Caso illustrativo — NLP applicato alle survey: come l'AI rileva cluster di rischio invisibili ai punteggi Likert

Nota metodologica. Quello che segue è uno scenario illustrativo. I pattern organizzativi, le dinamiche descritte e gli ordini di grandezza dei risultati riflettono situazioni ricorrenti nel settore dei servizi professionali B2B italiano; l’azienda, le persone e la sequenza degli eventi non esistono. Lo scopo è mostrare come un’analisi NLP applicata ai commenti aperti di una survey produca output che i punteggi aggregati sistematicamente non catturano.

L’azienda opera nei servizi professionali B2B — consulenza operativa e gestione di progetti su commessa per clienti enterprise. Conta circa 420 dipendenti distribuiti tra la sede principale a Milano e tre uffici satellite. Il team HR è composto da quattro persone e conduce una survey di clima annuale da cinque anni consecutivi, con un tasso di risposta stabile intorno al 74%.

Il problema che l’HR Director portava in ogni riunione con il management era sempre lo stesso: i dati confermano che qualcosa non funziona, ma non dicono né dove né perché. I punteggi Likert erano nella media del settore per quasi tutte le dimensioni indagate. Il turnover, però, si concentrava in modo sproporzionato su due funzioni: pre-sales e customer success, con un tasso annuo del 34% — circa il doppio della media aziendale del 18% registrata nello stesso periodo.

Il problema con i dati esistenti

La survey includeva una sezione di commenti aperti. In media, ogni rispondente scriveva 40-60 parole. Su 420 dipendenti con un tasso di risposta del 74%, questo produceva circa 12.000-14.000 parole di testo libero per ogni ciclo annuale.

Nessuno le aveva mai lette sistematicamente. Il report annuale si basava sulle scale Likert e sui punteggi aggregati per dimensione. I commenti finivano in un file che qualcuno scorreva per una ventina di minuti prima della presentazione al management. L’analisi del testo era sempre stata rinviata: troppo tempo, troppo soggettivo, nessun metodo riproducibile.

Il risultato era che cinque anni di testo libero — 60.000-70.000 parole in cui le persone descrivevano cosa non funzionava nella loro esperienza quotidiana — non erano mai state analizzate.

L’analisi NLP su tre anni di survey

L’analisi ha processato i tre cicli di survey più recenti. I due anni precedenti sono stati esclusi per una ragione metodologica: la struttura del questionario era cambiata nel terzo anno, rendendo i commenti del periodo iniziale non comparabili per formato e lunghezza. Il modello è stato calibrato sui quattro domini di rischio psicosociale della ISO 45003: contenuto del lavoro, contesto organizzativo, relazioni, cambiamento. Ogni commento è stato associato alla funzione del rispondente tramite metadati demografici non identificativi — la funzione di appartenenza veniva raccolta come dato aggregato separato dal testo, senza possibilità di risalire all’individuo.

Il confronto tra i pattern testuali e i punteggi Likert degli stessi segmenti funzionali ha mostrato una divergenza sistematica in due aree: i commenti prodotti da pre-sales e customer success contenevano una densità di segnali di rischio significativamente superiore alla media aziendale, mentre i punteggi numerici di quelle stesse funzioni si collocavano nella norma. Il disagio veniva espresso nel testo, non nella scala.

I due cluster emersi

Cluster 1 — Pre-sales. La densità lessicale più alta riguardava il conflitto di priorità tra funzioni. Termini come «non è chiaro chi decide» e «dipende da chi chiedi» comparivano con frequenza anomala, in costruzioni che descrivevano obiettivi definiti in modo difforme da commerciale e da operations. Il punteggio Likert sulla «chiarezza del ruolo» era 3,6 su 5 — nella norma del settore. Il testo diceva qualcosa di più preciso: non mancanza di chiarezza sul ruolo in sé, ma assenza di una procedura condivisa per i momenti in cui le priorità delle due funzioni si scontravano.

Cluster 2 — Customer success. Pattern diverso. Non conflitto di priorità, ma invisibilità del contributo. Il termine che compariva con frequenza anomala era «invisibile» — in costruzioni come «il lavoro più difficile è quello che non si vede» o «gestiamo i clienti più complicati ma nei numeri non risulta». Le persone percepivano di portare il peso delle relazioni più critiche senza che questo emergesse nei sistemi di misurazione della performance né nel riconoscimento informale dei manager.

In entrambi i casi, i punteggi Likert di soddisfazione e engagement erano nella media del settore — 3,4 e 3,7 rispettivamente. Le exit interview di chi aveva già lasciato, rilette dopo l’analisi, contenevano gli stessi pattern lessicali. Il segnale c’era da tempo, distribuito su un formato che nessuno aveva strumenti per leggere sistematicamente.

Gli interventi

La differenza tra i due cluster aveva un’implicazione diretta: stesso sponsor HR, misure completamente diverse.

Pre-sales: ridefinizione del processo di handoff commerciale-operations, con un singolo punto di escalation per i conflitti di priorità. Il team non chiedeva più autonomia — chiedeva un’interlocuzione chiara nei momenti in cui le priorità si scontravano. L’intervento ha richiesto sei settimane di lavoro sul processo, senza alcuna riorganizzazione strutturale.

Customer success: formalizzazione dei criteri di complessità account — fino ad allora non scritti da nessuna parte —, introduzione di una sessione mensile di visibilità con il management, aggiornamento del sistema di performance review per includere metriche di retention a lungo termine. Le persone non chiedevano più soldi — chiedevano che il lavoro difficile fosse misurabile e visibile.

I risultati a 12 mesi

• Turnover pre-sales: sceso dal 34% al 18% in dodici mesi (−47%)
• Turnover customer success: dal 31% al 14% nello stesso periodo (−55%)
• «Chiarezza del ruolo» nella survey successiva: punteggio medio passato da 3,6 a 4,1 su 5
• Tasso di risposta alla survey: 74% → 81% nell’anno seguente, segnale che le persone percepivano il processo come utile e non come adempimento

Il costo delle uscite evitate — stimato applicando un coefficiente di 0,7x il salario annuo lordo per posizione, fascia bassa del range 0,5x-1,5x documentato da ricerche SHRM e Gallup per ruoli con componente relazionale — ha coperto il costo dell’intero progetto con un fattore di ritorno di circa 4x. I dati di riduzione del turnover sono stati inclusi nel report ESG dell’azienda nell’ambito degli indicatori sociali relativi alla retention e al benessere delle persone, voce in crescita nelle richieste di rendicontazione da parte di investitori e clienti enterprise.

Cosa è rimasto

Il modello NLP viene eseguito ogni semestre, non più solo in coincidenza con la survey annuale. Il perimetro di analisi è stato esteso ai ticket interni di supporto HR e alle exit interview, costruendo un sistema di ascolto continuo che non dipende dal ciclo di rilevazione formale. I fogli di calcolo per i commenti aperti non vengono più usati.

La survey rimane annuale. Ma non è più l’unico momento in cui l’organizzazione ascolta. Per approfondire il metodo, vedi come il NLP legge i segnali deboli prima delle dimissioni e cosa vede l’AI nel benessere organizzativo che l’occhio umano non vede.