Caso di studio

Come Jean-Paul, l'agente AI di SnapLogic, ha generato un valore di oltre 3 milioni di dollari in soli 4 mesi, riducendo a pochi minuti attività che prima richiedevano un'intera giornata

Retroscena

La sfida principale per la maggior parte delle organizzazioni aziendali che si occupano di GTM non è mai stata quella di disporre di dati sufficienti, bensì quella di fornire i dati giusti alla persona giusta al momento giusto, senza che questa debba trasformarsi in un analista per poterli utilizzare.

I dati relativi ai clienti vengono archiviati nel CRM, nella coda dell'assistenza, nel database di utilizzo e nel sistema di fatturazione. Tuttavia, passare dai dati grezzi a un risultato pronto per la decisione richiede ancora ore di lavoro manuale da parte delle persone meno adatte a svolgere questo compito. Il lavoro non è intellettualmente impegnativo. È dispendioso in termini di tempo, ripetitivo e del tutto inadatto alle persone a cui viene chiesto di svolgerlo.

Secondo uno studio di settore, il problema è evidente: i team di vendita dedicano solo il 28-30% del loro tempo all'attività di vendita vera e propria. Il resto del tempo è dedicato alla raccolta di dati, alla creazione di report e alle incombenze amministrative legate alla gestione di sistemi non integrati tra loro.

In SnapLogic, questo modello era familiare tanto all'interno dell'azienda quanto nelle conversazioni con i clienti. L'azienda ha deciso di risolvere il problema proprio come avrebbe fatto per qualsiasi altra impresa: mettendo in campo la propria piattaforma.

La sfida

I team GTM di SnapLogic, che comprendono i reparti Vendite, Successo dei clienti, Marketing e Servizi professionali, si sono trovati ad affrontare tre problemi che si aggravavano a vicenda:

1. La preparazione dei dati tra i vari sistemi richiedeva ore, non minuti. Per ottenere una visione completa dell'account di un singolo cliente era necessario interrogare manualmente Salesforce per la cronologia delle trattative, Zendesk per il contesto dell'assistenza, BigQuery per i dati di utilizzo e Chorus per le informazioni sulle conversazioni, per poi sintetizzare i risultati a mano. La sola preparazione dei dati per le riunioni trimestrali di revisione degli obiettivi (QBR) richiedeva dalle 8 alle 10 ore per ogni revisione.
2. La capacità degli analisti rappresentava il collo di bottiglia per tutte le altre attività. Le analisi della pipeline , i rapporti sul ROI e i briefing sulla concorrenza rimanevano in coda per giorni. I risultati che arrivavano in ritardo erano spesso già superati.
3. Le risorse senior del team GTM venivano impiegate in attività non prioritarie. I responsabili commerciali che gestivano grandi portafogli clienti e i CSM incaricati di portafogli complessi dedicavano una parte sproporzionata del loro tempo alla ricerca di dati e alla formattazione di documenti, anziché alle conversazioni con i clienti necessarie per portare avanti le trattative e i rinnovi.

L'azienda aveva bisogno di informazioni e approfondimenti per intraprendere azioni commerciali in grado di soddisfare le aspettative dei clienti attuali e potenziali.

La soluzione

SnapLogic ha sviluppato e implementato Jean-Paul, un agente di intelligenza artificiale aziendale basato sulla piattaforma di integrazione Agentic di SnapLogic e collegato tramite il server MCP di SnapLogic ai sistemi in cui si svolge effettivamente il lavoro: Salesforce, Zendesk, BigQuery, ZoomInfo, Chorus, Jira, Loopio, Saleshood e altri ancora. Accessibile tramite Slack, Microsoft Teams, e-mail e API, Jean-Paul fornisce risultati di qualità operativa su richiesta su tutte queste piattaforme.

La piattaforma funziona grazie all'interazione di tre livelli:

1. Integrazione tra sistemi. La piattaforma iPaaS di SnapLogic e il livello server MCP collegano Jean-Paul a tutte le fonti di dati contemporaneamente. Una singola richiesta può attingere a record CRM, ticket di assistenza, analisi di utilizzo e dati di fatturazione in un'unica risposta, senza necessità di aggregazione manuale.
2. Ragionamento basato sull'intelligenza artificiale e generazione di documenti. Jean-Paul elabora le richieste attraverso quel livello dati unificato utilizzando Claude di Anthropic come motore di ragionamento AI, producendo risultati finali: documenti Word pronti per il consiglio di amministrazione, presentazioni PowerPoint con il marchio aziendale, presentazioni di vendita, piani POC, report Excel e PDF basati su dati in tempo reale. Gli utenti ricevono un risultato completo, non un semplice riassunto su cui lavorare.
3. Automazione dei flussi di lavoro basata su competenze. Le competenze sono flussi di lavoro basati sull'intelligenza artificiale riutilizzabili, creati da e per team specifici, archiviati in SnapLogic e accessibili a chiunque all'interno dell'organizzazione. Incorporano le conoscenze aziendali e i processi standard, garantendo risultati coerenti e controllati, indipendentemente da chi invia la richiesta. Non è necessaria alcuna attività di ingegnerizzazione dei prompt.

Jean-Paul offre un catalogo in continua espansione di Skills preconfigurate, ciascuna delle quali integra competenze settoriali, pipeline di dati collaudate e flussi di lavoro testati in produzione. Ecco una selezione delle più utilizzate dai team GTM:

COMPETENZA	COSA FA
Simulatore virtuale di previsioni	Analisi dei requisiti MEDDPICC, simulazione di chiamate di previsione e simulazioni interattive di dialoghi telefonici basate su opportunità Salesforce reali e trascrizioni di riunioni.
Analisi dell'utilizzo da parte dei clienti	Rapporti completi sull'utilizzo generati da BigQuery, che trattano modelli di integrazione, analisi del ROI e opportunità di espansione, forniti sotto forma di documento pronto all'uso.
Relazione sulla pianificazione della campagna	Una panoramica completa dell'account che riunisce le opportunità di Salesforce, le analisi sull'utilizzo di BigQuery e le metriche relative all'assistenza di Zendesk in un unico report pronto per essere presentato al consiglio di amministrazione.

Jean-Paul si basa sul protocollo MCP, lo standard aperto per la connettività tra l'intelligenza artificiale e le aziende. Il server MCP di SnapLogic gestisce tutte le operazioni di autenticazione nei sistemi di backend, in modo che le credenziali non vengano mai esposte al modello di intelligenza artificiale e i nuovi connettori diventino disponibili automaticamente senza necessità di una nuova distribuzione. Claude elabora le informazioni provenienti da qualsiasi fonte resa disponibile dal livello MCP: record CRM, ticket di assistenza, dati di telemetria sull'utilizzo, documenti e altro ancora. 

Il risultato è un agente in grado di raggiungere ogni sistema in cui si svolge il lavoro effettivo, gestire dati su scala reale e fornire un prodotto finito anziché un semplice riepilogo su cui basarsi.

All'interno di SnapLogic, Jean-Paul è considerato un membro del team. Ha un nome, è presente nel flusso di lavoro quotidiano di ogni reparto e dispone di un numero crescente di competenze che i team di tutta l'azienda hanno fatto proprie. Le persone non usano Jean-Paul perché gli è stato chiesto di farlo. Lo usano perché migliora il loro lavoro.

L'implementazione ha richiesto giorni, non mesi, per un motivo ben preciso: Jean-Paul si basa sul livello di integrazione già esistente di SnapLogic. Le connessioni a Salesforce, Zendesk, BigQuery e alle altre piattaforme erano già operative. Non c'era bisogno di configurare nulla da zero, né di programmare sessioni di formazione, né di definire i contorni di un progetto IT. Le prime richieste di produzione sono arrivate prima ancora che l'implementazione fosse stata annunciata ufficialmente.

ATTIVITÀ	PRIMA DI JEAN-PAUL	CON JEAN-PAUL
Preparazione al QBR (5 sistemi)	8-10 ore	20 minuti
Analisi dei dati di utilizzo dei clienti	1-2 giorni	5 minuti
Proposta / Risposta alla richiesta di offerta	25 ore	30 minuti
Ricerca preliminare sull'account	1-3 ore	5 minuti
Presentazione o piano di fattibilità	3-5 ore	15-20 minuti

Risultati aziendali

In quattro mesi di implementazione, Jean-Paul ha generato un valore stimato complessivo di oltre 3 milioni di dollari, calcolato sulla base dei registri di audit della piattaforma in 17 dipartimenti, di cui oltre 1 milione di dollari in guadagni di produttività e oltre 1 milione di dollari in impatto sui ricavi dei clienti. I numeri: 

• 2.141 ore risparmiate in un solo mese. Ciò equivale a circa 12, 5 dipendenti a tempo pieno distribuiti tra i reparti Vendite, Customer Success, Marketing, Ingegneria, Finanza, Risorse umane, Servizi professionali e altri. Tale cifra è ricavata dai registri di audit della piattaforma, che tracciano le chiamate alle funzioni e la produzione di documenti tra centinaia di utenti attivi. Non si tratta di una proiezione né di una stima annualizzata.
• Sono state gestite 1.630 richieste, che hanno generato 281 documenti di qualità professionale. Il lancio non è stato preceduto da alcuna sessione di formazione.
• 380.000-540.000 dollari all'anno di risparmio sui costi effettivi. Gli strumenti di analisi e gli incarichi di consulenza sono stati eliminati, poiché Jean-Paul genera i report direttamente dai dati in tempo reale. Dal lancio non sono state commissionate nuove dashboard.
• L'implementazione ha richiesto giorni, non mesi. SnapLogic è stato reso operativo in 1-3 giorni. La media del settore per implementazioni aziendali di IA simili è di 8 mesi.

Conclusione

Jean-Paul è impegnato quotidianamente nella produzione, in ogni reparto dell'azienda. SnapLogic basa la propria attività su questo sistema.

Ciò che lo rende efficace non è solo il modello di IA. È il livello di interconnessione sottostante: un agente in grado di raggiungere ogni sistema in cui si svolge il lavoro vero e proprio, gestire i dati su scala reale e fornire risultati finiti anziché informazioni grezze. È proprio questa combinazione a trasformare una promettente funzionalità di IA in un risultato operativo tangibile.

A differenza degli assistenti AI autonomi che richiedono agli utenti di copiare e incollare il contesto in una finestra di chat, Jean-Paul si collega direttamente ai sistemi in cui risiedono i dati, quindi i risultati si basano su registrazioni in tempo reale, non su ciò che l'utente si è ricordato di includere. E a differenza dei client MCP generici che affidano le funzionalità grezze ai singoli utenti, Jean-Paul racchiude tale potenza in un livello di governance progettato per l'implementazione aziendale: accesso basato sui ruoli, flussi di lavoro di approvazione, audit trail e una libreria di Skill che trasforma il flusso di lavoro di una singola persona in uno standard a livello di reparto.

La cifra di 2.141 ore non è una stima. Si tratta di un calcolo effettivo dell'utilizzo produttivo in un'azienda che tiene traccia di ciò che produce.

Jean-Paul non si è limitato a cambiare il modo in cui funziona SnapLogic. Ha cambiato ciò che i team di SnapLogic ritengono possibile.