Dalla risposta all’azione: l’AI shopping assistant entra nel funnel

Dalla risposta all’azione: l’AI shopping assistant entra nel funnel

Un chatbot che si limita a riscrivere le FAQ nel 2026 è un costo travestito da innovazione. Il punto interessante è che il mercato si sta spostando altrove: dall’assistente che spiega all’assistente che fa. Non è una sfumatura lessicale. È il passaggio da interfaccia conversazionale a interfaccia operativa dentro lo storefront, con impatto diretto su acquisto, supporto e conversione.

Il segnale più netto arriva dai vendor che stanno spingendo davvero sul tema. A settembre 2026 Clerk.io ha annunciato che il suo chat assistant può attivare azioni direttamente nello store attraverso tool JavaScript configurabili: aggiungere una variante al carrello, aprire il checkout, mostrare la size guide, applicare un codice sconto, salvare in wishlist o avviare flussi come store locator e click-and-collect. Tradotto: la conversazione non finisce più con “clicca lì”, ma può diventare esecuzione del passo successivo. Nello stesso periodo Gorgias ha messo il focus su un altro aspetto decisivo: la conversazione non è più solo supporto, ma una leva revenue che accompagna pre e post acquisto in un unico flusso. Secondo il suo report 2026, il 79% dei brand dichiara che le interazioni AI hanno aumentato vendite e conversioni. E nei dati pubblicati a giugno 2026, circa il 14% delle conversazioni con lo Shopping Assistant porta a un ordine attribuito entro tre giorni. Non è conversion rate di sito, ovviamente, ma è un segnale molto concreto su chi sceglie di interagire davvero con l’assistente.

Il salto vero: da widget di supporto a layer operativo nello store

Per anni abbiamo chiamato “chatbot ecommerce” qualunque box in basso a destra capace di rispondere a “dove trovo i resi?” o “in quanto spedite?”. Utile, sì, ma limitato. Oggi il salto di qualità sta nel fatto che l’assistente entra in punti diversi del journey e fa da ponte tra discovery, supporto e decisione.

Quando questo layer è fatto bene, il cliente può cercare un prodotto in linguaggio naturale, chiedere se un accessorio è compatibile, ricevere un confronto tra due SKU, verificare lo stato di un ordine e, subito dopo, completare un’azione senza uscire dalla conversazione. È qui che la definizione di “shopping assistant” comincia ad avere senso. Se invece l’assistente non è collegato a catalogo, policy e stato ordine, torna rapidamente al suo destino naturale: FAQ bot costoso, con un tono di voce magari brillante ma nessun impatto operativo.

Anche il contesto di mercato spinge in questa direzione. Shopify ha rilevato che nel primo trimestre 2026 le sessioni avviate da referral AI su pagine prodotto hanno convertito quasi il 50% meglio dell’organico, mentre gli ordini da referral AI sono cresciuti di quasi 13 volte anno su anno. Non significa che ogni chatbot faccia miracoli, significa però che il comportamento degli utenti sta cambiando: le persone si stanno abituando a interagire con interfacce AI durante la fase di ricerca e decisione. McKinsey, sul fronte più strategico, parla ormai apertamente di agentic commerce e stima che le piattaforme AI possano influenzare fino al 35% delle transazioni ecommerce nei prossimi tre-cinque anni.

Dove il ROI è già leggibile oggi

Se parliamo da ecommerce manager, il tema non è “quanto è bella la demo”, ma dove il ritorno è misurabile senza fare ginnastica mentale. Oggi le aree con ROI più chiaro sono tre.

• Supporto post-ordine: Tracking, stato spedizione, resi, pagamenti, cambi, policy: qui il valore dell’automazione è quasi banale, nel senso buono. Sono richieste frequenti, ripetitive e molto adatte a essere risolte se l’assistente legge dati reali e non risponde a memoria. Intercom oggi parla di brand ecommerce che raggiungono tassi di resolution del 70-84% sulle richieste più standard, e cita una media del 76% di resolution rate sulla propria base clienti.
• Guided selling: Qui l’assistente lavora sulle esitazioni prima del carrello: taglia, ingredienti, compatibilità, bundle, differenze tra modelli, disponibilità, uso previsto. Gorgias rileva che le categorie dove lo shopping assistant incide di più sono quelle ad alta complessità o alto valore, come electronics, furniture, outdoor e categorie tecniche; apparel e beauty stanno nel mezzo, ma restano rilevanti.
• Recupero dell’attrito pre-acquisto: Qui spesso non serve nemmeno una conversazione lunga. Basta togliere un dubbio nel punto giusto e nel momento giusto. È lo stesso principio che vale per strumenti come i Product Questions in PDP: se l’utente trova la risposta che sblocca la decisione, il funnel si accorcia.

I KPI che contano davvero, e perché cambiano

Se misuri un assistant con le metriche sbagliate, finirai per promuovere il progetto sbagliato. Il vecchio approccio guardava soprattutto volume ticket e magari qualche vanity metric tipo numero di chat aperte. Oggi serve una lettura più vicina al business.

Nel customer care continuo a guardare deflection, ma con prudenza. La deflection da sola è ambigua: un ticket “evitato” non equivale a un problema risolto. Per questo sta diventando più utile il resolution rate, cioè la quota di conversazioni chiuse davvero senza intervento umano. Gorgias indica un 45% mediano di risoluzione end-to-end sui ticket AI-touched e un top quartile al 65%.

Fashion, beauty, electronics e B2B non parlano la stessa lingua

Uno degli errori più comuni è voler distribuire lo stesso assistant identico su categorie che hanno bisogni opposti. È una scorciatoia comoda per il team interno, raramente per il cliente.

Se devo tirare una riga pratica, il discrimine non è avere “un chatbot AI”, ma avere un assistant collegato ai sistemi giusti e misurato sui KPI giusti. Catalogo, policy, ordini, tracking, resi, disponibilità, attributi di prodotto, regole di escalation: è qui che si decide se stai implementando un canale che aiuta davvero il funnel oppure una demo permanente.