Il gruppo pubblicitario e media Dentsu ha costruito un copilot di analytics predittiva su Azure AI Foundry e Azure OpenAI Service, portandolo dal proof of concept alla produzione in meno di 12 settimane. L'assistente conversazionale ha ridotto il time to insight complessivo del 90 per cento e i tempi di analisi dell'80 per cento, secondo la customer story ufficiale Microsoft pubblicata a novembre 2024, che cita per nome cinque membri del team.
Settimane di attesa per ogni domanda sui media
Dentsu gestisce il marketing di brand globali su una base di analytics media e consumer. Previsioni, allocazione dei budget e ottimizzazione dei canali guidano ogni decisione di campagna, e prima del copilot ciascuna di queste risposte richiedeva settimane di lavoro specialistico. Nel media buying il tempismo è margine: una previsione che arriva dopo la chiusura della finestra di campagna vale zero. Becca Kline, Senior Director of Analytics di Dentsu, ha descritto il costo del ritardo nella customer story: “Le campagne in ritardo rallentano il servizio ai clienti e possono tradursi in opportunità perse.” La domanda di insight cresceva più in fretta della capacità degli analisti, e ogni nuova richiesta dei clienti si accodava alla precedente.
L'azienda ha scelto l'AI generativa come via per scalare. Callum Anderson, Global Director for DevOps and SRE, ha sintetizzato l'intento: “Guardiamo all'AI generativa per soluzioni di efficienza e prestazioni.” L'obiettivo: un'interfaccia chat dove i planner pongono domande in linguaggio naturale, dall'allocazione ottimale del budget alle prestazioni dei canali, e ricevono risposte basate sui dati in pochi minuti.
La decisione: un microservizio dentro la suite, al posto di un chatbot autonomo
La scelta che ha reso possibile l'orizzonte di 12 settimane è architetturale. Gli ingegneri di Dentsu hanno progettato il copilot come microservizio debolmente accoppiato dentro la suite applicativa esistente dell'azienda, integrato via API e protocollo GraphQL, invece di lanciare un prodotto chatbot separato.
Quella singola decisione ha prodotto tre vantaggi cumulativi. Primo: il copilot ha ereditato i moduli di governance condivisi che Dentsu già applica alle proprie applicazioni client, con i controlli di responsible AI integrati fin dall'inizio. Secondo: gli utenti hanno trovato la nuova funzione dentro strumenti già familiari, con un look and feel coerente, eliminando un'intera battaglia di adozione. Terzo: il lavoro di piattaforma era già fatto. Il team ha effettuato il deployment su Azure Kubernetes Service con Azure API Management, e il blue/green deployment ha portato il copilot in produzione a zero downtime. Sotto il cofano il copilot gira come flussi a grafo aciclico diretto scritti in Python, collegati a un hub Azure AI tramite prompt flow come terzo livello architetturale.
La velocità è arrivata dai template quanto dall'architettura. Il Lead DevOps Engineer Simon Ransom ha riconosciuto il valore del punto di partenza GitHub GenAIOps: “È stato ottimo partire avvantaggiati con gli script del template Azure AI prompt flow.” Il DevOps Engineer Jon Crocombe e la Director of Project Management Katie Jenkins completano il team citato; Jenkins ha riassunto la collaborazione con gli ingegneri Microsoft: “È stato bellissimo vedere le menti ingegneristiche di Microsoft e Dentsu lavorare insieme.”
Il risultato, con il contesto completo
I risultati documentati: analisi che prima richiedevano settimane ora si completano in minuti, una riduzione dell'80 per cento dei tempi di analisi; il time to insight complessivo è sceso del 90 per cento; e i costi di analisi sono calati di conseguenza. Il sistema è passato dal proof of concept alla produzione in meno di 12 settimane ed è operativo dalla fine del 2024.
La fonte è altrettanto chiara sui compromessi. Il calendario compresso ha rinviato la valutazione sistematica delle risposte a una fase successiva, e dopo il lancio il team ha riorganizzato la logica del copilot per aumentare l'accuratezza delle risposte. Questa sequenza (rilasciare in fretta una v1 governata, poi misurare e raffinare in produzione) è una scelta ingegneristica reale che la customer story documenta apertamente, ed è parte di ciò che rende il caso credibile anziché promozionale.
Il pattern ha retto nel tempo. Una copertura indipendente di AI Expert Network a marzo 2025 ha documentato il copilot in esercizio come sistema di supporto decisionale integrato con le applicazioni di business di Dentsu, accanto a un portafoglio AI in espansione che include strumenti retail media basati su Salesforce e l'integrazione con Adobe GenStudio. Dentsu riversa inoltre gli apprendimenti del copilot nel template GitHub, trasformando un progetto interno in un blueprint riutilizzabile.
Cosa possono imparare le altre organizzazioni
La lezione trasferibile: il design dell'integrazione batte i progetti greenfield. Molti programmi AI enterprise si arenano tra demo e deployment perché la demo vive fuori dai sistemi dove governance, identità e abitudini degli utenti esistono già. Dentsu ha invertito lo schema: il copilot è entrato in produzione come un microservizio in più dentro una suite che già portava governance, monitoraggio e disciplina di rilascio, e le 12 settimane sono il risultato diretto.
Replicarlo richiede condizioni precise. Una suite applicativa esistente con moduli di governance condivisi dà al copilot qualcosa da ereditare. I template di piattaforma, in questo caso il template Azure AI prompt flow su GitHub, comprimono il primo miglio di ingegneria. La maturità DevOps, con blue/green deployment su Kubernetes, trasforma il giorno del rilascio in un evento di routine. E una prima release volutamente circoscritta, con valutazione e raffinamento della logica pianificati per la fase di produzione, mantiene il calendario onesto. Le organizzazioni che possiedono questi quattro asset possono considerare le 12 settimane un obiettivo realistico; tutte le altre ora sanno esattamente quale infrastruttura costruire per prima.
Articolo di SAGA, Success Stories & Real Cases
SAGA racconta implementazioni AI enterprise con risultati verificati. Ogni metrica è tracciata alla fonte. Ogni azienda è citata per nome.