Ho provato, all’inizio, a chiedere semplicemente a un modello di intelligenza artificiale cosa ne pensasse di una campagna che stava andando male. La risposta era sempre plausibile e quasi sempre inutile: aumenta il budget, prova un pubblico più ampio, testa nuove creatività. Sono consigli che si possono dare a qualsiasi campagna, di qualsiasi settore, in qualsiasi momento. Il problema non era che fossero sbagliati in astratto. Era che non dicevano nulla su quella campagna specifica.
Questo articolo racconta come sono passato da un’AI che commenta a un sistema che diagnostica — e perché la parte più importante del lavoro è stata decidere cosa vietargli di dire.
Il problema con i consigli generici
Un consiglio generico è pericoloso proprio perché non è falso. “Testa nuove creatività” è quasi sempre un’idea ragionevole, il che lo rende anche una risposta comoda da dare quando in realtà non si è capito cosa sta succedendo. Se lo stesso identico consiglio esce per una campagna che genera molti clic senza contatti e per una che non genera clic fin dall’inizio, vuol dire che chi lo produce — umano o AI — non sta distinguendo tra due problemi completamente diversi, con soluzioni completamente diverse.
Il primo lavoro è stato quindi togliere di mezzo i consigli che vanno bene ovunque, per lasciare spazio solo a quelli che valgono per un caso preciso.
Come si distingue un problema di creatività da uno di landing page o modulo
Il percorso di una persona che vede un annuncio ha tappe precise: vede la creatività, eventualmente clicca, arriva su una pagina o apre un modulo, eventualmente lascia un contatto. Ogni tappa persa è un problema diverso.
· Se pochi vedono l’annuncio e ancora meno cliccano, il problema è probabilmente nell’immagine o nel testo: non stanno catturando attenzione.
· Se molti cliccano ma la pagina o il modulo non convertono, il problema è successivo al clic: la creatività ha già fatto il suo lavoro, portando persone interessate; è quello che succede dopo che non funziona.
· E nel caso in cui la frequenza con cui lo stesso annuncio viene mostrato alle stesse persone salga troppo, il problema non è né l’uno né l’altro: è che il pubblico raggiunto si è “consumato” e serve ricambio, non un intervento sul testo o sulla pagina.
Sono tre problemi che, visti da fuori, producono lo stesso sintomo — pochi contatti — ma richiedono interventi opposti. Un sistema che si ferma al sintomo consiglia sempre la stessa cosa. Un sistema che scompone il percorso in tappe può dire quale tappa si sta perdendo.
Perché ho dovuto vietare all’AI certi tipi di consiglio
La parte meno scontata del lavoro non è stata insegnare al sistema a leggere i dati — quello è relativamente diretto. È stata scrivere, in modo esplicito, cosa il sistema non deve proporre.
Il caso più concreto: la prima versione, quando analizzava il testo di un annuncio, a volte proponeva alternative di copy scollegate dal prodotto reale — frasi da manuale di marketing generico, che avrebbero potuto vendere qualsiasi cosa e quindi, di fatto, non vendevano bene niente in particolare. Il correttivo è stato imporre una regola semplice: qualsiasi proposta deve restare dentro la stessa offerta, lo stesso pubblico, lo stesso settore del testo esistente. Non “scrivi un copy che converte di più” in astratto, ma “scrivi un’alternativa per questo prodotto, per queste persone”.
La stessa logica vale per le decisioni con un costo più alto, come cambiare un pubblico o la struttura di una campagna: qui il sistema segnala che c’è qualcosa da valutare, ma non prescrive la soluzione. Sono scelte che richiedono contesto — accordi commerciali, stagionalità, budget disponibile — che il modello semplicemente non ha, e fingere che lo abbia produrrebbe sicurezza, non accuratezza.
Un esempio concreto di diagnosi corretta
Il caso più chiaro che ho visto: una campagna con moltissimi clic e pochissimi contatti, un rapporto che a occhio sembrava un fallimento della creatività. La diagnosi automatica ha indicato l’opposto: la creatività stava funzionando bene, visto quanti clic generava; il problema era tra il clic e il contatto, quindi da cercare nella pagina di destinazione o nel modulo. Verificando manualmente, il modulo era effettivamente troppo lungo rispetto a quello che l’offerta prometteva.
Senza quella distinzione, l’intervento naturale sarebbe stato cambiare l’immagine — l’unica parte visibile del problema — lasciando intatta la causa reale.
Dove l’AI aiuta davvero e dove serve ancora l’occhio umano
Il sistema è affidabile quando deve leggere numeri e collocarli in una tappa del percorso: questo è un compito meccanico, ripetibile, che un’AI fa bene e più in fretta di una persona che scorre account uno per uno. Diventa meno affidabile quando la domanda richiede di conoscere cose che non sono nei dati — un accordo particolare con il cliente, un evento stagionale, una scelta di posizionamento presa altrove.
La regola pratica che uso: il sistema può dire “qui c’è un problema, ed è probabilmente in questo punto del percorso”. Non gli chiedo di dire “e quindi fai esattamente questo”, se la risposta richiede di sapere cose che non ha modo di sapere.
