazione delle conversazioni con i clienti.
Il contesto di mercato in cui si inserisce questo lancio è segnato da una contraddizione che Level AI mette esplicitamente sul tavolo: secondo il PwC Global CEO Survey del 2026, il 56% dei CEO dichiara di non vedere un ritorno misurabile dagli investimenti AI. Questa percentuale non è casuale e non riguarda solo le implementazioni superficiali. Riflette un pattern preciso: gli strumenti AI sono stati distribuiti come copilot o assistenti generici che amplificano il throughput individuale senza cambiare la struttura dei workflow. Un copilot che aiuta un coach a scrivere un report più velocemente è utile; un Worker che produce il report autonomamente, traendo da tutti i dati rilevanti dell’organizzazione, cambia quante conversazioni di coaching possono avvenire in una settimana, quanti agenti possono ricevere feedback strutturato, quante decisioni operative il management può prendere basandosi su analisi effettive anziché su campioni statistici. È la differenza tra ottimizzare un processo esistente e cambiare il modello operativo.