Un utente chiede un portatile sotto i mille euro, leggero, con otto ore di autonomia e senza mela sul coperchio. Il negozio vedrà, forse, il clic finale. L’assistente ha già raccolto il resto: budget, esclusioni, urgenza e compromessi. Il dato d’intento non fotografa più una ricerca: ricostruisce una trattativa. E la parte più preziosa resta a chi l’ha condotta.
Indice degli argomenti
Il cliente non cerca un prodotto: detta le condizioni
“Mi serve per montare video in viaggio, non voglio un Mac e posso aspettare gli sconti”. Dentro una frase ci sono già il lavoro da svolgere, il luogo d’uso, il tetto di spesa, una marca esclusa e l’assenza di urgenza. Basta una domanda successiva – “accetteresti meno autonomia in cambio di 150 euro di risparmio?” – per scoprire anche quale vincolo sia negoziabile.
Una keyword suggerisce che cosa interessa, mentre una conversazione rivela a quali condizioni l’interesse diventerà acquisto e quale difetto lo farà saltare.
Google l’ha misurata nel rapporto statunitense su AI Mode pubblicato nel maggio 2026: la query media è tre volte più lunga di una ricerca tradizionale; le domande successive sono cresciute in media di oltre il 40% al mese e più di una ricerca su sei contiene immagini, voce o altri input non testuali. Nello shopping compaiono prezzo, marca, disponibilità, taglia, materiale e qualità [1].
I dati coprono il periodo fra il lancio statunitense di AI Mode, nel maggio 2025, e l’aprile 2026. Derivano da dati interni e da un campione di Google Trends; misurano quote e variazioni, non volumi assoluti. Una frase lunga può essere anche confusa, ma quando contiene “non voglio”, “posso aspettare” e “su questo posso cedere”, non descrive più soltanto un interesse: ne espone il prezzo di riserva.
Il clic conta il sì, la conversazione incassa i no
I dati d’intento tradizionali registrano azioni: ricerca, visita, download, carrello. Sono utili, ma muti.
Un clic su una recensione di un’auto non spiega se l’utente voglia comprarla, ripararla o convincere un parente a lasciar perdere. Registra il gesto e licenzia la motivazione.
Il dialogo conserva invece la relazione fra una proposta e la sua correzione. Il primo portatile è troppo pesante, il secondo ha un’assistenza lenta, il terzo costa troppo senza consegna inclusa. Ogni rifiuto disegna il prodotto desiderato meglio di un’altra visita.
Un lavoro presentato a COLING 2025 ha però trovato un risultato poco adatto alle brochure. Nei sistemi conversazionali incaricati di raccomandare articoli, film e libri, le indicazioni diventavano spesso meno affidabili man mano che l’utente rispondeva alle domande. Le prestazioni miglioravano quando il sistema chiedeva preferenze legate a esempi concreti – “che cosa ti è piaciuto di questo film?” – invece di accumulare domande astratte sui gusti [2].
Lo studio usa benchmark e profili annotati, non clienti reali davanti a un carrello. Non autorizza a concludere che ogni assistente peggiori parlando. Dimostra qualcosa di più sobrio e più utile: più informazioni non significano automaticamente migliore comprensione. Il valore nasce dalla struttura – desiderio, proposta, rifiuto, motivo – non dalla quantità di parole parcheggiate in una cronologia.
Il clic registra l’esito di un’azione, mentre la conversazione ricostruisce la logica di ciò che lo ha prodotto: alternative scartate, obiezioni, vincoli e concessioni.
Adobe conta i clienti dopo che l’AI li ha selezionati
Quando l’utente lascia l’assistente e apre un negozio online, una parte della scelta è già avvenuta. Ha confrontato modelli, eliminato marche, modificato il budget e corretto almeno una raccomandazione. Al sito arriva quella che l’analisi digitale continua serenamente a chiamare “visita”. Sembra la stessa unità di sempre, dentro però c’è molto più lavoro svolto altrove.
Già nel febbraio 2025 Adobe rilevò un aumento del 1.200%, rispetto al luglio precedente, nelle visite provenienti da fonti generative verso i siti retail statunitensi. Quegli utenti mostravano un coinvolgimento superiore dell’8%, consultavano il 12% di pagine in più e abbandonavano il sito il 23% meno spesso. Il loro tasso di conversione restava però inferiore del 9% rispetto alle altre fonti [3].
Nel luglio 2026 il rapporto si era capovolto. Secondo Adobe, il traffico AI al retail era cresciuto del 62% su base annua e registrava un tasso di conversione superiore del 60% a quello del traffico non AI. Produceva il 53% di ricavi in più per visita, trascorreva sul sito il 59% di tempo in più e aveva una frequenza di rimbalzo inferiore del 34% [4].
L’analisi copre oltre mille miliardi di visite a siti retail statunitensi e più di cento milioni di prodotti; Adobe ha affiancato un sondaggio su oltre 5.000 consumatori, restando una fonte aziendale e osservazionale. Sotto “non AI” convivono email, social, ricerca organica e pubblicità: canali troppo diversi per attribuire alla conversazione, da sola, tutto il vantaggio.
Questi numeri indicano che chi arriva dai sistemi GenAI può essere più vicino all’acquisto, ma chi viene trattenuto nella risposta, deviato verso un concorrente o convinto a rinunciare non risulta traffico perso: per l’analisi di Adobe, non è mai diventato traffico.
Meno clic, più conversioni: il miracolo visto dal fondo
Un traffico che converte meglio può essere semplicemente un traffico che ha già perso per strada tutti gli indecisi.
Il Pew Research Center ha analizzato 68.879 ricerche Google effettuate nel marzo 2025 da 900 adulti statunitensi. Quando compariva un riepilogo AI, gli utenti cliccavano un risultato tradizionale nell’8% delle visite, contro il 15% delle pagine senza riepilogo. I link citati direttamente nella sintesi venivano aperti appena nell’1% dei casi [5].
Il dato riguarda AI Overviews, non AI Mode, ma fotografa con precisione il passaggio che manca nelle statistiche sul traffico in entrata: prima del clic esiste ormai una zona di selezione che il sito non vede. La risposta può soddisfare la domanda, restringere le alternative, eliminare prodotti, cambiare marca, spostare il budget o chiudere del tutto la ricerca. Solo alla fine, eventualmente, arriva il referral.
A quel punto succede qualcosa di quasi inevitabile: chi arriva è mediamente più deciso perché una parte della selezione è già avvenuta a monte.
Il negozio può quindi brindare al visitatore più redditizio proprio mentre una parte crescente della domanda viene soddisfatta, deviata o esclusa prima ancora di comparire nei suoi dati. Il cliente vale di più. Il negozio, paradossalmente, vale meno.
Il commerciante riceve lo scontrino, la piattaforma conosce il perché
Il cliente scarta un portatile per il peso dell’alimentatore, un altro per i tempi di assistenza e sul terzo accetta di spendere qualcosa in più. Quando apre il negozio, la parte più interessante della decisione è già stata in gran parte costruita altrove. Al sito restano referral, pagina visitata, carrello e pagamento; non arrivano le obiezioni che hanno eliminato i concorrenti né il compromesso che ha reso accettabile il prezzo.
Search Console mostra bene quanto poco di questo percorso torni indietro. Il rapporto dedicato alle funzioni generative, distribuito globalmente nell’agosto 2026, espone impressioni, URL comparsi, Paesi, dispositivi e date. Fra le metriche elencate non figurano né prompt né clic [6]. L’impresa può sapere di essere entrata nella risposta senza sapere quale domanda l’abbia fatta entrare.
È un cambio di posizione nel mercato, non soltanto di analytics. Prima il commerciante poteva osservare almeno una parte della ricerca, del confronto e dell’esitazione del cliente. Ora può ricevere direttamente il risultato di quel lavoro. Più efficiente, certamente. Ma anche più dipendente da chi decide quali alternative meritano di arrivare fino al clic.
La confessione dell’utente diventa spazio pubblicitario
Una conversazione dettagliata non rende soltanto migliore la raccomandazione. Rende più commerciabile il momento della scelta.
Nel maggio 2026 Google ha presentato per AI Mode nuovi formati pubblicitari costruiti con Gemini: le Conversational Discovery ads adattano i contenuti alla richiesta specifica, le Highlighted Answers inseriscono annunci nelle liste di raccomandazioni e i Direct Offers permettono di costruire promozioni e pacchetti usando prodotti e condizioni messi a disposizione dai marchi [7].
L’utente del portatile ha già spiegato che può aspettare uno sconto, che l’autonomia è negoziabile e che alcuni difetti lo fanno rinunciare. Non è più soltanto un pubblico interessato a un prodotto: ha dichiarato quali leve possono ancora spostare la decisione.
La pubblicità, a quel punto, non compra soltanto la parola “portatile”. Compra il margine entro cui quella scelta può ancora essere modificata.
E conoscere meglio l’utente non rende automaticamente più neutrale il consiglio. Il paper Bias Beware, presentato a EMNLP 2025, ha modificato descrizioni di prodotto introducendo leve come prova sociale, sconto, scarsità ed esclusività. La prova sociale aumentava con regolarità sia la probabilità sia la posizione delle raccomandazioni. In un test su metadati reali di Amazon, tre portatili passarono rispettivamente dal 12, 2 e 12% di presenza nelle raccomandazioni di Claude 3.5 al 30, 13 e 32% dopo l’intervento [8].
L’esperimento usa gruppi ridotti di prodotti e gli stessi autori rilevano effetti meno marcati sui dati reali. Ma il punto resta: più il modello entra nella decisione, più diventa importante capire che cosa riesce a influenzarlo.
Il consulente algoritmico può conoscere perfettamente i vincoli del cliente e continuare a essere sensibile alle tecniche costruite per orientarne la scelta. Non basta che ascolti meglio: bisogna chiedersi anche chi riesce a parlargli più forte.
Il profilo che nessuno ha compilato esiste già
Il salto ulteriore avviene quando il dato d’intento smette di descrivere soltanto una scelta commerciale e comincia a descrivere la persona che la sta compiendo. Una conversazione contiene vincoli, abitudini, disponibilità economica, tempi, priorità e contesto. Presi insieme, questi elementi possono produrre un profilo molto più ricco di quanto l’utente abbia mai deciso esplicitamente di fornire.
Il paper Beyond Memorization, presentato a ICLR 2024, ha misurato proprio questa capacità. Su 520 profili Reddit, nove modelli dovevano inferire otto caratteristiche personali, fra cui luogo, età, occupazione e reddito. GPT–4 raggiunse l’85,5% di accuratezza sulla prima risposta e il 95,2% considerando le prime tre ipotesi, con costi cento volte inferiori e tempi 240 volte più brevi rispetto ai valutatori umani [9].
Il dettaglio più significativo è che molte di quelle informazioni non erano state dichiarate direttamente. In un caso, l’espressione “hook turn”, usata parlando di un incrocio, bastava al modello per collocare correttamente l’autore a Melbourne. Il dataset riguarda commenti Reddit pubblicati fra il 2012 e il 2016 e studia profilazione avversaria, non assistenti commerciali in produzione. Ma mostra il punto essenziale: dal testo libero si possono ricavare attributi che l’utente non stava intenzionalmente comunicando.
È qui che il confine fra assistenza e profilazione diventa meno evidente. Non serve chiedere il reddito se il sistema può dedurlo da ciò che una persona racconta sul proprio budget, sulle rate sostenibili o sui tempi di spesa. Non serve compilare un questionario se le risposte sono già disperse nella conversazione.
Quando queste informazioni sono riferibili a una persona, in Europa entrano in gioco i principi del GDPR: finalità determinate, minimizzazione, trasparenza e limitazione della conservazione [10].
L’utente crede di stare spiegando un problema; il sistema, intanto, dispone dei materiali per descrivere anche chi lo sta spiegando.
Alle imprese servono le domande, non le trascrizioni
Ma il problema non si risolve distribuendo il vantaggio informativo insieme ai dati personali. Alle imprese serve qualcosa di diverso: tornare a capire perché un prodotto viene scelto, scartato o ignorato.
La prima battaglia si gioca sull’offerta. Prezzo reale, disponibilità, compatibilità, tempi di consegna, assistenza, resi e costi accessori devono essere espliciti e verificabili. Nel rapporto Adobe, le pagine informative e strutturate risultano più facili da interpretare e citare rispetto alle esperienze dinamiche e povere di contesto [4]. Se l’AI deve confrontare i prodotti prima del cliente, l’impresa deve poterle dare informazioni strutturate su cui confrontarli.
Poi vengono i numeri, ma senza scambiare il traffico selezionato per domanda generata. Un referral AI che converte molto può indicare un ottimo canale oppure semplicemente l’ultimo tratto di una selezione avvenuta altrove. Conversioni, ricavi, resi e riacquisti vanno quindi letti insieme, distinguendo categorie, prodotti e dispositivi.
Il pezzo mancante, il perché, va recuperato direttamente dal cliente. Configuratori, assistenza, CRM e poche domande ben poste possono far emergere esigenze, obiezioni e criteri di scelta con una finalità dichiarata. Non servono migliaia di pagine costruite per inseguire ogni possibile prompt: sarebbe il vecchio rumore SEO con un nuovo acronimo sulla porta.
La priorità, quindi, non è diventare “AI-ready”, ma evitare che l’intermediario sia l’unico soggetto della filiera a conoscere davvero la domanda. Se l’impresa rinuncia anche a chiedere, capire e spiegare, alla piattaforma resterà la relazione con il cliente, e al commerciante solo l’ordine da evadere.
Dopo la relazione col cliente, il rischio è che sparisca anche l’acquisto
Quando un assistente non si limita più a consigliare, ma può gestire riordini, rinnovi, sostituzioni, budget e condizioni nel tempo, l’acquisto smette progressivamente di essere un evento. Diventa una funzione delegata. Non serve più scegliere ogni volta dove comprare e, nelle categorie più automatizzabili, potrebbe non servire nemmeno scegliere ogni volta cosa comprare.
È un cambiamento molto più profondo della perdita di traffico. Oggi il negozio riceve un cliente già selezionato; domani potrebbe ricevere direttamente un ordine deciso da una macchina. Il passo successivo è diventare uno dei fornitori intercambiabili dietro un servizio che possiede la relazione con il cliente.
Il mercato appartiene a chi resta necessario, ed è questa la prospettiva che rende quasi secondaria la disputa su clic, referral e conversioni. Non basta rendere il catalogo leggibile agli agenti: bisogna costruire i motivi perché cliente e agente continuino a tornare proprio lì.
Per le imprese oggi significa muoversi nella direzione opposta alla commoditizzazione: non limitarsi a vendere l’oggetto, ma presidiare ciò che continua dopo la vendita – configurazione, assistenza, manutenzione, aggiornamento, sostituzione, garanzie, riacquisto.
Il prossimo dato d’intento, invece, potrebbe essere la logica con cui un agente decide cosa merita una transazione.
Riferimenti
[1] Google, “AI Mode: How people are using it in the U.S.”, Google Search – AI Mode U.S. Insights, maggio 2026.
[2] Gustavo Adolpho Lucas de Carvalho et al., “A Flash in the Pan: Better Prompting Strategies to Deploy Out–of–the–Box LLMs as Conversational Recommendation Systems”, Proceedings of COLING 2025, pp. 8385–8398.
[3] Vivek Pandya, “Adobe Analytics: Traffic to U.S. retail websites from Generative AI sources jumps 1,200 percent”, Adobe Blog, 17 marzo 2025.
[4] Adobe Digital Insights, “AI Traffic Trends Report”, agosto 2026.
[5] Athena Chapekis e Anna Lieb, “Google users are less likely to click on links when an AI summary appears in the results”, Pew Research Center, 22 luglio 2025.
[6] Hillel Maoz e Moshe Samet, “Introducing Search Generative AI performance reports in Search Console”, Google Search Central Blog, 3 giugno 2026, aggiornato il 31 agosto 2026.
[7] Google, “A new generation of ads for the AI era of Search”, Google Ads & Commerce Blog, 20 maggio 2026.
[8] Giorgos Filandrianos et al., “Bias Beware: The Impact of Cognitive Biases on LLM–Driven Product Recommendations”, Proceedings of EMNLP 2025, pp. 22397–22426.
[9] Robin Staab et al., “Beyond Memorization: Violating Privacy via Inference with Large Language Models”, ICLR 2024.
[10] Parlamento europeo e Consiglio dell’Unione europea, “Regolamento (UE) 2016/679”, Gazzetta ufficiale dell’Unione europea, 27 aprile 2016, art. 5.
Partecipa alla community