Il problema di business
Assegnare un intervento sul campo non significa semplicemente scegliere il tecnico più vicino. Occorre considerare competenze, zona, orari, indisponibilità, carico di lavoro e vincoli operativi.
In Ginqel FieldFlow, l’IA interviene prima per strutturare e qualificare la richiesta. La decisione di assegnazione è poi guidata da un motore di business deterministico e spiegabile.
Questa separazione è importante: un modello generativo è eccellente nel comprendere testo libero, ma non deve diventare l’unico arbitro di una scelta operativa critica.
Scopri l’architettura e lo stato del progetto Ginqel FieldFlow
Separare l’IA dalla decisione di business
All’LLM non viene affidata la responsabilità finale dell’assegnazione. Produce una qualificazione strutturata, accompagnata da un livello di confidenza, segnali chiave e motivazioni leggibili.
Il motore di punteggio può quindi confrontare più tecnici con regole controllabili: competenze, distanza, carico, disponibilità, storico, zona di intervento e vincoli di SLA.
Questa architettura permette di riprodurre una decisione, capire perché è stato scelto un tecnico e mantenere un comportamento prevedibile anche quando il modello di IA cambia.
Progettare un punteggio spiegabile
Un punteggio utile non deve essere solo un numero. Deve mostrare una scomposizione per criterio, così che i team operativi comprendano rapidamente la raccomandazione.
Ad esempio, un tecnico può ottenere 92/100 con una scomposizione che mostra competenze perfettamente corrispondenti, zona compatibile, carico ridotto, disponibilità immediata e distanza ragionevole.
Questo livello di dettaglio favorisce l’adozione da parte del business e rende molto più semplice diagnosticare le anomalie.
Mettere in sicurezza l’assegnazione automatica
Una raccomandazione calcolata in un dato momento può non essere più valida pochi secondi dopo. Un tecnico può essere assegnato altrove, diventare indisponibile o uscire da una zona consentita.
Prima di un’assegnazione automatica, il backend deve quindi riconvalidare i vincoli critici in una transazione breve e protetta dai conflitti di concorrenza.
Il sistema può inoltre definire soglie minime di confidenza o di punteggio al di sotto delle quali la validazione umana resta obbligatoria.
Osservabilità e miglioramento continuo
Le decisioni dovrebbero essere registrate con la qualificazione dell’IA, il punteggio finale, i criteri utilizzati, il tecnico scelto ed eventuali correzioni umane.
Questo storico permette di misurare la qualità delle regole, gli errori di qualificazione, il tasso di validazione umana e gli scarti tra raccomandazioni e decisioni finali.
L’IA diventa così un componente misurabile del sistema anziché una scatola nera opaca.
