IVECO Certification Coach: AI come strumento aziendale

Se avete seguito l'evoluzione degli avatar generati tramite Intelligenza Artificiale negli ultimi due anni saprete certamente che la parte più facile è rimanere colpiti dalla faccia che parla, dal labiale quasi credibile o dal fatto che il personaggio non esista davvero. Il progetto IVECO Certification Coach, realizzato dall'agenzia piemontese Domino e presentato pubblicamente verso la fine del 2024, secondo me è interessante per un motivo molto meno spettacolare: prende quella tecnologia e la porta dentro un processo aziendale normale, ripetitivo e soprattutto internazionale. Non stiamo parlando di un robot umanoide che gira per gli stabilimenti e nemmeno di una demo costruita per stupire ad una fiera, ma di avatar AI utilizzati all'interno di comunicazioni periodiche destinate ai team manager ed agli studenti dei corsi di certificazione IVECO nei mercati asiatici, cioè FORMAZIONE E COMUNICAZIONE INTERNA SU SCALA.

Da una newsletter ad un presentatore che non esiste

Il problema di partenza è vecchio quanto le multinazionali. Bisogna distribuire aggiornamenti, dati, materiale formativo, procedure, novità e risultati a persone che lavorano in Paesi differenti e parlano lingue differenti, cercando contemporaneamente di non trasformare tutto nell'ennesima newsletter aziendale che viene aperta, scorsa in fretta e dimenticata. Domino descrive il progetto proprio in questi termini: newsletter periodiche dedicate ai mercati asiatici IVECO, dati personalizzati, grafici costruiti per il singolo destinatario ed un video avatar che diventa il Certification Coach del mercato di riferimento.

Ed è qui che la faccenda comincia a diventare tecnicamente interessante, perché secondo quanto pubblicato da Domino non esiste un unico coach distribuito identico ovunque: sono stati generati avatar dedicati ai diversi mercati, arrivando a 15 Paesi ed 8 lingue parlate. Non sappiamo dalla documentazione pubblica quale piattaforma di avatar sia stata utilizzata, quali modelli ci siano sotto, come sia organizzata l'infrastruttura oppure quali passaggi siano completamente automatici e quali abbiano ancora una supervisione umana, quindi inventarsi l'architettura sarebbe semplicemente scorretto. Possiamo però capire abbastanza bene il principio: contenuto aziendale → adattamento e localizzazione → generazione della voce e dell'avatar → composizione del video → distribuzione nella comunicazione destinata allo specifico mercato.

La differenza rispetto al metodo tradizionale è quasi banale da spiegare ma molto meno banale quando la si moltiplica per lingue, mercati ed aggiornamenti. Se avete un presentatore reale dovete preparare il testo, tradurlo, registrare oppure trovare speaker differenti, rifare le riprese quando il contenuto cambia, montare, esportare ed organizzare tutte le varianti. Con un sistema basato su avatar sintetici il contenuto diventa invece l'input principale della catena e, una volta costruito il processo, cambiare una procedura o produrre una nuova versione linguistica può richiedere molto meno lavoro manuale.

Cosa sappiamo davvero e cosa possiamo soltanto dedurre

Qui farei una distinzione abbastanza netta, perché quando si parla di AI è facilissimo trasformare un risultato visibile in una storia tecnica che nessuno ha mai dichiarato. Domino rende pubblici obiettivi, numeri, immagini del progetto e risultati della prima campagna, ma NON pubblica l'intera pipeline software. Sappiamo quindi che è stata usata una piattaforma AI per creare avatar, sappiamo che esistono coach dedicati ai mercati e sappiamo che il sistema è arrivato a 15 Paesi ed 8 lingue. Non sappiamo invece quale modello di Text-to-Speech sia stato utilizzato, se la voce venga generata direttamente dalla piattaforma avatar oppure in uno stadio separato, quale sistema realizzi la sincronizzazione labiale, quale modello faccia l'eventuale traduzione e quanto della localizzazione sia automatizzato.

Quello che possiamo descrivere è la struttura tipica di sistemi di questo genere. Il testo deve diventare voce, quindi entra in gioco un sistema di sintesi vocale oppure un servizio equivalente integrato nella piattaforma; l'audio deve poi essere trasformato in movimento coerente dell'avatar, arrivando ad associare fonemi, configurazioni della bocca, espressioni, movimenti della testa ed eventualmente del corpo, poi il risultato va composto dentro un video con grafica, testi ed elementi aziendali. In pratica testo → voce → animazione → video. Detto così sembra quasi una sciocchezza, ma farlo in più lingue mantenendo tono, qualità visiva, tempi e coerenza abbastanza stabili da utilizzare il risultato nella comunicazione ufficiale di una multinazionale lo è decisamente meno.

Ed è proprio qui che userei con una certa cautela l'espressione Synthetic Humans. Il termine è comodo per indicare personaggi artificiali capaci di presentarsi visivamente come persone, ma non bisogna confonderlo con l'idea di un'intelligenza autonoma oppure con un essere umano digitale completo. In questo caso l'avatar è soprattutto un'interfaccia visiva di una catena di produzione del contenuto, ed a mio avviso è molto più utile leggerlo in questo modo che non domandarsi continuamente se sembri abbastanza vero.

Il punto interessante non è l'avatar

Guardando le immagini del Certification Coach l'occhio cade inevitabilmente sul personaggio sintetico, perché è la parte nuova e quella più facile da mostrare. Ma tecnologicamente l'avatar è soltanto L'ULTIMO ANELLO DELLA CATENA. Il vantaggio vero è che la produzione del contenuto video comincia ad assomigliare ad una pipeline software, cioè qualcosa nel quale gli input possono essere modificati e le varianti possono essere generate con un costo marginale che tende a diminuire man mano che il processo viene riutilizzato.

Prima avevamo testo, traduzione, speaker, registrazione, montaggio, post-produzione e versione finale, e tutto questo andava replicato ogni volta che cambiavano mercato, lingua oppure contenuto. Qui invece possiamo ragionare in termini di contenuto → localizzazione → generazione → distribuzione, naturalmente con tutte le verifiche umane che un'azienda seria vorrà mantenere. Il punto è che produrre la seconda, la decima oppure la cinquantesima variante non significa necessariamente ricominciare da capo.

E se avete notato è proprio questo il genere di applicazione nella quale l'AI smette di essere una curiosità e diventa infrastruttura. Non deve scrivere una poesia migliore, non deve convincerci di essere cosciente e non deve nemmeno sostituire qualcuno davanti ad una telecamera per il gusto di sostituirlo; deve abbassare il costo operativo di una trasformazione ripetuta, rendere più veloce l'aggiornamento ed aumentare la possibilità di personalizzare ciò che arriva al destinatario.

Un Coach diverso a seconda del mercato

IVECO e Domino non hanno scelto semplicemente di produrre lo stesso video e tradurne l'audio otto volte. La descrizione pubblica parla di coach dedicati ai mercati, ed è un dettaglio molto più importante di quanto sembri perché la localizzazione non è la sostituzione meccanica di una frase italiana con una frase cinese, coreana oppure giapponese. Cambiano registri, modi di rivolgersi alle persone, aspettative visive, percezione dell'autorevolezza ed anche quel confine sottile oltre il quale un volto sintetico comincia a sembrare artificiale nel modo sbagliato.

L'AI rende economicamente possibile spingersi più avanti nella personalizzazione perché, una volta che voce, personaggio e contenuto sono generabili, il costo di creare varianti può scendere molto rispetto ad una produzione audiovisiva tradizionale. Non significa che ogni variante venga automaticamente adattata in profondità alla cultura del mercato, perché questo Domino non lo dichiara, significa però che la struttura tecnica consente di farlo senza dover organizzare ogni volta una produzione video completamente nuova.

Ed è questa per me la differenza fra dire «lo stesso video in otto lingue» e pensare invece «otto versioni dello stesso messaggio costruite per pubblici differenti». Sono due livelli di localizzazione completamente diversi, ed il secondo diventa molto più raggiungibile quando la parte audiovisiva non deve essere rigenerata manualmente da zero.

E funziona davvero?

Qui bisogna usare i numeri corretti. Domino pubblica i risultati del primo invio e parla di 40% di tasso di apertura, 11% di click unici sul totale delle email inviate e 27% di click unici SULLE EMAIL APERTE. Quest'ultimo dato non significa quindi che i click siano aumentati del 27% rispetto alla situazione precedente, come sarebbe facile leggere troppo velocemente, ma che fra le email aperte il 27% ha generato un click unico secondo la metrica pubblicata dall'agenzia.

È comunque un dato interessante, ma va preso per quello che è: arriva dalla stessa azienda che ha realizzato il progetto e non costituisce uno studio indipendente sull'efficacia degli avatar AI nella formazione aziendale. A me interessa però perché finalmente sposta la discussione dalla domanda abbastanza sterile «l'avatar è bello oppure inquietante?» ad una domanda molto più concreta: LE PERSONE INTERAGISCONO CON IL CONTENUTO OPPURE NO?

Domino indica inoltre 800 invii con grafici personalizzati per singolo destinatario, quindi il progetto non riguarda soltanto il personaggio che presenta il messaggio ma una comunicazione più ampia nella quale anche i dati mostrati vengono selezionati e costruiti per studenti e team manager. È questa combinazione, secondo me, a rendere l'esperimento più interessante del semplice video generato da AI.

Il Synthetic Human non deve necessariamente ingannare nessuno

Quando parliamo di Synthetic Humans immaginiamo quasi sempre il massimo del fotorealismo, cioè il tentativo di realizzare un volto che ci costringa a domandarci se la persona esista veramente. Ma non è affatto detto che sia quello l'obiettivo migliore. Un avatar aziendale può essere volutamente riconoscibile come sintetico, stilizzato, cartoon oppure semplicemente meno ossessionato dall'imitazione perfetta di una persona reale, evitando proprio quella famosa Uncanny Valley nella quale qualcosa appare quasi umano ma non abbastanza da non provocarci una sensazione strana.

In un contesto di formazione il personaggio non deve necessariamente ingannarci, deve essere coerente, comprensibile, gradevole abbastanza da non distrarre e soprattutto RIPETIBILE. Se domani cambia una procedura deve poterla presentare di nuovo, se nasce una nuova versione linguistica deve poterla supportare e se la comunicazione viene personalizzata per un altro mercato non dovrebbe essere necessario ricostruire tutta la produzione audiovisiva.

Alla fine è proprio questo che rende IVECO Certification Coach più interessante del simpatico omino virtuale che vediamo sullo schermo. Dietro quel personaggio non c'è necessariamente un video nel senso tradizionale del termine, c'è una FABBRICA DI VIDEO, ovvero una pipeline nella quale contenuto, localizzazione, voce, immagine e distribuzione possono essere ricombinati e rigenerati su scala, ed è lì che l'Intelligenza Artificiale comincia davvero a smettere di essere una demo per diventare uno strumento aziendale!