La discussione sull’intelligenza artificiale nelle aziende è stata dominata, almeno in parte, da una domanda relativamente semplice: quale strumento utilizzare? ChatGPT, Claude, Gemini, Copilot e, più in generale, la crescente offerta di modelli generativi sono entrati nelle organizzazioni attraverso la porta più immediata, quella dell’utilizzo individuale.
Un professionista ha iniziato a usare un chatbot per scrivere una mail, un altro per sintetizzare un documento, un team marketing per produrre contenuti, un ufficio commerciale per preparare una presentazione. A questa prima sperimentazione è seguita la fase degli acquisti: licenze, abbonamenti, piattaforme, corsi di formazione e programmi pilota.
È stato un passaggio inevitabile, ma non è ancora la trasformazione digitale promessa dall’AI. Il problema che le aziende e i loro brand si trovano oggi ad affrontare è infatti di natura diversa: non riguarda più soltanto la disponibilità di modelli sempre più potenti, ma la capacità di inserirli all’interno dei processi aziendali, collegandoli ai dati, ai sistemi e alle persone che già costituiscono l’infrastruttura digitale dell’organizzazione.
Indice degli argomenti
L’architettura martech AI oltre la fase degli acquisti
È questo, probabilmente, uno dei messaggi più interessanti che emergono dall’Adobe AI and Digital Trends Report, realizzato da Adobe insieme a Oxford Economics su 3mila executive e professionisti e 4mila consumatori. Il report restituisce la fotografia di un mercato che ha superato la fase della curiosità iniziale e sta entrando in quella, molto più complessa, dell’industrializzazione dell’AI. I benefici dell’AI generativa sono ormai riconosciuti dalle aziende, ma il passaggio dalla sperimentazione al pieno utilizzo rimane frenato da diversi fattori: frammentazione dei dati, dalla scarsa integrazione dei sistemi, dalla mancanza di competenze e, soprattutto, dalla difficoltà di costruire una strategia condivisa.
Per il marketing la sfida passa dal ripensare il Martech non come una collezione di strumenti ai quali aggiungere di volta in volta un nuovo software di intelligenza artificiale, ma come un’architettura nella quale modelli differenti possano lavorare insieme in un unico workflow.
“L’AI da sola non basta a migliorare la produttività e nemmeno ad abbassare i costi. È un moltiplicatore di competenze, se ben guidata e controllata permette, investendoci molto più di quel che si possa pensare, di aumentare le cose che è possibile fare e farle meglio. Ma investimenti e competenze rimangono fondamentali ancor più di prima” spiega il digital strategist Cristiano Ferrari.
Dalla scoperta dei modelli alla scoperta dei loro limiti
Dopo l’entusiasmo iniziale, i marketer stanno scoprendo dove l’AI funziona e dove non funziona. È un passaggio meno visibile delle prime dimostrazioni pubbliche, ma forse più importante per la sua evoluzione nelle aziende.
L’effetto sorpresa prodotto dai primi chatbot aveva fatto pensare a una tecnologia generalista, capace di sostituire o accelerare indistintamente una quantità enorme di attività. L’esperienza quotidiana ha introdotto una distinzione più utile: l’intelligenza artificiale è molto efficace in alcuni compiti e molto meno in altri; la qualità dell’output dipende dal contesto, dalla qualità delle informazioni disponibili, dalla capacità di formulare correttamente il problema e dalla possibilità di verificare il risultato. Il punto, quindi, non è più trovare il modello che sappia fare tutto, ma individuare il modello più adatto a una determinata funzione e collocarlo nel punto giusto del processo.
Anche i dati Adobe vanno letti in questa direzione. Il 76% delle organizzazioni intervistate dichiara di aver ottenuto benefici dall’AI nella produzione di contenuti, il 70% nella possibilità di consentire anche ai team non creativi di generare contenuti e il 69% nella produttività. L’AI, dunque, non è più solo una promessa, ma sta già modificando concretamente il lavoro.
Il rischio di aggiungere AI a una tecnologia già frammentata
Il marketing digitale ha già vissuto una trasformazione simile. Negli ultimi vent’anni le imprese hanno costruito stack tecnologici sempre più articolati: CRM, piattaforme di marketing automation, customer data platform, sistemi di analytics, CMS, piattaforme di advertising, strumenti per la gestione dei social media e della produzione di contenuti. Ogni tecnologia ha risolto un problema specifico, ma l’accumulazione di strumenti ha spesso prodotto un effetto collaterale: dati distribuiti, sistemi che dialogano con difficoltà e persone costrette a svolgere manualmente il lavoro di collegamento tra una piattaforma e l’altra.
Ma come si costruisce un’architettura martech AI? “Avendo ben chiari i bisogni, le strategie, le tattiche, i budget, i paletti che si vogliono mettere, lo stack tecnologico che si può o vuole utilizzare. Così l’architettura diventa unire i puntini facendosi aiutare dalla tecnologia. A quel punto il vantaggio è che ci aiuta a mettere in pratica il piano che volevamo perseguire” spiega Ferrari.
Un modello per scrivere, uno per fare ricerca, uno per analizzare, uno per generare immagini, uno per produrre video e, progressivamente, una serie di agenti incaricati di eseguire attività.
È esattamente quello a cui le aziende dovrebbero guardare. L’obiettivo non è utilizzare uno strumento AI, ma costruire un’architettura nella quale ogni strumento venga impiegato per ciò che sa fare meglio. ChatGPT, Claude e Gemini, per esempio, non devono necessariamente essere considerati concorrenti da cui scegliere un unico vincitore. Possono diventare componenti differenti di un sistema, utilizzati sulla base delle loro caratteristiche, della tipologia di attività, del contesto informativo e delle integrazioni disponibili.
La domanda tecnologica cambia così radicalmente: non più ‘qual è il modello migliore?’, ma ‘quale modello è più adatto ad una specifica fase del processo?’.
L’infrastruttura dati come base dell’AI nel marketing
È una trasformazione che porta inevitabilmente a un tema meno spettacolare dell’AI generativa, ma molto più concreto: la qualità dell’infrastruttura dati.
Secondo il report Adobe, soltanto il 44% dei responsabili Martech considera adeguate la qualità e l’accessibilità dei dati della propria organizzazione per l’utilizzo dell’intelligenza artificiale. Il 49% ritiene che la capacità di portare avanti le iniziative AI sia limitata dall’attuale livello di unificazione e strutturazione dei dati, mentre appena il 42% dichiara di disporre di una base dati unificata del cliente dalla quale ricavare insight generati dall’AI.
Sono numeri che spostano il dibattito. Perché mostrano che il problema non è necessariamente la mancanza di tecnologia AI, ma la qualità del sistema nel quale quella tecnologia viene inserita.
Un modello linguistico può essere estremamente sofisticato, ma se non ha accesso a informazioni affidabili sul prodotto, sul cliente, sulle campagne precedenti o sui comportamenti di acquisto, la sua capacità di produrre una risposta convincente non coincide con la capacità di produrre una risposta utile. L’intelligenza artificiale non elimina i silos informativi: se l’architettura dati è frammentata, rischia piuttosto di rendere più veloce l’elaborazione di informazioni incomplete.
È una considerazione particolarmente rilevante per il marketing, perché la personalizzazione della customer experience rappresenta uno degli ambiti nei quali le aspettative legate all’AI sono maggiori. L’80% delle organizzazioni intervistate da Adobe immagina una customer experience altamente personalizzata e capace di anticipare i bisogni in tempo reale, mentre il 72% punta a esperienze fluide tra touchpoint digitali e fisici.
Ma una personalizzazione realmente dinamica richiede molto più di un algoritmo generativo. Richiede che il dato relativo al cliente possa viaggiare tra CRM, analytics, piattaforme di marketing, sistemi di assistenza e contenuti. L’AI diventa quindi il livello di interpretazione e decisione di un’infrastruttura che deve essere costruita prima.
Dal prompt al processo
Questa evoluzione sta modificando anche il tipo di competenze richieste alle organizzazioni.
La prima fase dell’AI aziendale è stata dominata dal prompt engineering: imparare a formulare richieste migliori per ottenere risposte migliori. La fase successiva sarà sempre più legata al process engineering: progettare workflow nei quali l’AI non sia chiamata soltanto a rispondere a una domanda, ma intervenga automaticamente in una sequenza di attività.
Oggi un marketing manager può esportare i dati di una campagna, caricarli in un modello e chiedere un’analisi. In un’architettura Martech progettata per l’AI, invece, i dati potrebbero essere recuperati automaticamente dai sistemi aziendali, analizzati dal modello più adatto, confrontati con gli obiettivi della campagna, utilizzati per identificare segmenti o anomalie e trasformati in proposte operative. Il risultato potrebbe poi passare alla piattaforma di marketing automation, mentre i nuovi dati prodotti dalla campagna alimenterebbero nuovamente il sistema.
Il passaggio importante è che l’AI non è più il luogo nel quale si svolge un’attività, ma una componente di un processo.
La prossima frontiera sono gli agent AI
La stessa logica spiega l’interesse crescente per l’agentic AI. La differenza rispetto alla generative AI tradizionale è, semplificando, il passaggio dalla capacità di generare un output alla capacità di compiere una sequenza di azioni per raggiungere un obiettivo.
Anche in questo caso i numeri Adobe sono significativi. Il 64% dei responsabili Martech prevede che nei prossimi 18 mesi gli agenti AI saranno utilizzati per coordinare sistemi aziendali, il 61% per automatizzare il customer service e il 49% per orchestrare campagne e creare contenuti.
Ma proprio l’arrivo degli agenti rende evidente quanto sia insufficiente un approccio basato sull’acquisto del singolo strumento. Un agente deve poter accedere ai dati, utilizzare applicazioni, rispettare autorizzazioni, seguire regole e sapere quando trasferire una decisione a una persona. In altre parole, ha bisogno di un ambiente nel quale operare.
Più aumenta l’autonomia dell’AI, più diventa importante la qualità dell’architettura che la circonda.
Non è un caso che, tra gli ostacoli all’adozione dell’agentic AI, Adobe rilevi il 70% di risposte legate all’incertezza sul ritorno dell’investimento o sul business case, il 68% relativo alla carenza di competenze e il 40% riferito ai limiti dell’infrastruttura tecnologica. Ancora più interessante è il dato relativo alla governance interna: soltanto il 21% dei responsabili Martech ritiene che executive e professionisti operativi siano fortemente allineati sulla strategia AI.
È qui che la questione tecnologica diventa inevitabilmente manageriale. In cosa, quindi, un’architettura Martech non potrà mai essere meglio di un marketer? Per Cristiano Ferrari: “Nel dare risposte, nel comprendere il piano generare e capire se quei risultati servono allo scopo”.
I marketer quindi non devono più, necessariamente, eseguire ogni singolo passaggio. Definiscono gli obiettivi, prendono le decisioni, approvano i risultati e intervengono nei punti nei quali servono giudizio, responsabilità e conoscenza del contesto.
La nuova domanda delle aziende
Le idee non mancano. Le aziende, i loro brand, e i team marketing hanno già individuato decine di possibili applicazioni: automatizzare il customer service, personalizzare le campagne, produrre contenuti più rapidamente, analizzare il comportamento dei clienti, generare creatività, ottimizzare i journey, introdurre agenti nei processi commerciali e di marketing.
Il problema è metterle in produzione.
Ed è proprio questa la distanza che separa una sperimentazione da una trasformazione. Una demo può mostrare che un modello è in grado di svolgere una determinata attività. Un processo industriale deve invece stabilire quali dati utilizzare, quali sistemi coinvolgere, quali regole applicare, chi debba controllare il risultato, come gestire gli errori e, soprattutto, quale indicatore di business debba migliorare.
Il valore della consulenza sull’AI si sposterà quindi progressivamente verso la costruzione del sistema nel quale ogni modello sia capace di produrre valore.
La competenza distintiva non sarà soltanto conoscere i diversi modelli, ma saperli orchestrare all’interno di un’architettura, comprendendo contemporaneamente tecnologia, dati, customer experience e obiettivi di business.
Conclusioni
Alla fine, il tema non è scegliere tra ChatGPT, Claude e Gemini. È capire che questi strumenti rappresentano soltanto un livello di una trasformazione più ampia.
Alla base ci sono i dati proprietari dell’impresa. Sopra ci sono i sistemi che li raccolgono e li organizzano: CRM, analytics, CDP, CMS, piattaforme di marketing automation. Su questo livello si innestano i modelli AI, che possono essere differenti e specializzati. Infine arrivano workflow e agenti, che trasformano le capacità dei modelli in attività operative. A governare l’intero sistema rimangono le persone, che definiscono obiettivi, vincoli, priorità e responsabilità.
Un’architettura nella quale l’intelligenza artificiale non è più una destinazione alla quale accedere, ma un livello tecnologico distribuito lungo il processo di marketing.
La maturità dell’AI, dunque, non si misurerà dal numero di licenze acquistate, né dal numero di dipendenti che utilizzano quotidianamente un chatbot. Si misurerà dalla capacità dell’organizzazione di trasformare l’intelligenza artificiale in un sistema operativo per il proprio lavoro.
Il paradosso è che proprio mentre i modelli diventano sempre più potenti, la scelta del modello conta relativamente meno rispetto alla qualità dell’architettura nella quale viene inserito. E proprio mentre aumenta la capacità delle macchine di produrre contenuti e prendere iniziative, cresce il valore delle persone capaci di stabilire dove utilizzare quella capacità e dove, invece, è ancora necessario il giudizio umano.
Dopo l’entusiasmo, dunque, arriva una fase nuova con i team marketing delle aziende e i loro brand che devono capire dove inserire l’AI perché funzioni davvero.
Per questo il prossimo vantaggio competitivo dei brand non sarà avere il modello AI più potente, né utilizzare il maggior numero di strumenti. Sarà disporre dell’architettura capace di farli lavorare insieme.
Partecipa alla community