Soglie di affidabilità del chatbot per ridurre gli errori

Utilizza soglie di confidenza per indirizzare in modo sicuro i turni incerti del chatbot. Un design pratico prevede tre fasce: rispondere con alta confidenza, confermare o chiedere chiarimenti nella fascia intermedia e trasferire a un operatore umano con bassa confidenza. I valori numerici devono essere calibrati in base al modello e al traffico. Valori come 0.85 e 0.5 possono illustrare la policy, ma non sono valori predefiniti universali.

La documentazione di Oracle sulla risoluzione degli intenti utilizza 0.70 come punto di partenza per il proprio modello di intenti e raccomanda di testare valori più elevati quando i risultati lo supportano. Questo suggerimento è specifico della piattaforma. Una soglia efficace per un modello, dominio o definizione del punteggio potrebbe essere errata per un altro.

Prima di modificare una soglia, crea un set di valutazione rappresentativo a partire dalle conversazioni recenti. Indica se ogni intento o risposta prevista era corretta, quindi confronta tali risultati con i punteggi e le azioni registrati dal sistema. In questo modo potrai scegliere una soglia sulla base di dati concreti, invece di affidarti esclusivamente al valore predefinito del fornitore.

Fascia alta (esempio illustrativo: 0.85+): il bot risponde automaticamente, senza passaggi di conferma.
Fascia media (esempio illustrativo: da 0.5 a 0.85): il bot conferma o chiede chiarimenti prima di agire.
Fascia bassa (esempio illustrativo: inferiore a 0.5): il bot trasferisce la conversazione a un operatore umano o attiva un intento di fallback.

Consiglio: Inizia con un numero sufficiente di conversazioni recenti da coprire gli intenti comuni, le formulazioni ambigue e i casi di errore noti. Un set più piccolo, ma etichettato con attenzione, è più utile di un campione ampio con etichette poco affidabili.

Punti chiave

Una policy a tre fasce può ridurre le risposte errate non rilevate offrendo ai turni ambigui un percorso di conferma. Il suo effetto sull’automazione e sulla precisione deve essere misurato utilizzando le tue conversazioni etichettate.

Punto	Dettagli
Inizia con tre fasce	Definisci le azioni per i livelli alto, medio e basso. Considera 0.85 e 0.5 come esempi, quindi calibra le soglie effettive.
Calibra sui dati reali	Etichetta un set rappresentativo in base alla correttezza, quindi analizza le prestazioni per fascia di punteggio prima di affidarti a qualsiasi soglia.
Non fidarti dell’autovalutazione di confidenza degli LLM	Nei sistemi RAG, valuta i segnali di recupero e di grounding invece di affidarti alla certezza dichiarata dal modello.
Monitora sia l’automazione sia gli errori	Osserva insieme il tasso di automazione e quello delle risposte errate; se uno dei due aumenta da solo, è un campanello d’allarme.
Utilizza conoscenze verificate e approvate	Il chatbot AI di Deskhero risponde esclusivamente utilizzando contenuti FAQ pubblici approvati dall’utente e trasferisce la conversazione a un operatore quando non è in grado di rispondere con sufficiente confidenza.

Indice dei contenuti

Che cos’è esattamente una soglia di confidenza per un chatbot?
Perché tre fasce di confidenza sono migliori di un’unica soglia
Come si calibrano le soglie di confidenza per il proprio bot?
Che cosa succede quando le soglie sono impostate male?
In che modo i chatbot RAG e LLM dovrebbero gestire la confidenza in modo diverso?
Che cosa bisogna monitorare dopo aver modificato una soglia?
Playbook di policy pronti da copiare per l’instradamento basato sulle soglie
Che cosa bisogna verificare con la propria piattaforma chatbot?
Come Deskhero gestisce le risposte incerte del chatbot
Che cosa questa guida comprende correttamente, a differenza della maggior parte dei suggerimenti
Metti al lavoro il chatbot AI con grounding di Deskhero per il tuo team di supporto
Fonti
Domande frequenti

Che cos’è esattamente una soglia di confidenza per un chatbot?

Un punteggio di confidenza è il numero che il classificatore degli intenti o il sistema di recupero assegna alla sua ipotesi migliore, generalmente compreso tra 0 e 1. Una soglia di confidenza è la linea che tracci all’interno di questo intervallo per decidere quale sarà la prossima azione del bot. Il punteggio ordina le opzioni; la soglia è la decisione di policy che applichi al di sopra di esso.

Il significato di un punteggio di confidenza dipende dal sistema. Alcuni classificatori producono punteggi che possono essere calibrati rispetto alla correttezza osservata. Altre piattaforme espongono soltanto segnali di ranking o di similarità. Non dare per scontato che un punteggio di 0.92 significhi una probabilità del 92% di ottenere una risposta corretta, a meno che il fornitore non documenti questa interpretazione e i tuoi dati di valutazione non la confermino.

La generazione aumentata dal recupero (RAG) aggiunge un ulteriore livello. La risposta generata può sembrare sicura anche quando il materiale recuperato è obsoleto o irrilevante. Similarità del recupero, qualità della fonte, supporto alla risposta e comportamento del modello sono segnali distinti. Verifica ciascuno di essi rispetto a risultati etichettati prima di combinarli in una policy di instradamento.

Consiglio: Non utilizzare la certezza dichiarata da un LLM come unico segnale per l’instradamento. Richiedi materiale di origine pertinente e verifica se i controlli di recupero o grounding prevedono davvero la correttezza sui tuoi dati.

Perché tre fasce di confidenza sono migliori di un’unica soglia

Una singola soglia impone una scelta binaria: rispondere oppure non rispondere. Una fascia intermedia aggiunge una terza opzione: porre una breve domanda di chiarimento. Questo può ridurre gli errori non rilevati senza inviare direttamente a un operatore umano ogni turno incerto.

Fascia	Intervallo tipico	Comportamento del bot	Esempio di esperienza utente
Alta	Esempio illustrativo: 0.85 e oltre	Risposta automatica, senza attriti	Il bot risponde direttamente: “Il tuo ordine verrà spedito giovedì.”
Media	Esempio illustrativo: da 0.5 a 0.85	Conferma o richiesta di chiarimento	“Intendevi tracciare il tuo ordine o annullarlo?”
Bassa	Esempio illustrativo: inferiore a 0.5	Fallback o trasferimento	“Ti metto in contatto con una persona del nostro team.”

Diagramma delle fasce di confidenza e dei comportamenti di un chatbot

Questi intervalli sono esempi che rendono concreta la logica di instradamento. Sostituiscili con valori ricavati dalla tua piattaforma, dalla definizione del punteggio e dal costo di una risposta errata.

Il motivo è semplice, come si può vedere nella pratica. Una singola soglia, ad esempio a 0.70, significa che ogni punteggio appena superiore a quella linea riceverà automaticamente una risposta con piena sicurezza, anche se un punteggio di 0.71 è appena diverso da 0.69. La fascia intermedia crea una zona cuscinetto in cui il bot ammette una certa incertezza invece di fingere di non averne alcuna.

Mantieni brevi i flussi di conferma. Le opzioni selezionabili con un tocco spesso riducono l’ambiguità meglio di un altro prompt a risposta aperta.
Il testo del fallback dovrebbe riconoscere l’errore senza sembrare malfunzionante: “Non sono sicuro di aver capito, lascia che ti metta in contatto con una persona.”
Misura se le conferme nella fascia media risolvono l’ambiguità o aggiungono soltanto attrito.

Ecco il compromesso che gli stakeholder devono comprendere chiaramente: abbassare la soglia aumenta il tasso di automazione, ma ogni risposta errata che supera il limite più basso diventa invisibile. Nessuno la segnala perché il bot sembrava sicuro. Alzare la soglia fa l’opposto: rende visibili gli errori sotto forma di fallback, cosa che dal punto di vista operativo sembra peggiore, ma in realtà è più sicura, perché un errore visibile viene registrato e corretto, mentre uno invisibile erode semplicemente la fiducia in modo silenzioso.

Come si calibrano le soglie di confidenza per il proprio bot?

I valori predefiniti dei fornitori e le fasce del settore sono punti di partenza. Le soglie effettive dovrebbero derivare dalle tue trascrizioni, perché i livelli di precisione dei chatbot variano enormemente in base al dominio, alla complessità degli intenti e al grado di disordine nella formulazione degli utenti.

Crea un set di test rappresentativo. Utilizza domande reali che coprano intenti comuni, formulazioni ambigue e casi di errore costosi. La dimensione del campione necessaria dipende dal traffico e dal livello di precisione richiesto.
Definisci la verità di riferimento. Per ogni trascrizione, indica se la risposta fornita era effettivamente corretta, non soltanto se il bot sembrava sicuro.
Collega i risultati ai punteggi. Rappresenta il punteggio di confidenza rispetto alla correttezza per ogni turno etichettato. Devi individuare il punto in cui le risposte errate iniziano a raggrupparsi.
Calcola precisione e recall per fascia. Per ogni fascia proposta, calcola quale percentuale delle risposte era effettivamente corretta (precisione) e quale percentuale delle risposte corrette è passata senza un fallback non necessario (recall).
Crea un diagramma di affidabilità. Raggruppa le previsioni per punteggio di confidenza e rappresenta la confidenza prevista rispetto alla precisione osservata. Un bot ben calibrato produce una linea quasi diagonale; uno calibrato male si discosta da essa.
Calcola l’Expected Calibration Error (ECE), quando possibile. Questo singolo numero quantifica il divario tra la confidenza dichiarata e la precisione effettiva in tutti i tuoi gruppi.
Esegui un test A/B prima di distribuire ampiamente le modifiche. Suddividi il traffico per segmento o intervallo temporale, quindi confronta il tasso di automazione, il tasso di risposte errate e il tasso di fallback tra le soglie vecchie e quelle nuove.

Consideralo come una pipeline: la distribuzione dei punteggi confluisce nelle soglie delle fasce, le soglie determinano i risultati delle azioni e i risultati delle azioni vengono misurati rispetto alla verità di riferimento per verificare se le soglie erano corrette fin dall’inizio.

Metrica	Che cosa indica	Strumento/Metodo
Precisione per fascia	Percentuale dei turni con risposta automatica che erano effettivamente corretti	Etichettatura manuale delle trascrizioni
Recall per fascia	Percentuale delle risposte corrette che hanno evitato un fallback non necessario	Etichettatura manuale delle trascrizioni
Diagramma di affidabilità	Indica se la confidenza dichiarata corrisponde alla precisione osservata	Grafico della precisione per gruppi
Expected Calibration Error	Punteggio singolo che riassume il divario di calibrazione	Analisi della calibrazione

Uno studio del 2025 su un chatbot di supporto tecnico basato su RAG ha riportato che la strategia di prompt “Combo” ha ridotto l’Expected Calibration Error da 23.33 a 8.4, mentre la precisione è aumentata dal 69.33% all’81.33%, nell’ambito della configurazione sperimentale di quello studio. Il risultato non è un benchmark universale, ma dimostra che il design del prompt e del sistema può influire sulla calibrazione oltre che sulla soglia stessa.

Come si calibrano le soglie di confidenza per il proprio bot? Diagramma generale

Che cosa succede quando le soglie sono impostate male?

Esistono due modalità di errore agli estremi opposti della stessa scala, ed entrambe sono abbastanza comuni da richiedere una conoscenza precisa dei relativi sintomi.

Soglia troppo bassa: il bot risponde automaticamente sulla base di corrispondenze deboli. Alcune risposte errate potrebbero non essere segnalate perché il flusso non comunica mai l’incertezza.
Soglia troppo alta: il bot inoltra domande a cui avrebbe potuto rispondere correttamente, aumentando i tempi e riducendo il tasso di automazione utile.
Aumento degli eventi di correzione: se gli utenti riformulano o correggono sempre più spesso le loro richieste, oppure dicono esplicitamente “non è quello che ho chiesto”, è un forte segnale che la fascia media è troppo stretta o che la soglia della fascia alta è troppo permissiva.
Disallineamento tra tasso di fallback e volume dei ticket di supporto: se i fallback diminuiscono ma la coda del supporto continua a crescere, il bot potrebbe rispondere automaticamente in modo errato invece di trasferire la conversazione.
Concentrazione dei feedback negativi vicino alla soglia: se i segnali con pollice verso il basso o “non è stato utile” si concentrano proprio intorno al confine della soglia, probabilmente quel confine si trova nel punto sbagliato.

La soluzione potrebbe consistere in una soglia diversa, una fascia intermedia più ampia, dati di addestramento migliori oppure controlli di recupero e grounding più solidi. Per i bot basati su RAG, verifica che il materiale recuperato supporti la risposta invece di considerare una risposta fluida come una prova. Valuta prima offline una soglia proposta utilizzando conversazioni etichettate. Se esegui successivamente un test online, definisci i criteri di sicurezza e di rollback prima di esporre una quantità maggiore di traffico.

In che modo i chatbot RAG e LLM dovrebbero gestire la confidenza in modo diverso?

I modelli generativi complicano l’instradamento basato sulla confidenza, perché una prosa fluida e assertiva non dimostra che una risposta sia fondata. Una policy efficace separa quindi segnali come la qualità del recupero, il supporto delle citazioni, la coerenza della risposta e qualsiasi punteggio del classificatore. Ogni segnale deve comunque essere convalidato rispetto alla correttezza effettiva.

In una valutazione medica multispecialistica, 33 medici di 17 specialità hanno valutato le risposte a 284 domande. La risposta mediana ha ricevuto una valutazione elevata, ma 36 risposte iniziali hanno ottenuto uno dei due punteggi di precisione più bassi su una scala a sei punti. Questa combinazione di prestazioni medie elevate e problemi importanti conferma la necessità di una convalida accurata nei domini ad alto costo. In un caso distinto riguardante i consumatori, un tribunale ha ritenuto una compagnia aerea responsabile delle informazioni inesatte sui rimborsi fornite dal suo chatbot.

Pattern pratici che funzionano in produzione:

Richiedi un passaggio di origine pertinente per le risposte fattuali nei flussi di lavoro in cui la knowledge base è autorevole.
Considera un risultato di recupero vuoto o debole automaticamente come bassa confidenza, indipendentemente da ciò che dichiara il modello linguistico.
Prevedi un percorso esplicito “Non lo so” o di escalation che il modello possa scegliere senza penalizzazioni, poiché i modelli addestrati a produrre sempre una risposta ne forniranno una anche quando non dovrebbero.
Salva la provenienza insieme alla risposta, così un revisore potrà verificare se la fonte supporta l’affermazione.

Consiglio: Se una risposta dovrebbe provenire da una knowledge base approvata e il recupero non restituisce nulla di pertinente, indirizza la conversazione verso un chiarimento o un fallback invece di chiedere al modello di improvvisare.

Che cosa bisogna monitorare dopo aver modificato una soglia?

La modifica di una soglia non è un intervento da effettuare una volta per poi dimenticarsene. È l’inizio di una finestra di monitoraggio durante la quale osservare i segnali specifici che indicano se la modifica ha portato benefici o ha silenziosamente peggiorato la situazione.

Tasso di automazione: percentuale di conversazioni risolte senza l’intervento umano.
Tasso di risposte errate: determinato tramite etichettatura manuale di un campione di trascrizioni, non dichiarato dal bot.
Tasso di fallback: frequenza con cui il bot effettua un’escalation o trasferisce la conversazione, monitorata nel tempo e per intento.
Correzioni ogni 100 conversazioni: frequenza con cui gli utenti riformulano, correggono o rifiutano esplicitamente una risposta.
Latenza dell’escalation: tempo necessario affinché una conversazione trasferita raggiunga la risposta di un operatore umano.
Soddisfazione dell’utente o CSAT: idealmente segmentata per fascia, così da capire se le conferme della fascia media vengono effettivamente accolte positivamente.

Crea una dashboard che mostri nel tempo la distribuzione dei punteggi di confidenza insieme ai tassi dei risultati per fascia e mantieni ogni settimana un campione fisso di risposte errate segnalate da sottoporre a revisione manuale. La correlazione più importante da monitorare è questa: se il tasso di automazione aumenta insieme al tasso di risposte errate, la soglia si è appena spostata nella direzione sbagliata, anche se il numero complessivo dell’automazione sembra indicare un successo. La valutazione delle prestazioni del chatbot funziona solo quando monitori entrambi i numeri fianco a fianco, mai uno solo in isolamento.

Playbook di policy pronti da copiare per l’instradamento basato sulle soglie

Ecco una struttura di policy che puoi adattare direttamente, insieme ai controlli di telemetria che dovrebbero essere eseguiti automaticamente dopo ogni distribuzione.

Una forma minima di pseudocodice per la logica di instradamento:

if confidence >= HIGH_CUTOFF:
    auto_answer(intent)
elif confidence >= MEDIUM_CUTOFF:
    present_confirmation(top_2_intents)
else:
    escalate_to_human()

Per il passaggio di conferma, mantieni il testo conciso: “Sembra che tu stia chiedendo informazioni su [X] o [Y]. Quale dei due?” Due opzioni selezionabili con un tocco possono trasformare una corrispondenza ambigua in un chiarimento ottenibile con un solo tocco. Mantieni disponibile un percorso a testo libero quando le opzioni non sono adatte.

Prima di distribuire una modifica della soglia a tutto il traffico, convalidala offline e poi utilizza un test controllato, se la piattaforma ne supporta uno. Definisci in anticipo i criteri di rollback per il tasso di risposte errate, il tasso di fallback e il feedback degli utenti. Un flusso di trasferimento a un operatore umano per la fascia bassa dovrebbe conservare la conversazione e rendere chiaro il passaggio successivo.

Che cosa bisogna verificare con la propria piattaforma chatbot?

Prima di attivare una soglia in produzione su una piattaforma di qualsiasi fornitore, verifica che la piattaforma offra realmente i controlli da cui dipende tutto questo approccio.

Puoi leggere i punteggi di confidenza grezzi per ogni turno, non soltanto un risultato binario “corrisponde/non corrisponde”?
Puoi impostare soglie per intento o per competenza, invece di utilizzare un unico valore globale per l’intero bot?
Per le configurazioni RAG, puoi accedere separatamente al punteggio di similarità del recupero rispetto all’output della fase di generazione?
La piattaforma supporta un’impostazione di “margine di vittoria della confidenza”, così che gli intenti con punteggi ravvicinati vengano presentati come opzioni invece di selezionarne silenziosamente uno?
Puoi esportare trascrizioni complete per l’etichettatura e l’analisi offline senza eliminare i metadati della confidenza?
Esiste una modalità di test che consenta di eseguire una soglia candidata sul traffico storico prima di applicarla agli utenti reali?

La documentazione di Oracle sulla regolazione della risoluzione degli intenti è un riferimento utile per capire l’aspetto di queste impostazioni in una piattaforma matura: sia la soglia di confidenza sia il margine di vittoria della confidenza compaiono esplicitamente come controlli denominati e regolabili. Se un fornitore non è in grado di rispondere chiaramente a queste domande durante la fase di acquisto, consideralo un segnale d’allarme, non una lacuna secondaria. Non puoi calibrare ciò che non puoi vedere e una piattaforma che nasconde i propri punteggi ti chiede di fidarti ciecamente.

Come Deskhero gestisce le risposte incerte del chatbot

Deskhero non espone i punteggi grezzi di confidenza del chatbot né fasce di confidenza regolabili dal cliente. Al contrario, il suo chatbot AI risponde utilizzando le FAQ pubbliche approvate dell’area di lavoro e mostra il modulo di contatto quando non è in grado di rispondere con sufficiente confidenza. I suggerimenti per le FAQ possono essere creati a partire dai ticket risolti e dai contenuti del sito web acquisiti, ma un Utente deve approvarli prima che il chatbot possa utilizzarli.

Le risposte del chatbot rivolte ai clienti utilizzano esclusivamente contenuti FAQ pubblici approvati dall’Utente.
Quando il chatbot non è in grado di rispondere con sufficiente confidenza, mostra un modulo che consente al visitatore di contattare il team.
Ogni sessione di chat diventa un ticket con la relativa trascrizione e le azioni automatiche vengono contrassegnate e registrate.
Il chatbot viene abilitato per ogni widget e richiede almeno 100 elementi FAQ pubblici approvati.

Consiglio: Prima di abilitare ampiamente un chatbot di supporto, testa le domande comuni e i casi limite noti rispetto alle FAQ approvate. Esamina sia i ticket di chat a cui è stata data risposta sia quelli trasferiti a un operatore, per individuare voci FAQ mancanti, ambigue o obsolete.

Che cosa questa guida comprende correttamente, a differenza della maggior parte dei suggerimenti

La maggior parte dei suggerimenti online sulle soglie di confidenza tratta il numero in sé come il prodotto: trova la soglia magica, impostala e vai avanti. Questa impostazione è sbagliata. La soglia dipende da due fattori che contano davvero di più: la qualità del grounding e il rigore dell’etichettatura; nessuna soglia può correggere un problema in una di queste due aree.

La distinzione è particolarmente importante per i chatbot generativi e RAG. Il punteggio di un classificatore, il punteggio di similarità del recupero e la certezza dichiarata da un LLM non sono intercambiabili. Derivano da meccanismi diversi e possono avere rapporti molto differenti con la correttezza.

Il grounding e la calibrazione della soglia risolvono problemi diversi. Materiale di origine pertinente può ridurre le risposte non supportate, ma non garantisce che il modello interpreti correttamente la fonte. Una policy di instradamento calibrata può ridurre l’automazione rischiosa, ma non può riparare conoscenze obsolete o incomplete. Convalida sia la pipeline delle conoscenze sia le soglie delle azioni, quindi concentra la revisione sugli intervalli di punteggio in cui si concentrano errori e trasferimenti.

Metti al lavoro il chatbot AI con grounding di Deskhero per il tuo team di supporto

Una pipeline personalizzata per l’instradamento basato sulla confidenza richiede punteggi del modello o del recupero, registrazione delle trascrizioni, dati di valutazione e un flusso di trasferimento a un operatore umano. Deskhero adotta un approccio gestito per il suo chatbot AI: risponde utilizzando le FAQ pubbliche approvate e mostra il modulo di contatto quando non è in grado di rispondere con sufficiente confidenza.

Deskhero

Deskhero collega le caselle Gmail, Google Workspace e Microsoft 365 a un helpdesk condiviso, mentre le risposte continuano a utilizzare l’indirizzo della tua azienda. Le domande ricevute via email, tramite un modulo incorporato o dal chatbot AI diventano ticket. Deskhero può suggerire voci FAQ pubbliche a partire dai ticket risolti e dalle pagine acquisite. Dopo che un Utente ha approvato una voce, possono utilizzarla sia il chatbot sia le risposte automatiche AI. Per i team e-commerce, il pannello clienti Shopify mostra il contesto del cliente e dell’ordine accanto al ticket.

Inizia la prova gratuita di 30 giorni, senza carta di credito, ed esegui il tuo set di test da 30 a 100 domande prima di decidere quale parte del volume di supporto automatizzare.

Fonti

Domande frequenti

Qual è un buon punteggio di confidenza per un chatbot?

Non esiste un valore universale. Una policy a tre fasce potrebbe utilizzare 0.85 e 0.5 come confini illustrativi, ma questi valori non sono raccomandazioni generali. Oracle documenta 0.7 come punto di partenza per il proprio modello di intenti. Calibra qualsiasi soglia utilizzando conversazioni etichettate provenienti dal modello e dalla piattaforma che utilizzi effettivamente.

Come viene calcolato un punteggio di confidenza?

Per un classificatore di intenti, il punteggio è specifico del modello e generalmente indica quanto il modello favorisca un determinato intento. Dovrebbe essere considerato una probabilità soltanto se la piattaforma lo definisce in questo modo e i dati di calibrazione supportano tale interpretazione. I sistemi RAG possono esporre anche segnali di similarità del recupero, grounding o convalida della risposta, ognuno dei quali richiede una valutazione separata.

Qual è il punteggio di confidenza in un chatbot basato su LLM?

Non bisogna presumere che la confidenza dichiarata autonomamente da un LLM sia in grado di prevedere la correttezza. Per un chatbot RAG, valuta la qualità del recupero e verifica se la risposta è supportata dal materiale recuperato. Utilizza questi segnali verificati, invece della sola formulazione fluida o della certezza dichiarata, per decidere se rispondere o ricorrere al fallback.

Che cosa non bisogna mai dire a un chatbot?

Evita di condividere dati personali sensibili, password, numeri di conti finanziari o informazioni aziendali riservate con qualsiasi chatbot, a meno che tu non abbia verificato le specifiche policy della piattaforma relative alla gestione e alla conservazione dei dati. Questo è ancora più importante per i bot di supporto che registrano le conversazioni per l’addestramento o il controllo della qualità.

Come si verifica che la risposta di un chatbot sia corretta?

Utilizza un campione rappresentativo di conversazioni reali, indica se ogni risposta è supportata e corretta e confronta questi risultati con i punteggi e le azioni di instradamento disponibili nel sistema. Deskhero limita il materiale di origine del chatbot ai contenuti FAQ pubblici approvati dall’Utente, ma i team dovrebbero comunque esaminare le risposte e i trasferimenti per individuare conoscenze mancanti o obsolete.

Imposta soglie di affidabilità del chatbot che riducono davvero gli errori