Catena di negozi sportivi: bot WhatsApp AI per customer care omnichannel — case study

Una catena italiana di negozi di articoli sportivi — circa 20 punti vendita fisici nel Nord Italia più un e-commerce — ci ha chiamato a maggio 2026 con un problema concreto: il customer care post-vendita stava diventando insostenibile. Tre persone full time rispondevano a domande sempre uguali ("a che punto è il mio ordine?", "posso cambiare la taglia?", "quando arriva la stampa personalizzata?"), e il volume cresceva con le vendite e-commerce. Aumentare il team non era la risposta. La risposta era automatizzare il 70-80% del lavoro ripetitivo con un agente AI su WhatsApp.

Questo case study racconta come abbiamo strutturato il progetto, perché abbiamo scelto WhatsApp Business API + agente AI custom invece di un chatbot generico, e quali numeri stiamo vedendo nelle prime settimane di produzione.

Il contesto: cosa rende complesso il customer care nel retail sportivo

Il cliente non è un e-commerce qualsiasi. Vende articoli sportivi con tre caratteristiche specifiche che complicano il customer care:

Stampe personalizzate. Una parte rilevante degli ordini sono maglie, divise, accessori con nome e numero personalizzato. Il prodotto non è pronto in magazzino — viene prodotto su richiesta. Tempi di consegna: 5-15 giorni a seconda della complessità. I clienti chiedono continuamente "a che punto è la mia stampa?", e la risposta varia per ogni ordine.

Omnichannel reale. Lo stesso cliente può aver comprato in negozio fisico, online, o ritirato in store quello che ha ordinato online. Lo storico cliente è frammentato tra il gestionale di magazzino, l'e-commerce, e il sistema cassa dei punti vendita.

Resi e cambi complessi. Per le scarpe sportive e le divise, il cambio taglia è frequente (gli sportivi misurano i piedi con la calzatura, non a piedi nudi). Il flusso resi/cambi richiede di verificare disponibilità nuova taglia, generare RMA, gestire il rientro, spedire la nuova taglia. Quattro o cinque interazioni per cliente.

In media il cliente contatta il customer care 2-3 volte per ogni ordine. Con 2.500-3.500 ordini mensili tra fisico e online, parliamo di 6.000-10.000 conversazioni di customer care al mese. Su email il tempo medio di risposta era diventato 18-24 ore — inaccettabile.

La scelta di WhatsApp + agente AI custom (vs alternative)

Sul tavolo c'erano quattro alternative. Tutte sono state valutate seriamente.

1. Aumentare il team customer care da 3 a 6 persone Costo annuo aggiuntivo: ~€90.000 in costo aziendale. Risolveva il backlog ma non scalava: con la crescita prevista del e-commerce, dopo 12 mesi sarebbero servite altre 2 persone. Inoltre, le 3 persone esistenti sarebbero rimaste sulle stesse domande ripetitive — basso valore, alto burnout.

2. Chatbot a regole su sito web + email Costo: €8.000-15.000 setup. Limite: i chatbot a regole rispondono solo a domande prevedibili. "A che punto è il mio ordine?" è la domanda più frequente ma anche quella che richiede di consultare un sistema esterno (gestionale ordini) — un chatbot a regole può rispondere solo con risposte standard, non con dati specifici sull'ordine X.

3. BSP italiano con chatbot pre-confezionato Costo: €4.000-8.000 setup + €300-500/mese. Limite: i BSP offrono integrazioni standard con Shopify, WooCommerce, ecc. Il cliente ha un gestionale custom (sviluppato 6 anni fa, evoluto nel tempo) che non parla con i BSP. Servirebbe un connettore custom comunque, e a quel punto il vantaggio del BSP svanisce.

4. WhatsApp Business API Cloud + agente AI custom Costo: €28.000 setup + €450/mese (Meta + OpenAI/Anthropic API + infrastruttura). Tempo: 7 settimane. Risolve il problema completamente: l'agente AI può consultare il gestionale custom via API, rispondere in modo specifico per ogni ordine, gestire i flussi resi/cambi end-to-end.

Decisione: opzione 4. L'agente AI custom era più costoso del BSP ma generava un ROI molto più alto perché risolveva l'80% delle richieste senza intervento umano, non il 30-40% di un chatbot a regole.

L'architettura: cosa abbiamo costruito davvero

Il sistema in produzione ha 5 componenti.

1. Cloud API WhatsApp di Meta

Numero aziendale dedicato, verificato Meta Business. Cloud API direttamente (no BSP). Setup tecnico iniziale: 6 ore. Template approvati per le notifiche automatiche (spedizione, stampa pronta, consegna avvenuta).

2. Webhook handler in produzione

Un servizio Laravel ospitato su Cloud Run che riceve i webhook Meta in real-time. Quando un cliente scrive, il webhook attiva l'agente AI con il contesto del messaggio + lo storico recente della conversazione.

3. Agente AI con tools custom

L'agente è basato su Claude Sonnet 4.5 (Anthropic API). Ha accesso a 6 tools custom:

• get_order_status(numero_ordine) — interroga il gestionale via API interna
• check_print_progress(numero_ordine) — verifica stato lavorazione stampa
• get_tracking_url(numero_ordine) — recupera link tracking corriere
• check_size_availability(prodotto, taglia) — verifica magazzino
• start_size_change(ordine, nuova_taglia) — avvia procedura cambio
• escalate_to_human(motivo) — passa a operatore con riassunto

L'agente decide quale tool usare in base alla domanda del cliente.

4. Integrazione gestionale custom

Un layer di API REST sopra il gestionale esistente del cliente. Espone solo gli endpoint necessari all'agente, con autenticazione e rate limiting. Il gestionale custom non sapeva niente di REST — abbiamo costruito noi il layer.

5. Dashboard operatori umani

Quando l'agente decide di escalation, la conversazione arriva a uno dei 3 operatori esistenti via dashboard web. Hanno il riassunto del contesto, lo storico cliente, e possono rispondere direttamente da web (la risposta arriva al cliente su WhatsApp).

I numeri dopo 4 settimane di produzione

Il sistema è andato live a metà aprile 2026. Dopo 4 settimane:

I 3 operatori umani sono ancora lì, ma ora gestiscono solo:

• Reclami complessi (problemi qualità, errori di stampa)
• Decisioni che richiedono giudizio umano (rimborsi extra-policy)
• Richieste B2B (società sportive che ordinano in blocco)

Il loro lavoro è diventato molto più qualificato. Soddisfazione interna in netto miglioramento (intervista informale: "finalmente non rispondo più 50 volte al giorno alla stessa domanda sullo stesso ordine").

Cosa abbiamo imparato (lezioni replicabili)

Quattro lezioni dal progetto, applicabili a qualsiasi catena retail che voglia automatizzare il customer care via WhatsApp + AI.

1. La sfida non è il chatbot, è l'integrazione col gestionale

Il 70% del tempo di sviluppo è stato spendere per costruire il layer API sopra il gestionale custom esistente. Far parlare l'agente AI con WhatsApp era la parte facile. La parte vera è far parlare l'agente AI col sistema dove vivono i dati reali (ordini, stampe in lavorazione, magazzino taglie). Senza questa integrazione, il chatbot risponderebbe solo con risposte generiche — il valore vero non ci sarebbe.

2. Gli agenti AI moderni gestiscono ambiguità molto bene

I clienti scrivono cose tipo "ehi il mio ordine di sabato scorso che fine ha fatto" senza dare il numero d'ordine. Un chatbot a regole si bloccherebbe. L'agente AI capisce il contesto, chiede "potresti darmi il numero d'ordine o l'email con cui hai ordinato?", e procede. Nel 95% dei casi recupera abbastanza informazione per risolvere senza umano.

3. Il modello di costo WhatsApp incentiva il design giusto

Le conversazioni "service" (iniziate dal cliente) sono gratis per 24 ore. Le conversazioni "utility" (notifiche automatiche da azienda) costano ~€0,03 ciascuna. Abbiamo strutturato il sistema per far iniziare al cliente la conversazione tramite QR code in pacco, link nel post-ordine email, vetrofania in negozio. Risultato: 80% delle conversazioni sono service (gratis). Costo Meta mensile: €60-€90 per 8.400 conversazioni.

4. L'escalation a umano è feature, non bug

Abbiamo dato all'agente AI una regola chiara: in caso di dubbio, in caso di reclamo emotivo, in caso di richiesta fuori scope (es. consigli di acquisto premium), passa subito all'umano con riassunto del contesto. Risultato: gli operatori arrivano alla conversazione già informati, il cliente non si sente "ignorato dal bot", il NPS è salito. L'AI non sostituisce le persone — le libera per il lavoro che ha senso solo umano.

Quando questo modello ha senso per la vostra azienda

Se siete una catena retail (sportiva o meno) con:

• E-commerce + punti vendita fisici (omnichannel reale)
• Almeno 1.000-2.000 ordini/mese con customer care strutturato
• Gestionale custom o con API esposte (Shopify, Magento, gestionali italiani con API)
• Operatori customer care saturi su domande ripetitive
• Investimento minimo €20.000-€40.000 setup + €400-€800/mese running

...allora il modello descritto in questo case study è replicabile per la vostra realtà. Non sarà identico (ogni cliente ha le sue specificità), ma l'architettura di base — Cloud API WhatsApp + agente AI custom + integrazione gestionale + dashboard operatori — funziona.

Noi di Lookin costruiamo questo tipo di sistemi per PMI italiane. Se vi riconoscete nel problema descritto, raccontateci il vostro caso d'uso da questa pagina. 30 minuti di chiacchierata bastano per capire se ha senso fare qualcosa insieme.

Cosa NON abbiamo fatto (e perché)

Per onestà, ecco cosa abbiamo deliberatamente lasciato fuori dal MVP — alcune cose le faremo dopo, altre forse mai.

Marketing automation via WhatsApp: il cliente ce l'ha chiesto, abbiamo detto di no per ora. WhatsApp marketing richiede consenso GDPR specifico per il canale e l'esperienza dice che dosaggi sbagliati portano blocchi del numero da parte di Meta. Prima consolidiamo il customer care, poi valutiamo marketing.

Vendita diretta via WhatsApp: l'agente AI per ora non chiude ordini. Quando un cliente sta per ordinare via chat, l'agente lo indirizza al negozio fisico (verifica stock) o all'e-commerce (con link diretto al prodotto). La conversazione di vendita richiede dinamiche diverse — l'agente AI non è ancora abbastanza affidabile per chiudere transazioni autonomamente.

Personalizzazione predittiva (es. "ti potrebbe interessare anche..."): troppo presto. Il rischio di sembrare invasivi nel canale WhatsApp è alto. Per ora l'agente è puramente reattivo: rispondi a quello che il cliente chiede, niente più.

Domande frequenti

Quanto costa costruire un bot WhatsApp AI custom per una catena retail?

Per un progetto come quello descritto (catena 20 negozi, e-commerce, 7.000-10.000 conversazioni/mese, agente AI integrato con gestionale custom): €25.000-€45.000 setup iniziale + €400-€800/mese running (Meta + LLM API + infrastruttura + manutenzione). ROI tipico in 4-7 mesi grazie alla riduzione costi customer care.

Perché agente AI custom invece di un chatbot a regole?

Un chatbot a regole risponde solo con risposte fisse a parole chiave. Non può consultare il gestionale per dare lo stato esatto di un ordine specifico. Un agente AI può: capisce il contesto, chiama API esterne, gestisce ambiguità, escala quando serve. Per il customer care retail con domande contestuali ("a che punto è il MIO ordine"), solo l'agente AI funziona davvero.

Cosa succede se l'agente AI sbaglia?

Tre meccanismi di sicurezza: (1) per azioni rischiose (cambi taglia, rimborsi), l'agente chiede sempre conferma esplicita prima di procedere; (2) per dubbi semantici escala automaticamente a operatore umano con riassunto; (3) tutte le conversazioni sono loggate e revisionate settimanalmente — gli errori ricorrenti diventano nuove regole di sicurezza per l'agente.

Quanto tempo serve per implementare un sistema così?

Per una catena retail con gestionale custom: 6-10 settimane dal kick-off al go-live limitato. Le fasi principali: setup Meta Business e Cloud API (1 sett), sviluppo layer API gestionale (2-3 sett), agente AI con tools custom (2-3 sett), dashboard operatori (1 sett), test e training (1 sett). Per gestionali standard (Shopify, Magento) i tempi si riducono del 30-40%.

Come gestite la privacy GDPR con WhatsApp customer care?

Tre principi: consenso esplicito al canale WhatsApp (raccolto in fase di acquisto), data residency UE (server in EU, API LLM con processing UE), retention policy chiara (conversazioni cancellate dopo 18 mesi salvo necessità contabili). Tutti i dati personali nei prompt sono pseudonimizzati prima dell'invio al modello AI.

Si può fare lo stesso sistema con ChatGPT invece di Claude?

Sì, l'architettura è agnostica rispetto al modello. Abbiamo scelto Claude Sonnet 4.5 per questo cliente per qualità delle risposte in italiano e affidabilità su task con tools (l'agente sbaglia meno tool call). Lo stesso sistema funzionerebbe con GPT-4o/5 di OpenAI o con Gemini 2.5 Pro di Google. La scelta del modello è ottimizzazione, non architettura.