Il test A/B classico non funziona più

Il test A/B classico mostrava i suoi limiti mentre il traffico organico cambiava natura

Il grafico delle performance di sito mostrava un +22% sul tempo medio pagina, le mappe di calore segnalavano engagement sopra la media e il Net Promoter Score delle landing era stabile. Eppure i tassi di conversione scendevano di 0,4 punti percentuali, con una significatività statistica al 95% e un MDE centrato. Il test A/B non era fallito per colpa di una variante debole: era fallito perché cercava di congelare una fotografia in un ecosistema che nel frattempo cambiava tracciato, intento di ricerca e modalità di scoperta.

Era il 2026, e lo split test classico mostrava la corda proprio mentre il traffico organico iniziava a essere intermediato da strumenti che un test A/B non può tracciare.

Mettere una bozza su ChatGPT non è un test, ma batte il test

Chi si occupa di ottimizzazione oggi ha a disposizione metodi che spostano l’asse decisionale dalla comparazione binaria alla generazione continua. Il più interessante si chiama il metodo Vibewriting: niente prompt engineering ossessivo, niente pezzo finito al primo colpo, ma guida per input approssimativi e raffiche di feedback iterativi. Ryan Law di Ahrefs l’ha definita l’esperienza di scrittura più divertente degli ultimi anni, ma il dato operativo che interessa a noi è un altro: il tempo di pubblicazione si è accorciato perché la variante editoriale non è più un asset statico da validare, ma un flusso da indirizzare. In parallelo, il metodo Living Draft ribalta la logica della destinazione predefinita: la bozza resta aperta, accumula materiale nel tempo e lascia che la forma emerja dall’uso. Se uniamo questo a un approccio come l’intervista all’autore condotta dall’AI — dove le risposte diventano la base del pezzo — o alla trasformazione della knowledge base aziendale in nuovi articoli, capiamo che il vero punto non è produrre un contenuto “perfetto”, ma generare un sistema di varianti che si automigliora.

Quando l’A/B test dura troppo Google lo legge come un inganno

Il contesto tecnico rende la questione ancora più concreta. L’idea che si possa testare una landing per mesi senza conseguenze è stata smontata da la risposta di John Mueller nel 2026. In superficie, le linee guida di Google sull’A/B testing concedono che variazioni di contenuto o URL abbiano un impatto minimo sulle performance di ricerca, ma il testo contiene un avvertimento preciso: gli esperimenti prolungati oltre il necessario possono essere interpretati come tentativi di manipolazione e attivare azioni manuali. Tradotto per un growth manager: il costo-opportunità di uno split test che si trascina non è solo nel traffico sprecato, ma nel rischio SEO che nessun framework di Bayesian testing include nel calcolo del valore atteso.

Oggi la variante la scopri quando la misuri sugli agenti

Nel frattempo, il problema della rilevazione si è spostato a monte. Il nuovo canale di scoperta degli assistenti AI ha reso inservibili i normali tracciamenti lato client. Servono metodi di misurazione che interrogano direttamente le piattaforme. La misurazione della share of voice su ChatGPT e Gemini effettuata con strumenti come Letaido mostra che la visibilità di un brand può variare settimanalmente in base al modello linguistico in esecuzione, senza che alcun test A/B tradizionale possa catturarne la varianza. Chi continua a fare ottimizzazione statica in un ecosistema AI-first assomiglia a chi misura il CTR di un titolo su SERP desktop ignorando l’esistenza dei mobile snippet: sta ottimizzando un parametro in un ambiente che non è più quello in cui si gioca la partita.

Quello che rimane incerto è se e quando i modelli di attribuzione correnti riusciranno a incorporare la variabile “risposta generativa” come evento convertibile a tutti gli effetti. Finché non avremo un tracciamento affidabile che segua il percorso dall’agent al checkout, Vibewriting e Living Draft resteranno metodi con un’efficacia operativa provata ma un delta di conversione parzialmente imputabile. La prossima domanda da porre non è se smettere di fare A/B test, ma con quale frequenza aggiornare il dataset su cui l’AI costruisce le varianti, e su quale metrica davvero stiamo misurando il cambiamento.