Ahrefs ha automatizzato l’aggiornamento dei suoi dati

Ahrefs ha risolto il problema con un agente che aggiorna i post in automatico

Hai presente quando Facebook modifica l’algoritmo delle campagne senza preavviso e le tue performance passano da un CPA accettabile a un’asta senza senso nel giro di una notte? È la stessa sensazione che provi quando i dati su cui basi i report per i clienti invecchiano di un trimestre e smettono di riflettere le query reali. Per anni, aggiornare quei dati è stato un costo manuale che tutti accettavamo in silenzio. Oggi, la domanda non è più se automatizzare, ma quanto velocemente puoi farlo prima che il costo opportunità ti divori i margini.

Quel pomeriggio rubato alle ottimizzazioni vere

Ahrefs pubblica molti post basati su dati come ‘Top Google Searches’ o ‘Most Asked Questions on Google’. Contenuti utili, certo, ma solo se i numeri sono aggiornati. Fino a pochi mesi fa, ogni mese qualcuno doveva estrarre dati freschi da Ahrefs o dall’API, pulire i dati e formattare le tabelle. Se il post includeva grafici personalizzati, il percorso si allungava: specifiche, invio al design, attesa, revisione, modifiche. Poi restava da incollare tutto in WordPress senza rompere il layout, aggiornare le date e ripubblicare. Con 14 o 20 post da gestire, il processo diventava noioso e si mangiava un intero pomeriggio. Il compromesso era aggiornare i post ogni trimestre.

Per chi gestisce budget pubblicitari, uno scenario familiare. Ogni ora passata a consolidare fogli Excel è un’ora sottratta all’analisi dei posizionamenti, ai test delle creatività o al confronto con il ROAS di un competitor. Il vero costo non è la noia: è la latenza con cui i dati arrivano sul tavolo delle decisioni.

Un agente che lavora mentre tu fai strategia

Ora Ahrefs usa Letaido, un agente che aggiorna i post automaticamente. È in esecuzione da due mesi e risparmia almeno 20 ore al mese.

Il meccanismo è pragmatico: il Data Refresh Hub, una volta al mese, estrae dati freschi per tutti i 14 dataset — volumi di parole chiave e domande da Keywords Explorer, citazioni AI da Brand Radar. Poi pulisce ogni dataset secondo le proprie regole e salva i risultati. Per ottenere i dati, sono stati necessari tre percorsi separati: le tabelle di parole chiave US sono risultate semplici tramite Letaido, quelle globali richiedevano un servizio interno ad hoc, e le citazioni AI da Brand Radar andavano processate una piattaforma alla volta. Per la tabella ‘most asked questions on Google’, un LLM aiuta a pulire i dati, distinguendo domande vere da falsi positivi come titoli di film o query non interrogative.

Louise ha costruito un agente per l’aggiornamento automatico dei contenuti che classifica le aziende in più rapida crescita usando dati Ahrefs, e ha generato una famiglia di classifiche di aziende in più rapida crescita aggiungendo giudizio, grafici e altri dati. La versione curata da Ryan, invece, estrae dati freschi, rigenera grafici e tabelle, costruisce bozze WordPress, applica piccole modifiche a date e dimensioni del campione, e invia un’email quando l’articolo è pronto.

Il vantaggio non si ferma alle ore risparmiate. Il passaggio da aggiornamenti trimestrali a mensili alza la freschezza dei dati, e la freschezza sposta due metriche che ogni performance marketer conosce: autorità percepita e click-through rate. Se un dataset sulle query più cercate è fermo a tre mesi fa, l’inserzionista che lo usa per modellare le keyword perde quota di traffico senza saperlo. Ahrefs lo conferma indirettamente quando mostra la crescita del traffico AI otto volte superiore a quello umano: la velocità di aggiornamento diventa essa stessa un asset di campagna.

Il 40% fallirà. Ma non è una ragione per aspettare

C’è un dato che dovrebbe far alzare la guardia ai planner: più del 40% dei progetti di IA agentica verranno abbandonati entro la fine del 2027 secondo Gartner. Non è un segnale per restare fermi. È una fotografia di ciò che accade quando si delega senza architettura. Chi progetta oggi un agente che estrae, pulisce e pubblica dati sta comprando una posizione che i ritardatari pagheranno molto più cara, mentre i modelli continuano a migliorare il ragionamento.

La ricerca Google mostra che con il ragionamento attivato, i modelli recuperano risposte virtualmente irrecuperabili a ragionamento spento. Il primo meccanismo identificato è il computational buffer: generare token di ragionamento vuoti — un “Let me think” ripetuto — migliora il richiamo di fatti rispetto al silenzio computazionale. Significa che i fondamenti matematici degli LLM stanno rendendo più stabile l’affidabilità degli agenti su compiti ripetitivi ma delicati, come validare la qualità di un dataset o scartare un falso positivo in un elenco di domande.

Per chi fa paid media, il parallelismo operativo è diretto. Se un agente può distinguere un titolo di film da una query reale e aggiornare una classifica di aziende in crescita senza intervento umano, lo stesso principio si applica al monitoraggio delle offerte, alla pulizia dei feed prodotto o alla rilevazione di anomalie nelle performance. L’automazione agentica non rimpiazza la strategia: la libera dal lavoro di bassa lega e la nutre con dati più freschi. Il momento di costruirla è ora, non quando il 40% dei progetti sarà già naufragato e i competitor avranno un gap di dati difficile da colmare.