L’AI ha spostato il problema dal modello ai dati

Il test A/B ha mostrato un aumento del CTR, ma senza impatto sulle conversioni finali

L’ultimo test A/B sul form di richiesta demo aveva prodotto un risultato che in molti avrebbero archiviato come «inconcludente»: il CTR del pulsante in hero era salito di 11 punti percentuali, ma il tasso di conversione finale a SQL era rimasto piatto e il CPA non si era mosso. Il traffico extra generato dal colore e dalla micro-copy era quasi interamente composto da clic di utenti che non hanno mai aperto la mail di conferma.

È il genere di esperimento che obbliga a un cambio di prospettiva: forse la metrica che stavamo osservando non era il segnale giusto, e forse lo strumento che stavamo usando funzionava esattamente come gli avevamo chiesto, ma sulla base sbagliata.

Quando il rumore si maschera da segnale

Un CTR in forte crescita può essere la prova che l’AI sta filtrando il rumore invece di amplificarlo, se contemporaneamente il costo per acquisizione scende e il tasso di conversione migliora. È quanto emerge dall’analisi su il CTR alto che non certifica il funzionamento degli annunci, un paradosso che colpisce chi continua a ottimizzare il click senza guardare cosa succede dopo. Il problema non sta nella capacità del modello di catturare l’attenzione, ma nella qualità del dato che lo alimenta e nell’assenza di un’orchestrazione che colleghi il clic all’intento reale.

Il fronte buy-side paga un ritardo strutturale nella disciplina dei dati. A differenza del lato sell, dove la data governance è presidio quotidiano, le decisioni di marketing prese su dati non verificati da anni sono la norma in molte organizzazioni. In ambienti B2B, non è raro trovare un data layer costruito da tre a cinque anni che nessuno ha più manutenuto, eppure è quello lo strato su cui agenti e modelli generano segmenti, punteggi lead e raccomandazioni di budget.

Il cimitero dei tool e la via dell’orchestrazione

Jay Rhodes, Chief Product Officer di Cadent, ha messo in guardia da un riflesso che il mercato ripete a ogni ciclo: rincorrere l’ennesimo prodotto. «La moltiplicazione degli strumenti AI non è ciò di cui il settore ha bisogno», ha dichiarato, aggiungendo che «il mercato si sta allontanando dalle soluzioni puntuali per andare verso l’integrazione e l’orchestrazione di molti agenti e flussi di lavoro differenti». Il punto non è aggiungere ennesimi layer di automazione, ma far dialogare quelli esistenti.

Stephen Townsend di Google Cloud ha contestualizzato la fatica in un ecosistema che «era già frammentato prima che l’AI entrasse in scena». L’industria ha «una lunga storia di prendere tecnologie entusiasmanti e renderle molto più complicate del necessario». Townsend ha citato la complessità accumulata da programmatic, identity, CTV e retail media come strati che hanno prodotto valore ma hanno anche reso più difficile avere una vista unificata del cliente. La conseguenza operativa per chi fa CRO è netta: non si può ottimizzare un funnel che non si vede per intero.

La direzione tracciata da Rhodes è quella della connected intelligence come priorità industriale: «Non sto dicendo che il mercato si stia dirigendo verso un unico assistente AI gigante che fa tutto. È intelligenza coordinata». Townsend ha dettagliato il lavoro preparatorio: «Abbiamo trascorso l’ultimo anno a unificare dati, segnali e sistemi in modo che lo strato AI sia costruito su fondamenta in grado di supportare risposte significative». È qui che si annida la differenza tra un test A/B che produce un vincitore statistico e uno che produce un impatto sui ricavi.

L’infrastruttura vince sul modello

L’enfasi sull’infrastruttura emerge come il vero spartiacque. Rhodes lo ha detto senza giri di parole: «Un’infrastruttura solida determina se l’AI funziona in modo affidabile su scala enterprise. Il successo aziendale con l’AI non si giocherà sulla scelta di modelli specifici, ma sulla capacità di orchestrare in modo intelligente». Townsend ha ribadito il concetto in chiave pratica: «Chiunque può costruire uno strumento AI sopra una piattaforma, ma il lavoro più duro è assicurarsi che la piattaforma sottostante sia pronta per l’AI».

Per chi si occupa di conversion rate, il messaggio ha una traduzione immediata. Se il budget per i prossimi due trimestri è conteso tra l’acquisto di un nuovo tool di personalizzazione on-site e un progetto di pulizia e connessione del data layer, la scelta di campo è già scritta. I segnali che contano sono quelli che attraversano i canali. Esistono metriche come le view-through conversions della Google Display Network che quantificano proprio questo passaggio: conversioni su un annuncio search che hanno avuto origine da un’esposizione display. Se l’infrastruttura dati non è in grado di tracciare quel collegamento, nessun modello potrà ottimizzarlo.

Resta un’incognita rilevante, che nessun fornitore sta ancora affrontando in modo trasparente: con quale frequenza e con quale metodo va validato un data layer che alimenta AI agent in produzione? La letteratura sui test di significatività per le creatività abbonda, ma manca del tutto uno standard condiviso per testare la deriva dei dati che governano l’orchestrazione. È il prossimo test che andrebbe messo in calendario.