Troppi lead, poco tempo per capire chi richiamare per primo
Per uno studio con più sedi e lead che arrivano ogni giorno da Meta Ads, Google Sheets, WhatsApp e form pubblici, il collo di bottiglia non è generare contatti — è capire in fretta quali richiamare per primi. Un operatore che scorre decine di schede lead alla ricerca di segnali (una domanda sul prezzo, una risposta rapida su WhatsApp, una nota lasciata da un collega) perde tempo prezioso, e i lead più caldi rischiano di raffreddarsi in coda con gli altri.
Un punteggio 0-100, con la prova per ogni punto assegnato
Nella sezione "Lead Caldi" del CRM, un modello IA legge tutto quello che il sistema sa di un contatto — note dell'operatore, conversazioni WhatsApp, ogni cambio di fase nella pipeline — e assegna un punteggio da 0 a 100, con una fascia (caldo/tiepido/freddo/dormiente/scarto) e una motivazione con la citazione esatta del testo che ha portato a ogni punto.
La parte più delicata non è far scrivere un numero a un'IA — è non fidarsi ciecamente di quel numero. Il punteggio finale non è mai quello scritto dal modello: viene ricalcolato in modo deterministico dal codice, sommando i punti dei singoli assi di valutazione. Ogni citazione riportata viene verificata contro il testo sorgente reale; se una citazione è inventata o un punteggio esce dalla griglia definita, viene scartato automaticamente.
Una griglia calibrata su centinaia di casi reali, non regole scritte a tavolino
Gli assi di valutazione — quali segnali contano, quanti punti valgono — non sono stati inventati a tavolino. Sono stati definiti analizzando lo storico di centinaia di lead già chiusi, sia convertiti in clienti che persi per strada, per capire quali frasi, intenzioni e comportamenti ricorrevano davvero in chi poi acquistava rispetto a chi si allontanava. Chi chiede "quanto costa, indicativamente" si comporta diversamente da chi chiede "posso pensarci"; chi risponde entro pochi minuti su WhatsApp segue un pattern diverso da chi sparisce per giorni.
Da questa analisi sono nati gli assi (professione dichiarata, urgenza espressa, interesse al preventivo, e altri) e la loro griglia di punteggio: non un giudizio generico dell'IA, ma un modello costruito sui pattern reali di conversione di questo studio specifico. L'IA applica questa griglia a ogni nuovo lead leggendo conversazioni WhatsApp e note operatore — mai un giudizio libero, sempre ancorato a segnali già validati su casi reali.
"Il team ha auditato manualmente decine di casi reali su più round, trovando e correggendo azzeramenti ingiustificati, citazioni fabbricate e punteggi fuori griglia prima di aprire la funzione a tutto lo staff."
— L'aritmetica di un modello linguistico non è affidabile. Il punteggio deve nascere dal codice, non dalla sua parola.
I dati raccolti in reception contano quanto quelli dell'IA
Accanto alla valutazione automatica, ogni scheda lead ha un pannello dove l'operatore registra professione, comune di residenza e note del primo contatto — dati che restano permanenti e vengono sempre reiniettati nel prompt del modello a ogni nuova valutazione, a differenza delle correzioni manuali sulla scheda IA, che vengono azzerate a ogni ricalcolo.
Questo approccio ha permesso di individuare rapidamente un bug reale: il modello non riconosceva una sede appena aperta, e in un caso ha scartato un lead reale motivando "non abbiamo una sede lì". Corretto il prompt, quel lead è passato da scarto/0 punti a caldo/65 punti in un colpo solo.
Risultati
- Ogni lead arriva già ordinato per priorità, senza dover leggere l'intera cronologia per capire se richiamarlo
- Ogni punteggio è verificabile: nessuna citazione o valore senza riscontro diretto nel testo reale
- Aperto prima solo a un utente in test interno, oggi disponibile a tutto lo staff autenticato
- I dati raccolti dagli operatori restano parte della valutazione anche dopo decine di ricalcoli automatici
