Il rapporto tra media buyer e intelligenza artificiale sta entrando in una fase più concreta. Non resta più circoscritto soltanto alla possibilità di utilizzare ChatGPT per scrivere alcune varianti di copy o per trovare idee creative, ma si estende progressivamente l’analisi dei dati, la configurazione delle campagne, la distribuzione del budget e, in prospettiva, perfino all’acquisto degli spazi pubblicitari.
La riflessione nasce da una mail circolata nelle ultime ore, apparentemente collegata a un’applicazione chiamata “MetaAI Ads GPT”, presentata come uno strumento capace di semplificare la creazione e la gestione delle campagne attraverso l’intelligenza artificiale. Il messaggio, proveniente dall’indirizzo `accountdesk@reachlyne.co`, contiene numerosi elementi che gli impediscono di essere una comunicazione ufficiale di OpenAI, Meta o di un’altra piattaforma pubblicitaria riconosciuta.
Non è però la presunta applicazione il punto più interessante. È il fatto che la proposta risulti immediatamente credibile, almeno sul piano concettuale, perché descrive esattamente la direzione verso cui si sta muovendo il mercato: un ambiente nel quale l’advertiser non utilizza più soltanto un pannello tecnico, ma dialoga con un sistema AI pienamente in grado di leggere l’account, interpretare le performance e tradurre un obiettivo commerciale in una serie di operazioni pubblicitarie.
OpenAI ha già avviato la propria attività pubblicitaria all’interno di ChatGPT, introducendo modalità di acquisto e gestione delle campagne e sviluppando una piattaforma dedicata agli inserzionisti. Parallelamente, Meta continua a espandere Advantage+, mentre Google sta portando AI Max fuori dalla fase beta e prevede di aggiornare progressivamente alcune funzionalità storiche delle campagne Search. Non ci troviamo quindi di fronte a una semplice moda legata ai chatbot, ma a una trasformazione strutturale dell’intermediazione pubblicitaria.
Media buyer e intelligenza artificiale: il cambiamento non inizia da ChatGPT
Quando si parla di AI applicata all’advertising, si tende a concentrare l’attenzione sui modelli linguistici come ChatGPT e Claude. In realtà, il media buying è già da tempo governato da sistemi automatici che decidono una parte rilevante della distribuzione.
Le piattaforme stabiliscono a chi mostrare un annuncio, quanto offrire in una determinata asta, quale creatività privilegiare e in quale momento aumentare o ridurre l’esposizione. Il passaggio da campagne prevalentemente manuali a sistemi come Advantage+, Performance Max e AI Max non ha inserito improvvisamente l’automazione, ma ha progressivamente diminuito il numero di decisioni operative controllate direttamente dall’inserzionista.
Meta definisce Advantage+ un insieme di soluzioni basate sull’intelligenza artificiale e sull’automazione, utilizzabili sia lungo l’intero processo della campagna sia su singole attività. Google, invece, descrive AI Max come una suite capace di ampliare il matching delle ricerche, adattare gli annunci e ottimizzare in tempo reale messaggi e destinazioni.
Questo significa che il lavoro del media buyer aveva già cominciato a cambiare prima della diffusione dei chatbot generativi. La differenza è che ChatGPT, Claude e gli agenti AI aggiungono un nuovo livello: rendono l’automazione accessibile attraverso il linguaggio naturale.
Anziché entrare nel pannello, applicare filtri, esportare dati e costruire manualmente un confronto, il professionista può chiedere al sistema di individuare le campagne che stanno peggiorando, confrontare il costo di acquisizione tra periodi differenti, verificare se una riduzione del ROAS dipenda dal traffico, dalla conversione o dal valore medio dell’ordine.
Questa interfaccia conversazionale non sostituisce necessariamente la piattaforma pubblicitaria, ma cambia il modo in cui il professionista vi accede.
È una dinamica coerente con quanto già osservato nella trasformazione di [Meta Andromeda e del lavoro del media buyer](https://giovanniperilli.com/blog/metaandromeda-ai-come-funziona-il-nuovo-motore-pubblicitario-di-meta-e-come-cambia-il-lavoro-del-media-buyer/): mentre l’algoritmo assume maggiore controllo sulla delivery, il valore umano si sposta dalla regolazione manuale delle campagne alla qualità degli input, dell’analisi e delle decisioni successive.
Dal pannello pubblicitario all’interfaccia conversazionale
L’evoluzione più plausibile non consiste nella scomparsa immediata di Ads Manager o Google Ads, ma nella loro progressiva trasformazione in infrastrutture sottostanti.
Il media buyer continuerà ad adoperare le piattaforme, ma potrebbe farlo sempre più spesso attraverso un livello conversazionale. Potrà chiedere di creare una campagna per un determinato servizio, definire il budget massimo, indicare le aree geografiche da escludere, caricare le creatività e determinare il costo per acquisizione desiderato. Il sistema tradurrà poi queste istruzioni in impostazioni operative.
In una fase successiva, l’AI potrebbe confrontare automaticamente i dati delle campagne con quelli del CRM, del sito, dell’ecommerce e del gestionale, restituendo un’analisi che non si limita al lead o all’acquisto registrato dalla piattaforma.
Questa prospettiva è importante perché uno dei limiti storici del media buying deriva dalla frammentazione informativa. Meta conosce ciò che avviene nel proprio ecosistema, Google interpreta i segnali raccolti attraverso i suoi strumenti, mentre il CRM conserva le informazioni commerciali effettive. Il professionista è spesso costretto a collegare manualmente questi livelli per capire se una campagna stia generando clienti reali oppure soltanto conversioni formalmente convenienti.
Un assistente AI collegato a tutte le fonti potrebbe evidenziare, per esempio, che una campagna produce lead a un costo inferiore ma con una percentuale di chiusura molto più bassa, oppure che un determinato pubblico acquista meno frequentemente ma genera clienti con un valore superiore nel lungo periodo.
Il vantaggio non sarebbe quindi soltanto l’esecuzione più veloce. Sarebbe la possibilità di valutare le campagne attraverso una visione economica più completa.
Cosa può fare oggi ChatGPT o Claude per un media buyer
L’utilizzo più maturo dell’intelligenza artificiale nell’advertising non consiste nel chiedere al modello di “creare una campagna vincente”. Una richiesta di questo tipo genera inevitabilmente indicazioni generiche, perché il sistema non dispone del contesto necessario per prendere una decisione affidabile.
Il valore emerge quando il modello riceve dati, vincoli, storico e obiettivi ben definiti.
Può analizzare esportazioni di Meta Ads o Google Ads, sintetizzare grandi quantità di informazioni, individuare variazioni anomale, confrontare segmenti, classificare le creatività e aiutare a formulare ipotesi da verificare. Può inoltre velocizzare la produzione di report, trasformando tabelle complesse in una lettura comprensibile per un cliente o per la direzione aziendale.
Attraverso connettori, API e infrastrutture basate su MCP, modelli come Claude e ChatGPT possono essere collegati a fonti esterne e, in alcuni casi, a strumenti che leggono o gestiscono dati pubblicitari. Tuttavia, una parte delle soluzioni oggi disponibili è realizzata da fornitori terzi e non rappresenta necessariamente un’integrazione ufficiale della piattaforma pubblicitaria. Questo rende indispensabile verificare chi gestisce il collegamento, quali autorizzazioni richiede e dove vengono elaborati i dati.
L’analisi dei dati diventa più veloce, non automaticamente più corretta
Un modello linguistico può riconoscere che il costo per risultato è aumentato mentre il CTR è rimasto stabile e il tasso di conversione della landing page è diminuito. Può quindi suggerire che il problema si trovi dopo il clic e non necessariamente nella campagna.
Questa lettura può essere utile, ma resta subordinata alla qualità dei dati ricevuti. Un tracciamento incompleto, conversioni duplicate, finestre di attribuzione differenti o eventi configurati male possono portare il sistema a costruire un’analisi formalmente coerente su informazioni inaffidabili.
Il problema non viene risolto dall’intelligenza artificiale. Al contrario, l’AI, grazie alla sua capacità di spiegare i concetti con un linguaggio ordinato e apparentemente sicuro, può rendere credibile un’interpretazione sbagliata.
Per questo il tracciamento delle campagne Meta (https://giovanniperilli.com/blog/come-funziona-il-tracciamento-pixel-di-facebook-e-perche-e-fondamentale-per-chi-fa-advertising/) e la qualità della misurazione diventano ancora più importanti. Più le decisioni vengono automatizzate, più un errore alla fonte può propagarsi rapidamente su budget, creatività e distribuzione.
La produzione creativa aumenta, ma aumenta anche il rumore
ChatGPT, Claude e i modelli multimodali consentono di produrre più rapidamente angoli di comunicazione, headline, script, immagini e variazioni degli annunci. Le piattaforme possono poi combinare automaticamente questi asset e distribuirli in base ai segnali raccolti.
Il vantaggio operativo è evidente: un team può testare un numero di ipotesi molto superiore rispetto al passato. Il rischio, però, è confondere la quantità delle varianti con la qualità della strategia creativa.
Se tutti usano gli stessi modelli, gli stessi prompt e le stesse strutture persuasive, il risultato non è necessariamente una maggiore differenziazione. Può verificarsi l’opposto: una crescita esponenziale di contenuti formalmente corretti, ma simili tra loro.
È un passaggio già visibile nella gestione delle creatività per Meta Ads (https://giovanniperilli.com/blog/ottimizzare-le-creativita-meta-ads/), dove la capacità di produrre molte varianti deve essere accompagnata da un sistema capace di distinguere realmente concept, promesse, obiezioni, formati e livelli di consapevolezza del pubblico.
Sebbene L’AI possa moltiplicare gli asset automaticamente, non determina quale posizionamento renda un’offerta più rilevante rispetto alle alternative.
Il media buyer non scompare, ma perde alcune delle attività che lo definivano
Una parte del lavoro operativo sarà inevitabilmente assorbita dalle piattaforme e dagli assistenti AI. La regolazione manuale di alcune offerte, la creazione ripetitiva di varianti, l’esportazione dei report e una parte del controllo quotidiano saranno progressivamente automatizzate.
Questo non significa che ogni media buyer verrà sostituito, ma che alcune competenze, considerate centrali fino a pochi anni fa, avranno un valore economico inferiore.
Sapere dove cliccare per creare una campagna, conoscere la posizione di ogni impostazione o essere molto veloci nell’esportazione dei dati non rappresenterà più un vantaggio sufficiente. Quando il sistema può eseguire queste attività attraverso un comando, la differenza professionale deve essere evidente nel prima e nel dopo l’esecuzione.
Prima, nella capacità di scegliere l’obiettivo corretto, organizzare i dati, formulare un’ipotesi e tradurre il modello di business in segnali comprensibili dall’algoritmo.
Dopo, nella capacità di interpretare il risultato, riconoscere i limiti dell’attribuzione, distinguere una correlazione da una causa e decidere se accettare o correggere la raccomandazione automatica.
Il cambiamento è simile a quello già avvenuto con la diffusione delle campagne automatizzate. Come emerge dal confronto tra Meta Advantage e campagne manuali (https://giovanniperilli.com/blog/meta-advantage-vs-campagne-manuali-quando-scegliere-luno-o-laltro-e-perche/), il problema non è scegliere ideologicamente tra controllo umano e automazione, ma capire quali decisioni affidare al sistema e quali mantenere sotto supervisione.
Il nuovo vantaggio competitivo sarà la qualità del contesto
Un sistema AI non conosce automaticamente i margini dell’impresa, la capacità commerciale, i tempi medi di chiusura, la stagionalità, le aree geografiche realmente servite o il tipo di cliente che l’azienda vuole evitare.
Se riceve soltanto un obiettivo di generazione lead, tenderà a cercare il maggior numero di lead compatibili con i segnali disponibili. Non può sapere che il reparto commerciale non riesce a gestire più di cinquanta richieste alla settimana, che alcune zone producono appuntamenti poco profittevoli o che un determinato servizio ha un margine troppo basso per sostenere il costo pubblicitario.
Il media buyer del futuro dovrà quindi diventare un progettista del contesto nel quale opera l’automazione.
Dovrà definire quali dati entrano nel sistema, quali conversioni hanno davvero valore, quali vincoli non devono essere superati e quali indicatori hanno la precedenza. Il suo lavoro sarà meno focalizzato sulla modifica continua delle campagne e più vicino all’orchestrazione di dati, creatività, offerta, vendita e tecnologia.
Questo vale anche per Google, dove l’estensione progressiva di AI Max nelle campagne Search (https://giovanniperilli.com/blog/google-ai-max-la-nuova-frontiera-delle-campagne-senza-keyword/) sposta parte del controllo dalle keyword tradizionali alla capacità del sistema di interpretare pagine, asset, query e segnali di conversione.
Quando le piattaforme automatizzano il matching, il bidding e parte della generazione degli annunci, la qualità della landing page, del feed, delle conversioni e dell’architettura informativa assume un peso superiore. L’algoritmo può ottimizzare solo ciò che riesce a leggere.
Le ripercussioni sul mercato delle agenzie e dei freelance
L’impatto dell’intelligenza artificiale non sarà uniforme. Le attività più esposte sono quelle costruite prevalentemente sull’esecuzione standardizzata: configurazione delle campagne, reportistica descrittiva, produzione di copy generici e ottimizzazioni effettuate seguendo regole ripetitive.
Questi servizi non spariranno completamente, ma saranno più difficili da vendere come attività ad alto valore. Un cliente potrebbe ragionevolmente chiedersi perché pagare molte ore di lavoro per un report che un modello può produrre in pochi minuti o per una struttura di campagna che la piattaforma può generare attraverso una procedura guidata.
Le agenzie dovranno quindi dimostrare valore in aree più vicine al risultato economico: strategia dell’offerta, progettazione della misurazione, organizzazione dei test, lettura dei dati di vendita, supervisione dei sistemi automatici e integrazione tra marketing e processo commerciale.
Anche il modello di pricing potrebbe cambiare. Diventerà più difficile giustificare compensi basati esclusivamente sulle ore impiegate quando l’automazione riduce il tempo necessario per molte operazioni. Potrebbero acquisire maggiore rilevanza formule legate alla complessità del progetto, alla responsabilità gestita, alla qualità dell’infrastruttura o agli obiettivi economici.
Allo stesso tempo, l’AI abbassa la soglia di accesso all’advertising. Piccole imprese e professionisti che in precedenza non disponevano delle competenze per impostare una campagna potranno iniziare più facilmente. Questo allargherà il mercato, ma aumenterà anche il numero di inserzionisti e, di conseguenza, la pressione competitiva nelle aste.
L’automazione non rende necessariamente la pubblicità meno costosa. Se consente a più aziende di entrare nel sistema, può aumentare la domanda di attenzione e rendere ancora più importante la capacità di costruire offerte e creatività differenziate.
Cosa deve ancora migliorare prima che l’AI possa gestire davvero una campagna
La direzione è chiara, ma l’attuale generazione di strumenti presenta limiti rilevanti.
Il primo è la trasparenza. Le piattaforme automatizzate assumono sempre più decisioni, ma spesso restituiscono spiegazioni insufficienti sui motivi che hanno determinato la distribuzione. Una raccomandazione può essere corretta, ma il professionista deve poter comprendere su quali segnali si basa e quali variabili sono state considerate.
La ricerca sull’intelligenza artificiale spiegabile applicata all’advertising sottolinea proprio il problema dell’opacità: sistemi capaci di ottimizzare targeting, pricing e rilevanza dispongono di dati non accessibili agli inserzionisti, rendendo più difficile valutare e contestare le decisioni automatiche.
Il secondo limite riguarda l’affidabilità operativa. Un assistente collegato a un account pubblicitario non dovrebbe soltanto eseguire un comando, ma riconoscere quando la richiesta è incoerente, rischiosa o basata su dati insufficienti. Prima di aumentare un budget dovrebbe verificare la stabilità del tracciamento, la disponibilità del prodotto, la capacità commerciale e l’effettivo valore delle conversioni.
Il terzo elemento, le autorizzazioni. Un conto è consentire all’AI di leggere i dati, un altro è permetterle di modificare campagne, budget o creatività. I sistemi più maturi dovranno introdurre livelli di accesso granulari, registri delle operazioni, procedure di approvazione e possibilità di annullamento.
Il quarto si lega alla gestione del brand. Le piattaforme stanno implementando la produzione automatica di immagini e varianti, ma i risultati possono alterare prodotti, tono e messaggi. Segnalazioni recenti mostrano come alcune aziende abbiano incontrato problemi con asset generati o modificati automaticamente, rendendo necessario un controllo umano più accurato.
Infine, deve migliorare la capacità di integrare risultati di breve e lungo periodo. Le piattaforme sono molto efficienti quando devono ottimizzare una conversione misurabile, ma un’impresa non vive soltanto di clic, lead o acquisti immediati. Esistono reputazione, posizionamento, qualità del cliente, marginalità, riacquisto e valore complessivo della relazione.
Finché questi elementi non saranno rappresentati correttamente nei dati, l’automazione continuerà a ottimizzare una versione parziale del business.
ChatGPT Ads apre anche un nuovo mercato per gli inserzionisti
Il rapporto tra ChatGPT e advertising non riguarda soltanto l’utilizzo dell’AI per gestire campagne su Meta o Google. OpenAI sta sviluppando un proprio ecosistema pubblicitario, basato sull’idea di raggiungere gli utenti mentre esplorano possibilità, confrontano alternative e prendono decisioni.
Questa impostazione potrebbe creare una forma di advertising differente dalla ricerca tradizionale. Su Google l’utente esprime spesso un intento attraverso una query; in ChatGPT costruisce un dialogo nel quale specifica progressivamente bisogni, vincoli, preferenze e criteri di scelta.
Per gli inserzionisti, la rilevanza potrebbe quindi dipendere meno dalla corrispondenza con una singola keyword e maggiormente dalla capacità di inserirsi in un contesto decisionale complesso. OpenAI ha dichiarato di voler sviluppare nuove modalità di acquisto, sistemi CPC e strumenti di misurazione all’interno della propria piattaforma pubblicitaria.
Questo apre domande ancora irrisolte. Sarà necessario capire quanto l’annuncio sarà separato dalla risposta organica, come verrà gestita la trasparenza, quali dati potranno utilizzare gli inserzionisti e in che modo verranno attribuite le conversioni generate da conversazioni lunghe e distribuite nel tempo.
Per il media buyer significa prepararsi a un ambiente nel quale la pubblicità non sarà più soltanto inserita in un feed o associata a una query, ma potrà comparire all’interno di un processo di consulenza svolto da una macchina.
Il futuro del media buyer non è diventare un prompt specialist
L’errore più semplice sarebbe sostituire una competenza tecnica con un’altra e immaginare che il professionista del futuro debba limitarsi a saper scrivere prompt.
Il prompt è soltanto un’interfaccia. Può migliorare la qualità dell’output, ma non sostituisce la capacità di capire quale problema debba essere risolto.
Un media buyer competente non sarà tale perché conosce una formula particolarmente sofisticata da inserire in ChatGPT. Sarà competente perché sa quali dati fornire, quali informazioni escludere, quali controlli effettuare e come valutare la risposta ricevuta.
La vera specializzazione non sarà parlare con l’AI, ma costruire sistemi nei quali l’AI possa operare senza allontanarsi dagli obiettivi dell’impresa.
Per un libero professionista questo significa utilizzare l’automazione per dedicare meno tempo alle attività ripetitive e più tempo alla comprensione del cliente. Per un’agenzia equivale a integrare dati pubblicitari, CRM, creatività e vendita in un processo coerente. Mentre per un’impresa, non delegare alla piattaforma la definizione degli obiettivi, ma fornirle segnali migliori.
La professione cambia quando l’esecuzione non è più il principale valore
La mail ricevuta oggi non rappresenta, con ogni probabilità, il lancio credibile di uno strumento ufficiale. Delinea però bene il quadro che si sta formando intorno all’advertising: un sistema nel quale basta collegare un account, descrivere il risultato desiderato e lasciare che l’intelligenza artificiale faccia il resto.
La tecnologia si sta effettivamente muovendo in quella direzione, ma il passaggio non elimina la complessità. La sposta.
Meno complessità nella configurazione manuale, più complessità nella qualità dei dati. Meno tempo dedicato ai report, più responsabilità nella loro interpretazione. E meno controllo diretto su targeting e bidding, più attenzione agli input che guidano gli algoritmi. Maggiore velocità nella produzione creativa, ma maggiore difficoltà nel distinguersi.
Il media buyer che basa il proprio valore esclusivamente sull’utilizzo del pannello sarà sempre più esposto all’automazione. Quello che comprende il business, collega le fonti informative, supervisiona i modelli e trasforma i dati in decisioni continuerà ad avere un ruolo centrale.
Non perché l’intelligenza artificiale sia incapace di gestire le campagne, ma perché una campagna non coincide con il business che dovrebbe sostenere.
