I dati non parlano da soli. Nemmeno quando li legge l’AI.

C’è una scena che ormai considero piuttosto comune nelle imprese. Sul tavolo arrivano un report di marketing, i risultati del CRM, un foglio Excel delle vendite e una dashboard con una quantità impressionante di indicatori. Qualcuno propone di far analizzare tutto all’intelligenza artificiale. Pochi istanti dopo abbiamo una sintesi impeccabile, con le tendenze principali, le criticità e magari anche una lista di azioni consigliate.

È un progresso concreto. Riduce il lavoro necessario per esplorare informazioni che fino a poco tempo fa richiedevano ore. E sarebbe sbagliato sminuirne il valore.

Ma c’è una domanda che, da consulente, mi interessa molto più della velocità con cui arriva quella sintesi: stiamo cercando di capire i dati oppure stiamo delegando a un sistema anche la scelta di ciò che merita di essere capito?

La differenza può sembrare sottile. In realtà è la distanza tra avere una risposta e prendere una decisione utile per l’impresa.

La mia tesi è semplice: l’AI può amplificare enormemente la capacità di analisi, ma il valore economico nasce quando qualcuno sa formulare la domanda giusta, riconoscere i limiti delle informazioni e collegare le evidenze a una scelta. Ed è precisamente il tipo di equilibrio tra intelligenza umana e artificiale su cui ho costruito HumanAIzed Marketing.

📊 Il problema non è avere pochi dati. È sapere quali meritano attenzione

Molte aziende hanno già un patrimonio informativo notevole. Raccolgono dati dal sito, dalle piattaforme pubblicitarie, dall’e-commerce, dalle attività commerciali, dal gestionale e dal servizio clienti. Spesso però questi sistemi producono rappresentazioni parziali dello stesso business.

Il reparto marketing osserva traffico, costo per contatto e tasso di conversione. Il commerciale guarda richieste qualificate, trattative aperte e ordini acquisiti. L’amministrazione conosce margini, insoluti e redditività. Il post-vendita raccoglie le informazioni sulle difficoltà che emergono dopo l’acquisto.

Tutti misurano qualcosa di reale. Nessuno, da solo, sta necessariamente osservando l’intero risultato.

Un assistente AI può ordinare, incrociare e sintetizzare queste informazioni. Ma prima dobbiamo chiederci quali decisioni intendiamo prendere: acquisire nuovi clienti? Aumentare la redditività? Ridurre i tempi commerciali? Migliorare il riacquisto? Proteggere la marginalità di una gamma?

Se manca questa direzione, il rischio è produrre analisi sempre più sofisticate su indicatori che non spostano le decisioni importanti.

Non serve una dashboard più bella per risolvere un problema di obiettivi. E non basta aggiungere l’intelligenza artificiale alla dashboard per trasformarla automaticamente in strategia.

La domanda che scegliamo determina il significato della risposta

Immaginiamo di chiedere a un sistema AI: «Quale campagna sta funzionando meglio?». Sembra una domanda normalissima. Eppure manca l’informazione principale: che cosa intendiamo per “funzionare meglio”?

La campagna che porta più visite? Quella che genera più richieste? Quella che raggiunge clienti con maggior valore nel tempo? Quella che acquisisce ordini profittevoli? Quella che apre un nuovo mercato strategico, pur avendo un ritorno iniziale più lento?

A seconda del criterio, la risposta cambia. Non perché l’AI sia necessariamente sbagliata, ma perché la performance è sempre una misura rispetto a un obiettivo.

È qui che considero ancora decisiva la competenza di un imprenditore e di un professionista del marketing. La domanda giusta non nasce dal dataset: nasce dalla conoscenza del mercato, dalle priorità dell’azienda e dai compromessi che è disposta ad accettare.

La macchina può aiutarci a confrontare molte più ipotesi di prima. La scelta delle ipotesi più rilevanti, però, richiede una regia.

Un esempio B2B: quando il marketing migliora e il business no

Prendiamo un caso ipotetico, costruito soltanto per chiarire il ragionamento: un distributore di componenti industriali investe in campagne digitali per aumentare le richieste commerciali.

Nel trimestre successivo, il numero di contatti cresce. I report segnalano un costo medio per lead più basso e una maggiore copertura delle ricerche pertinenti. Il responsabile marketing potrebbe presentare il risultato come un successo. Non sarebbe necessariamente falso.

Ma il reparto commerciale segnala un problema: una quota crescente delle richieste riguarda piccoli acquisti occasionali, prodotti a bassa marginalità o clienti che richiedono un’assistenza tecnica impegnativa prima dell’ordine.

Supponiamo, per rendere evidente la differenza, che le richieste aumentino da 100 a 150, mentre quelle ritenute commercialmente qualificate scendano da 20 a 15. Non sono dati di un cliente reale: sono numeri esemplificativi.

Abbiamo il 50% di richieste in più e, contemporaneamente, il 25% di opportunità qualificate in meno. Le due affermazioni sono matematicamente compatibili.

Se l’AI viene incaricata di ottimizzare il numero di lead, potrebbe suggerire di incrementare l’investimento. Se invece le chiediamo di analizzare la qualità commerciale, il margine atteso e il carico di lavoro del team, la conclusione potrebbe essere opposta.

Il nodo non è il modello utilizzato. È il fatto che abbiamo definito in due modi diversi il valore che vogliamo ottenere.

In una situazione simile mi interesserebbe coinvolgere marketing, commerciale e controllo di gestione prima di chiedere qualsiasi riallocazione del budget. Forse occorre cambiare i messaggi. Forse la segmentazione. Forse il catalogo o le condizioni di offerta. Forse dobbiamo semplicemente aspettare il tempo necessario perché le opportunità maturino.

Una buona analisi apre queste possibilità. Una cattiva lettura le nasconde dietro un numero apparentemente positivo.

🧭 Il dato può essere corretto e la decisione comunque sbagliata

Siamo abituati a discutere degli errori che un modello AI può commettere. È un tema reale: nessuna risposta dovrebbe essere considerata infallibile e i calcoli importanti meritano verifiche riproducibili.

Esiste però un rischio ancora più interessante dal punto di vista strategico: anche dati corretti e calcoli perfetti possono sostenere una decisione mediocre.

Pensiamo a un tasso di conversione che migliora dopo una modifica al sito. Potrebbe essere una buona notizia. Ma se nel frattempo è cambiata la composizione del traffico, sono stati eliminati prodotti poco richiesti o la forza commerciale ha modificato il proprio metodo di qualificazione, attribuire tutto alla nuova interfaccia sarebbe un salto logico.

Allo stesso modo, possiamo conoscere con precisione il fatturato di una campagna senza sapere quanto valore economico netto abbia generato. Possiamo misurare la crescita degli utenti senza aver verificato che appartengano al pubblico giusto.

In altri termini, la correttezza di un indicatore non dimostra automaticamente la correttezza della sua interpretazione.

Questo principio deve cambiare anche il modo in cui lavoriamo con l’AI. Invece di chiedere soltanto «Cosa ci dicono questi numeri?», possiamo chiedere «Quali decisioni sarebbero giustificate da questi numeri, quali assunzioni stiamo facendo e che cosa dovremmo ancora verificare?».

Non è una formula magica per ottenere la verità. È un modo migliore di progettare l’analisi.

Prima dell’AI viene l’architettura della misurazione

Uno degli equivoci più frequenti consiste nel credere che il dato sia una materia prima neutra, già pronta per essere interpretata. In realtà, ogni sistema di misurazione incorpora delle scelte.

Quale evento consideriamo significativo? Quando una richiesta diventa un lead? Come distinguiamo un cliente nuovo da un cliente già acquisito? Quale periodo utilizziamo per valutare un investimento? Chi è responsabile di controllare gli errori del tracciamento?

La definizione delle metriche è parte della strategia, non soltanto un’attività tecnica.

Un esempio molto concreto arriva da Google Analytics 4. La documentazione ufficiale spiega che alcuni report possono utilizzare campionamento, stime o soglie applicate alla visualizzazione dei dati. Inoltre, in presenza delle condizioni previste, la modellazione comportamentale può integrare dati osservati e dati stimati per gestire le lacune dovute alle scelte di consenso.

Non significa che quei report siano inutili. Significa che bisogna sapere che cosa stiamo leggendo, con quale livello di precisione e per quale scopo. Google illustra il campionamento e le condizioni della modellazione comportamentale nella propria documentazione.

Se esportiamo una tabella da un sistema, la uniamo ai dati del CRM e chiediamo all’AI di costruire un’analisi, dobbiamo anche conoscere le differenze tra le fonti: definizioni, periodi, possibili duplicazioni, tempi di aggiornamento e modalità di aggregazione.

L’intelligenza artificiale può aiutarci a individuare incongruenze, documentare campi e costruire controlli. Ma non può ricostruire automaticamente una verità aziendale che non abbiamo mai definito insieme.

Questo è anche il motivo per cui, nel lavoro di Digital Raptor, considero la progettazione di analytics e tracking inseparabile dalle decisioni che il dato dovrà supportare.

L’AI deve allargare il campo delle ipotesi, non restringerlo troppo presto

Quando riceviamo una spiegazione plausibile tendiamo naturalmente a trattarla come la principale. È qui che l’AI può diventare uno strumento molto potente oppure un acceleratore di convinzioni fragili.

Una modalità di lavoro che considero utile è chiedere al sistema di proporre interpretazioni alternative dello stesso fenomeno, specificando quali evidenze potrebbero confermarle o smentirle.

Se le richieste da un canale diminuiscono, per esempio, la causa potrebbe essere una flessione della domanda, un problema di tracciamento, una variazione della concorrenza, un cambiamento nella proposta commerciale o semplicemente una diversa distribuzione dei contatti nel tempo.

Queste spiegazioni non hanno tutte la stessa probabilità. Ed è proprio il confronto con i dati e con le persone che conoscono il business a permetterci di selezionarle.

Uso volentieri l’AI come interlocutore critico, non come un oracolo che emette sentenze. Può suggerire controlli, scrivere query, proporre visualizzazioni e simulare scenari. Dove possibile, preferisco che i calcoli siano eseguiti con strumenti ispezionabili e riproducibili, così da poter distinguere il procedimento effettivo dalla sola descrizione linguistica del procedimento.

La qualità non si misura da quanto la risposta suona convincente, ma da quanto possiamo comprenderla, verificarla e utilizzarla per decidere.

La qualità di un’analisi non si misura da quanto suona convincente, ma da quanto possiamo comprenderla, verificarla e utilizzare per decidere.

HumanAIzed Marketing applicato ai dati: l’umano definisce il problema, l’AI amplia la capacità di analisi

È da riflessioni di questo tipo che nasce il senso del metodo HumanAIzed Marketing che ho ideato.

Non considero l’intelligenza artificiale un semplice esecutore da comandare meccanicamente. Sarebbe riduttivo: può contribuire alla fase esplorativa, aiutarci a formulare ipotesi migliori e mettere in relazione informazioni che potremmo non aver considerato.

Il punto è progettare la collaborazione tra le due intelligenze.

Nell’analisi dei dati, questo approccio può essere tradotto in quattro passaggi che considero particolarmente utili.

1. Stabilire quale decisione vogliamo migliorare

Partiamo dall’obiettivo dell’impresa, non dalla disponibilità di un nuovo strumento. Definiamo il perimetro della scelta, gli indicatori che contano, i vincoli economici e la persona che avrà la responsabilità finale.

2. Rendere esplicite qualità e limiti delle informazioni

Documentiamo fonti, definizioni, intervalli temporali e condizioni di utilizzo. Distinguiamo ciò che è osservato, stimato o non disponibile. L’AI può supportare la verifica, ma il significato economico dei dati richiede il confronto con chi li produce e li usa.

3. Usare l’AI per esplorare, confrontare e mettere in discussione

Facciamo emergere scenari, eccezioni, segmenti e domande ulteriori. Verifichiamo i calcoli importanti con strumenti riproducibili e chiediamo che le raccomandazioni esplicitino le proprie assunzioni.

4. Decidere, misurare e correggere

Le persone valutano rischi, priorità e sostenibilità della scelta. Poi misurano ciò che accade realmente, confrontano i risultati con le ipotesi e aggiornano il processo. Anche gli strumenti AI devono essere rivisti quando cambiano contesto o prestazioni.

Non sono quattro caselle da compilare per dimostrare di aver applicato l’AI. Sono un modo per evitare che la velocità dell’analisi venga confusa con la maturità della decisione.

Il metodo, nella sua struttura più ampia, parte dalla strategia, usa l’AI come moltiplicatore, prevede selezione e validazione, richiede misurazione sistematica e si evolve continuamente. Qui quei principi prendono una forma molto concreta: trasformare dati disponibili in decisioni consapevoli.

Un’azienda non ha bisogno soltanto di un assistente: ha bisogno che le competenze dialoghino

C’è un elemento che nessuna automazione dovrebbe farci dimenticare. Il significato di molti dati aziendali non è custodito in una tabella: è distribuito tra persone e reparti.

Chi gestisce le campagne può spiegare perché è cambiato il costo del traffico. Un commerciale sa quali clienti sono realmente interessati e quali richiedono mesi per decidere. Un tecnico conosce i limiti di una gamma prodotto. L’amministrazione può chiarire quali vendite stanno generando margini sostenibili.

Se queste conoscenze rimangono separate, anche un’analisi perfetta di un singolo archivio rischia di essere incompleta.

Per me il valore di una regia strategica sta anche qui: costruire un linguaggio comune tra competenze diverse. L’intelligenza artificiale può ridurre il lavoro manuale necessario a far dialogare le informazioni. Le persone devono però concordare che cosa significano e quale responsabilità assumersi.

Questo evita un errore frequente: trattare la disponibilità di dati come se fosse automaticamente conoscenza condivisa.

🔐 Più dati in un assistente non significa automaticamente più valore

C’è poi una questione di governo delle informazioni. Per analizzare file aziendali è facile essere tentati di caricare tutto: esportazioni del CRM, listini, marginalità, dati dei clienti, documenti commerciali, report interni.

Prima di farlo servono almeno due valutazioni distinte.

La prima riguarda necessità e qualità: quali informazioni sono realmente indispensabili alla domanda che stiamo ponendo? Possiamo lavorare con aggregati o dati pseudonimizzati? Stiamo mescolando archivi con definizioni differenti?

La seconda riguarda riservatezza, accessi e condizioni del servizio: dove vengono trattati i dati, chi può consultarli, quali impostazioni di conservazione si applicano e se l’utilizzo è coerente con obblighi contrattuali e privacy.

Non basta scegliere uno strumento famoso per considerare automaticamente adeguato il trattamento di qualsiasi informazione. Le verifiche cambiano in funzione dei dati e delle condizioni aziendali.

Anche il NIST, nel proprio AI Risk Management Framework, insiste sull’importanza di governare contesto, misurazione, responsabilità e affidabilità dei sistemi. È un riferimento utile proprio perché sposta la discussione dal fascino del modello alla qualità del processo.

E spesso la prima scelta intelligente è semplice: non dare al sistema informazioni che non servono.

Il costo nascosto delle analisi automatiche: produrre decisioni che nessuno governa

Un assistente capace di generare dieci report in pochi minuti è impressionante. Ma se ogni report produce ulteriori raccomandazioni, nuove attività e decisioni da approvare, possiamo aver semplicemente spostato il collo di bottiglia.

Da una parte abbiamo abbattuto il tempo di preparazione delle analisi. Dall’altra rischiamo di aumentare il tempo necessario a verificare, interpretare e coordinare le azioni che quelle analisi propongono.

Per questo non misurerei il successo di un’integrazione AI soltanto in ore risparmiate. Guarderei anche alla qualità delle decisioni, alla rapidità con cui vengono messe in pratica, agli errori evitati e ai risultati misurabili a valle.

Potremmo scoprire che un sistema meno sofisticato, ma ben integrato in un processo condiviso, genera più valore di un assistente potentissimo utilizzato senza criteri.

La domanda da porsi non è quante analisi siamo capaci di produrre. È quante analisi aiutino effettivamente l’impresa a prendere una decisione migliore.

Perché i prossimi anni premieranno chi saprà fare domande migliori

L’accessibilità delle tecnologie AI continuerà a crescere. La capacità di ottenere riepiloghi, confronti e visualizzazioni sarà sempre meno rara. È una buona notizia: possiamo liberare tempo da attività ripetitive e allargare la partecipazione ai processi di analisi.

Ma questa democratizzazione porta una conseguenza: la differenza competitiva si sposta verso la qualità delle domande, delle competenze e delle decisioni.

Chi conosce il proprio business sa riconoscere quando un indicatore apparentemente positivo nasconde un problema. Chi comprende la misurazione sa distinguere un dato osservato da una stima. Chi ha esperienza di mercato sa valutare gli scenari che un dataset, da solo, non racconta.

Il futuro che immagino non è quello di imprenditori costretti a diventare tutti analisti, né quello di professionisti che si limitano a copiare le conclusioni di un modello. È un’organizzazione nella quale la tecnologia rende più accessibile l’analisi e le persone diventano più capaci di usarla con giudizio.

Questo è, per me, uno dei significati più concreti di HumanAIzed Marketing.

L’AI può aiutare a leggere molti più numeri. Ma il valore di un’impresa continua a dipendere da quanto bene sappiamo trasformare quei numeri in una direzione.