Case Study
Costruire una piattaforma sales agentica su AWS: il caso Crono
Il cliente
Crono è una piattaforma SaaS di sales automation, progettata per aiutare i team commerciali a trovare lead qualificati, automatizzare attività di outreach e gestire workflow di vendita in modo più rapido ed efficace.
Con l'evoluzione della propria visione di prodotto verso un Agentic Sales Engine e l'introduzione di un MCP Server, l'azienda ha avviato un percorso di trasformazione dell'esperienza utente: da un modello tradizionale, basato su menu, schermate e interazioni manuali, a un approccio conversazionale guidato da Large Language Model.
L'obiettivo era rendere la piattaforma più intelligente e assistita, permettendo agli utenti di interagire tramite linguaggio naturale, ricevere supporto contestuale durante l'esecuzione dei workflow e automatizzare attività ripetitive, mantenendo sempre il controllo sulle azioni finali.
Per supportare questa trasformazione, Crono ha scelto Polarity come partner tecnologico per l'implementazione della soluzione, l'integrazione delle componenti di intelligenza artificiale e la progettazione dell'infrastruttura cloud su AWS.
La sfida
La visione di prodotto di Crono richiedeva un'evoluzione in due fasi: prima la creazione di una foundation conversazionale integrata nella piattaforma esistente, poi l'estensione verso un modello più agentico, capace di supportare workflow complessi con maggiore autonomia.
Fase 1 — Conversational AI foundation
La prima sfida consisteva nell'introdurre nella piattaforma un layer di AI conversazionale che permettesse agli utenti di completare workflow tramite linguaggio naturale, senza dover navigare manualmente tra menu, sezioni e azioni ripetitive. La chat doveva comprendere il contesto dell'utente, recuperare informazioni rilevanti ed eseguire azioni operative in modo controllato. Un requisito chiave era che ogni azione avviata dall'AI si riflettesse immediatamente nella UI, con la stessa coerenza di un'azione eseguita direttamente dall'utente.
Fase 2 — Agentic Sales Engine
La seconda fase guardava oltre la chat conversazionale, ponendo le basi per un motore agentico capace di prendere in carico task più complessi, orchestrare workflow multi-step e parallelizzare operazioni. L'obiettivo era abilitare agenti AI in grado di supportare in modo sempre più autonomo i processi di vendita, mantenendo governance, sicurezza e controllo umano sulle azioni critiche.
Sfide tecniche principali
Per realizzare questa visione, Polarity ha dovuto affrontare diverse sfide tecniche legate all'integrazione dell'AI in un prodotto SaaS già operativo senza disservizi per gli utenti finali.
Esecuzione sicura con feedback immediato in UI
L'AI doveva poter avviare operazioni reali sulla piattaforma attraverso chiamate backend controllate. Ogni azione doveva riflettersi immediatamente nell'interfaccia, con la stessa coerenza di un'operazione eseguita manualmente dall'utente.
Risposte fondate sul comportamento reale del prodotto
Le risposte generate dall'AI dovevano essere accurate, contestuali e allineate alle funzionalità effettive della piattaforma, evitando output generici o non coerenti con l'esperienza reale dell'utente.
Data residency e privacy
La gestione di dati sensibili legati ai processi di vendita B2B richiedeva un'infrastruttura in grado di garantire controllo, sicurezza e conformità. L'utilizzo di Amazon Bedrock ha permesso di mantenere i dati nelle regioni AWS europee configurate, evitando che venissero utilizzati per il training dei modelli.
Affidabilità da produzione
La soluzione non doveva comportarsi come un semplice esperimento chatbot, ma come una componente affidabile del prodotto, capace di supportare centinaia di utenti concorrenti all'interno di workflow critici per il business.
Sviluppo parallelo e integrazione modulare
Il layer AI sviluppato da Polarity doveva poter evolvere in modo indipendente rispetto alla piattaforma core di Crono, pur rimanendo strettamente integrato con essa. Questo approccio ha consentito ai team di lavorare e rilasciare in parallelo, riducendo dipendenze e blocchi nello sviluppo.
La soluzione
Polarity ha progettato insieme a Crono e implementato su AWS un'architettura conversazionale AI-native, pensata per estendere la piattaforma esistente di Crono con un nuovo layer intelligente di interazione ed esecuzione.
La soluzione non ha sostituito la UI tradizionale, ma l'ha affiancata con un'esperienza conversazionale capace di guidare l'utente, recuperare informazioni rilevanti e avviare azioni operative in modo sicuro e controllato.
Tutte le componenti di interazione con l'AI sono state integrate con la UI per non risultare distinte e separate dalla piattaforma con cui gli utenti avevano già confidenza, diventando un nuovo elemenento integrante della UI esistente.
Fase 1 — Conversational AI foundation
La prima fase ha introdotto un layer AI-native costruito sopra la piattaforma core esistente, che già gestiva processi come pipeline management, lead operations e integrazioni CRM.
Polarity ha trasformato la chat in un nuovo entry point di prodotto, al pari dell'interfaccia tradizionale. Attraverso il linguaggio naturale, gli utenti potevano interagire con la piattaforma, ricevere supporto contestuale e completare workflow di vendita senza dover navigare manualmente tra menu, sezioni e azioni ripetitive.
Questo approccio ha permesso di rendere l'esperienza go-to-market più fluida e assistita, mantenendo al tempo stesso piena integrazione con le logiche applicative, i dati e i processi già presenti in Crono.
Architettura
Un elemento centrale della soluzione è stata la definizione di un protocollo comune tra l'AI Core sviluppato da Polarity e il backend di Crono.
Questo livello di comunicazione, progettato per essere altamente generalizzabile, ha permesso di disaccoppiare l'evoluzione del layer AI dalla piattaforma core, mantenendo al tempo stesso un'integrazione stretta e controllata.
Extra
MCP Server per i clienti
Nei mesi successivi al lancio della piattaforma conversazionale, è emersa l'esigenza di esporre le stesse capacità AI attraverso un server MCP (Model Context Protocol), consentendo ai clienti di integrare le funzionalità di Crono direttamente nei propri ambienti e tool AI-native.
L'integrazione è stata un'estensione naturale dell'esistente: le risorse già strutturate nell'AI Microservice (tools, documents) sono mappate alle primitive del protocollo MCP, in modo che il microservizio AI resti l'unica fonte di verità, e l'MCP Server funga da interfaccia standardizzata verso l'esterno.
Nessuna duplicazione architetturale: la logica resta centralizzata nel microservizio AI, offrendo ai clienti Crono un punto di accesso interoperabile, pronto per essere consumato da qualsiasi client compatibile con il protocollo MCP.
Fase 2 — Agentic sales engine
A partire dalla foundation conversazionale, la visione di prodotto si è evoluta verso un modello più agentico, in linea con il passaggio del mercato da semplici interfacce chatbot a sistemi AI capaci di prendere in carico task, orchestrare operazioni e supportare workflow complessi in modo più autonomo.
Polarity ha quindi esteso l'AI Core e il frontend React per abilitare nuove categorie di agenti, pensate per operare in diversi momenti dell'esperienza utente e con diversi livelli di autonomia.
Agenti schedulati
Attivati su base temporale. Es: recap mattutino delle attività eseguite durante la notte e priorità operative della giornata.
Agenti event-driven
Attivati da eventi o azioni dell'utente sulla piattaforma. Es: arricchimento automatico dei dati quando un lead viene creato o aggiornato.
Agenti manuali
Avviati direttamente dall'utente tramite chat. Es: esecuzione parallela di workflow multi-step a partire da una richiesta in linguaggio naturale.
Configurazione AI no-code
Un risultato chiave della seconda fase è stata l'introduzione di una dashboard interna per la configurazione no-code delle funzionalità AI.
Attraverso questa interfaccia, i team product e marketing di Crono possono gestire in autonomia opzioni AI, prompt, comportamenti degli agenti, template e nuove funzionalità basate su agenti AI, senza dover coinvolgere direttamente il team engineering per ogni modifica o rilascio.
Questo approccio ha aumentato la velocità di sperimentazione e iterazione sul prodotto, permettendo a Crono di adattare più rapidamente l'esperienza AI alle esigenze degli utenti e all'evoluzione dei workflow commerciali.
Integrazione con tool esterni
L'Agentic Sales Engine è stato progettato per integrarsi non solo con le funzionalità interne di Crono, ma anche con tool di vendita esterni già utilizzati dai team commerciali.
In questo modo, Crono diventa un layer operativo centrale in cui agenti AI e utenti lavorano fianco a fianco, accedendo da un'unica interfaccia agentica a dati, strumenti e azioni distribuiti su più sistemi.
Questa integrazione consente di ridurre la frammentazione dell'esperienza utente e di trasformare Crono in un punto di orchestrazione intelligente per l'esecuzione dei workflow di vendita.
Risultati
La soluzione è live in produzione e mostra un impatto misurabile:
12%
Attività piattaforma generata da AI Core
12.000+
Azioni eseguite via interfaccia conversazionale
+27%
Crescita adoption funzionalità
Questi risultati mostrano come l'AI sia diventata una componente centrale dell'esperienza prodotto, non solo un canale di supporto. L'adozione crescente delle funzionalità e il volume di azioni eseguite tramite interfaccia conversazionale confermano il valore di un approccio AI-native integrato direttamente nei workflow operativi della piattaforma.
Componenti chiave
Amazon Bedrock
Componente centrale per il ragionamento conversazionale multi-turn, la sintesi del contesto e il function calling strutturato. Nella seconda fase, supporta anche l'orchestrazione degli agenti e l'esecuzione parallela dei task. Data residency in Europa, nessun training sui dati del cliente.
Retrieval-Augmented Generation
Indicizzazione semantica della documentazione di Crono, incluse guide, articoli e contenuti di knowledge base. Risposte fondate su informazioni aggiornate e allineate al comportamento reale del prodotto.
RDS PostgreSQL + pgvector
Dati relazionali ed embeddings nello stesso database. Vector search in modalità tenant-aware, senza l'overhead operativo di un vector database separato.
Function calling + UI feedback
L'AI Core arricchisce le chiamate a Bedrock con un catalogo di tool che rappresentano operazioni reali. Le azioni vengono tradotte in chiamate server-to-server controllate e riflesse immediatamente nell'interfaccia.
Layer di configurazione agenti
Layer di configurazione pensato per i team product e marketing, che consente di gestire prompt, template e comportamenti degli agenti da una dashboard dedicata. Crono può iterare più rapidamente sulle funzionalità AI, riducendo la dipendenza dal team engineering.
MCP Server
Server MCP (Model Context Protocol) che espone le risorse e le capacità dell'AI Microservice come primitive standardizzate, consumabili da qualsiasi client compatibile. Mappa direttamente le entità già presenti nel microservizio AI, mantenendo la logica centralizzata e offrendo ai clienti un punto di accesso interoperabile senza duplicazioni architetturali.
Vuoi integrare AI generativa nel tuo prodotto?
Scrivici qui sotto per saperne di più o lasciaci i tuoi contatti
