Chatbot multimodali: cosa possono fare oggi foto, file e risposte interattive
I chatbot multimodali capiscono più del testo digitato. Ecco cosa funziona oggi nella chat con i clienti, da foto e PDF alla ricerca per foto, alle schede prodotto e alle tabelle, a che punto sono voce e video, e come decidere cosa serve al tuo sito.
- Autore
- intoCHAT Team
- Pubblicato
- Ultimo aggiornamento
- Tempo di lettura
- 5 min di lettura

In questa pagina
Per anni un chatbot è stato una casella di testo. I modelli AI di oggi leggono anche foto, screenshot e documenti, e i widget di chat possono rispondere con schede prodotto, tabelle e pulsanti invece che con un muro di testo. Questo cambia ciò che un chatbot per il sito può fare. Questo articolo spiega cosa significa “multimodale” in pratica, cosa funziona già bene nella chat con i clienti, a che punto sono voce e video e come decidere cosa serve al tuo sito.
Cosa rende multimodale un chatbot?
Un chatbot multimodale gestisce più del testo digitato, in due direzioni:
- Input: immagini (foto di prodotti, screenshot, foto di danni), documenti come i PDF e, in alcuni sistemi, voce o video.
- Output: oltre al testo, elementi strutturati come schede prodotto, tabelle di confronto, card con immagini, pulsanti di risposta rapida, moduli o un selettore di orari.
Il valore sta nella combinazione. “Ce l’avete in blu?” con una foto è una richiesta più chiara di ciascuna delle due parti da sola.
Cosa funziona bene oggi
Leggere foto e screenshot
I modelli attuali descrivono in modo affidabile cosa c’è in una foto: il tipo di prodotto, il colore, il materiale, lo stile, un marchio stampato sopra o il testo di un messaggio di errore in uno screenshot. Nella chat con i clienti questo evita il botta e risposta del “puoi descriverlo?”. Un cliente invia la foto di un piano del tavolo graffiato e chiede un reso; un’utente invia lo screenshot di un errore e chiede cosa fare.
Leggere documenti
Una fattura PDF, una conferma d’ordine o un modulo compilato possono essere letti insieme alla domanda. “Perché mi è stato addebitato due volte?” accanto alla fattura riceve una risposta più rapida che con il numero di fattura digitato.
Ricerca per foto
Il caso commerciale più chiaro. Qualcuno ha visto una lampada in un bar o una giacca addosso a un’amica, ma non sa come si chiama. Invia la foto, il chatbot descrive l’articolo, cerca nel catalogo del negozio e mostra prodotti simili. “Non so come si chiama” diventa una pagina prodotto.
Risposte interattive
L’output multimodale conta quanto l’input. Un confronto tra tre piani si legge meglio come tabella, una scelta di prodotti come card con immagini e prezzi, e un passo successivo ovvio come pulsante. Se fatto bene, il chatbot sceglie il formato per ogni risposta e riserva il testo a ciò che si dice meglio a parole.
A che punto sono voce e video
Il riconoscimento e la sintesi vocale sono maturi in generale, e gli agenti vocali al telefono sono in crescita. Ma la voce è un progetto separato dalla chat sul sito: richiede speech-to-text e text-to-speech oltre al modello linguistico, aggiunge latenza e costi e porta con sé le sue questioni di progettazione, dagli accenti e dialetti a cosa succede quando chi chiama interrompe. La comprensione video in tempo reale nell’assistenza clienti è ancora agli inizi. Per la maggior parte dei siti, foto e documenti portano oggi più valore, con una frazione dello sforzo.
Le sfide da mettere in conto
- Privacy. Le foto possono mostrare persone, indirizzi o numeri di documenti. Dovrebbero essere conservate in modo privato con la conversazione, eliminate insieme a essa e mai aggiunte alla conoscenza del bot.
- Precisione. I modelli possono interpretare male una foto. Il bot dovrebbe chiedere in caso di dubbio e non inventare mai prodotti, prezzi o disponibilità.
- Velocità. Leggere un’immagine e cercare in un catalogo aggiunge qualche secondo alla risposta.
- Abusi e costi. I caricamenti hanno bisogno di limiti di dimensione e frequenza, e le ricerche per immagine di un tetto giornaliero, così da non far lievitare i costi.
Come intoCHAT gestisce immagini, file e risposte interattive
Gli agenti intoCHAT rispondono in testo a partire dai tuoi contenuti e aggiungono immagini, documenti e output interattivi dove servono:
- Allegati dei visitatori. Attiva Let visitors attach files e i visitatori inviano immagini (PNG, JPEG, WebP, GIF) e PDF con la graffetta, trascinandoli o incollando uno screenshot, fino a 3 file da 4 MB per messaggio. L’agente li legge con il messaggio. Ogni modello legge le immagini; i PDF vengono letti dai modelli di OpenAI. Un messaggio con file conta come uno senza.
- Ricerca per foto (da Starter). Con un negozio collegato, l’agente descrive la foto, cerca nel tuo catalogo e mostra fino a 6 prodotti corrispondenti come schede, dal più simile. Ha istruzione di ignorare le persone nella foto e di lasciar perdere le foto di consegne danneggiate o le domande sugli ordini. Starter include 50 ricerche per foto per agente al giorno, Pro 200.
- Schede prodotto dal tuo catalogo in tempo reale, con immagine, prezzo, disponibilità e link.
- Risposte interattive in tutti i piani: tabelle fino a 8 colonne, card con immagini e prezzi e pulsanti di risposta rapida, senza un messaggio in più.
- Passaggi interattivi nella chat: un carrello con checkout, moduli in chat e un selettore di orari per prenotare con Cal.com o Calendly.
I file vengono inviati al fornitore del modello che scegli per scrivere la risposta, conservati in modo privato con la conversazione ed eliminati insieme a essa. intoCHAT non offre input vocale né un canale telefonico, e l’agente email risponde in base al testo di un’email, non ai suoi allegati.
Il tuo sito deve diventare multimodale?
- Inizia dal testo. Addestra un agente sul tuo sito e sui tuoi documenti; copre la maggior parte delle domande su prezzi, condizioni, prodotti e procedure.
- Leggi le conversazioni. Conta quante volte i visitatori cercano di descrivere qualcosa che una foto mostrerebbe: un danno, un errore, un prodotto visto altrove.
- Attiva gli allegati se succede spesso, e indica all’agente nelle sue istruzioni cosa fare con le foto.
- Aggiungi la ricerca per foto se gestisci un negozio con prodotti che si trovano più per aspetto che per nome, come moda, mobili o decorazioni.
- Usa le risposte interattive per confronti e passi successivi. Sono attive per impostazione predefinita.
Crea il tuo agente gratis, attiva gli allegati e inviagli una foto nel Playground, oppure confronta i piani.
Domande frequenti
Che cos’è un chatbot multimodale?
Un chatbot multimodale capisce più di un tipo di input, come testo, immagini, documenti, voce o video, e può rispondere con qualcosa di più del semplice testo, per esempio schede prodotto, tabelle o pulsanti. Combina questi input per capire meglio una richiesta, come la foto di un prodotto insieme a una domanda scritta.
Cosa può fare un chatbot multimodale nell’e-commerce e nell’assistenza clienti?
Nell’e-commerce il caso più utile oggi è la ricerca per foto: un cliente invia un’immagine e il chatbot mostra prodotti simili del negozio. Nell’assistenza, i clienti inviano la foto di una consegna danneggiata, lo screenshot di un messaggio di errore o una fattura PDF, e il chatbot la legge insieme alla domanda invece di chiedere di descriverla.
intoCHAT è un chatbot multimodale?
Per immagini e documenti, sì. Con gli allegati dei visitatori attivi, i visitatori inviano immagini e PDF che l’agente legge insieme al messaggio. Con un negozio collegato, la ricerca per foto (da Starter) mostra i prodotti corrispondenti come schede. Le risposte possono includere schede prodotto, tabelle, card con immagini e pulsanti di risposta rapida, un carrello, moduli e orari di prenotazione. intoCHAT non offre input vocale né un canale telefonico.
Quali modelli AI leggono immagini e PDF in intoCHAT?
Ogni modello in intoCHAT legge le immagini: GPT-6 Luna, Claude e Gemini. I PDF vengono letti solo dai modelli di OpenAI; con un modello Claude o Gemini, l’agente viene informato che è stato allegato un PDF e risponde in base a ciò che il visitatore ha scritto. Un messaggio con file conta come uno senza.
Quali sono le sfide dei chatbot multimodali?
Le immagini possono contenere dati personali, quindi il fornitore dovrebbe conservarle in modo privato e non aggiungerle alla conoscenza del bot. L’analisi delle immagini aggiunge qualche secondo alla risposta e i modelli possono interpretare male una foto, quindi il bot dovrebbe chiedere in caso di dubbio e non inventare mai prodotti. La voce aggiunge riconoscimento vocale, latenza e costi, ed è un progetto separato dalla chat testuale.
Il mio sito ha bisogno oggi di un chatbot multimodale?
Inizia con un agente testuale addestrato sui tuoi contenuti, perché copre la maggior parte delle domande. Poi attiva gli allegati se i visitatori descrivono spesso cose che una foto mostrerebbe più in fretta, come danni, errori o prodotti che cercano. Esamina le conversazioni prima di investire nella voce.


