AI e Advertising: il futuro della creatività e dell’ottimizzazione delle campagne

di Alberto Narenti

Nel nuovo scenario della pubblicità digitale, dominato da machine learning, privacy-first e automatismi, emerge un nuovo ruolo per gli advertiser: meno esecutori, più strateghi. In questo articolo esploriamo come l’Intelligenza Artificiale stia cambiando il lavoro dell’advertiser, tra creatività liquida, ottimizzazione predittiva e nuovi modelli di attribuzione come il Marketing Mix Modeling. Un viaggio ispirato da Join or Die di Patrick Gilbert, libro fondamentale per chi vuole sopravvivere (e vincere) nell’advertising moderno.

Di cosa parleremo in questo articolo:

Benvenuti nell’era degli algoritmi
L’automazione dell’automazione: il caso AlphaZero
Dal CPC manuale alla guida strategica
Liquidity e Micro-Moment: quando l’AI funziona davvero
Confidence vs Accuracy: evitare le illusioni
Attribution: tutti i modelli sono sbagliati (ma alcuni sono utili)
MMM e AI: alleati, non alternativi
Il vero valore umano: creatività, strategia, pensiero critico
Join or Die

Benvenuti nell’era degli algoritmi

Una volta il lavoro dell’advertiser era artigianale. Si costruivano campagne pezzo per pezzo, si ottimizzava manualmente il CPC, si segmentavano gruppi di annunci come una scacchiera.

Oggi, invece, siamo entrati in una nuova era: quella dell’ “Automation of Automation“.

Come racconta Patrick Gilbert in Join or Die, il ruolo dell’inserzionista non è più quello di chi maneggia leve manuali. L’advertiser moderno è un domatore di algoritmi, un allenatore strategico che lavora per costruire le condizioni ideali in cui l’intelligenza artificiale possa imparare, esplorare e ottimizzare.

“It’s not about who has the best data anymore. It’s about how you use that data.”

L’automazione dell’automazione: il caso AlphaZero

Nel 2017, AlphaZero è diventato il simbolo dell’apprendimento automatico. In sole 4 ore ha imparato da zero a giocare a scacchi e ha sconfitto Stockfish 8, il più potente motore scacchistico esistente all’epoca.

Come? Giocando contro se stesso, senza che nessuno gli insegnasse le regole.

Questo paradigma è oggi applicabile anche all’advertising: non serve più dire all’algoritmo cosa fare, ma dove e come imparare. Il nostro ruolo diventa quello di costruire l’ambiente giusto e nutrire il modello con dati significativi.

Dal CPC manuale alla guida strategica

Nel libro, Gilbert descrive due profili:

Inserzionista tradizionale
Preferisce il controllo manuale
Si affida a strutture granulari, targeting rigidi e split test
Misura il successo sulla base di metriche “vanity” e ragiona a silos

Inserzionista moderno
Si fida dell’algoritmo
Costruisce ambienti liquidi, flessibili
Punta su audience ampie, creatività dinamiche, modelli predittivi

Il futuro è ovviamente il secondo. L’advertiser efficace è colui che crea le condizioni per far emergere i pattern più promettenti, lasciando spazio di esplorazione all’AI.

Ma attenzione: fidarsi dell’algoritmo non significa abdicare alla strategia. Al contrario, l’inserzionista moderno deve sviluppare una conoscenza ancora più profonda del contesto in cui operano le sue campagne.

Questo include:

La comprensione dei competitor diretti e indiretti
L’analisi della value proposition del proprio brand, rispetto al mercato
Il monitoraggio dei trend economici e dei cambiamenti culturali
La lettura dei bisogni emergenti e dei segnali deboli nel comportamento degli utenti

Solo chi conosce bene il terreno di gioco può guidare l’algoritmo nel prendere decisioni efficaci. Perché, come ogni buon allenatore, l’inserzionista non gioca al posto della macchina, ma ne massimizza le potenzialità con visione, contesto e direzione strategica.

Liquidity e Micro-Moment: quando l’AI funziona davvero

Il concetto di liquidità è centrale. Significa togliere vincoli inutili e lasciar fluire i budget verso le impression più di valore.

Le 4 forme di liquidity:

Placement liquidity: significa abbandonare la logica dei posizionamenti fissi o preferenziali, lasciando che la piattaforma individui in autonomia i placement più efficaci in base alle performance in tempo reale. Questo include display, video, search e ambienti cross-device.
Audience liquidity: evitare di forzare la piattaforma su segmenti troppo stretti o predefiniti. Meglio fornire segnali forti (es. conversioni, lead qualificati) e lasciare che l’algoritmo espanda automaticamente i pubblici affini.
Budget liquidity: invece di frammentare il budget su molteplici campagne o asset, è più efficace aggregarlo in pochi contenitori intelligenti. Questo permette alla piattaforma di allocare dinamicamente le risorse dove ha più margine di rendimento.
Creative liquidity: fornire un set variegato di asset (immagini, headline, video, formati) affinché la piattaforma possa testare, combinare e ottimizzare autonomamente le creatività in base al contesto.

Questa “fluidità controllata” permette di cogliere al meglio i micro-moments, quei momenti chiave in cui l’utente è mentalmente pronto ad agire: “voglio sapere”, “voglio andare”, “voglio fare”, “voglio comprare”. Ma per far sì che la piattaforma riesca davvero a intercettare questi istanti, è fondamentale che l’advertiser conosca il contesto in cui si muove: chi sono i competitor, qual è la value proposition unica che può emergere, come si stanno evolvendo le abitudini d’acquisto, quali trend economici possono influenzare la propensione alla spesa.

Solo unendo questa consapevolezza al potenziale dell’automazione si può costruire un ecosistema davvero reattivo, liquido e performante.

Confidence vs Accuracy: evitare le illusioni

Uno dei passaggi più illuminanti del libro riguarda la differenza tra:

Confidence: quanto l’algoritmo è sicuro di una previsione
Accuracy: quanto quella previsione è realmente corretta

Troppe campagne sono ottimizzate su dati sbagliati ma molto sicuri (vedi: conversioni spurie, eventi post-click non causali). Questa dissonanza deriva spesso da un affidamento cieco su segnali di superficie che non riflettono un impatto reale sulle vendite o sul business.

Per risolvere questo problema, servono modelli robusti capaci di distinguere tra correlazione e causalità. Qui entrano in gioco due grandi famiglie di approccio statistico: frequentista e bayesiano.

Il metodo frequentista si basa sull’analisi di campioni rappresentativi e sulla validazione attraverso test di ipotesi. È utile per ottenere risultati affidabili quando si dispone di grandi volumi di dati stabili nel tempo.

Il metodo bayesiano, invece, aggiorna continuamente le probabilità sulla base di nuove evidenze. Questo lo rende estremamente efficace in ambienti dinamici come quello pubblicitario, dove i dati cambiano rapidamente e l’adattività è un vantaggio.

In entrambi i casi, il punto centrale è avere la volontà di resettare il modello, rimuovere le ipotesi errate e rimettere in fase di apprendimento l’algoritmo. Non per debolezza, ma per forza: quella di chi accetta che ogni previsione è un’ipotesi da validare, non una verità assoluta. Gli A/B test su Google e Meta sono un vero atto di umiltà algoritmica e, al tempo stesso, di consapevolezza professionale.

A questo proposito, è fondamentale anche imparare a leggere in modo critico i risultati. Recenti studi accademici hanno evidenziato come il modo in cui queste piattaforme dividono gli utenti tra gruppo di controllo e gruppo test possa generare skewed delivery, ovvero una distribuzione distorta che compromette l’affidabilità dell’esperimento stesso (Ali et al., 2023).

Inoltre, spesso gli algoritmi tendono a ottimizzare troppo presto sulla base di segnali iniziali, portando a una sovrastima dell’efficacia della campagna. Questo fenomeno, unito a un’errata interpretazione statistica, può portare i marketer a trarre conclusioni affrettate o addirittura fuorvianti.

Per questo motivo, è importante non avere paura di rimettere in apprendimento l’algoritmo, soprattutto dopo test che mostrano risultati ambigui o incoerenti. L’apprendimento automatico funziona solo se continuamente alimentato da feedback validi. Questo richiede una cultura della sperimentazione più rigorosa, meno influenzata dalla pressione a trovare “risultati vincenti” a tutti i costi.

Attribution: tutti i modelli sono sbagliati (ma alcuni sono utili)

Gilbert lo scrive chiaro: l’attribuzione perfetta non esiste.

Il modello data-driven di Google ha grandi potenzialità, ma è opaco. Non sappiamo cosa pesa davvero. Sappiamo solo che si basa sui pattern interni ai tuoi dati.

Per questo strumenti alternativi come il Marketing Mix Modeling (MMM) stanno tornando in auge. Perché offrono:

Una visione olistica dei canali, non solo digitali
La capacità di distinguere causalità e correlazione
L’integrazione di fattori esogeni (stagionalità, macrotrend, concorrenza)

MMM e AI: alleati, non alternativi

Il MMM è spesso visto come un metodo old school. In realtà, è sempre più basato su modelli di machine learning.

Come illustrato nel documento “The Privacy-First Mobile Measurement Method“, un buon modello MMM oggi:

Usa tecniche bayesiane e/o frequentiste, inclusa la regressione lineare e non lineare
Tiene conto di adstock e saturazione
Si alimenta con dati aggregati, privacy-compliant

In un mondo dove i dati di tracciamento utente stanno scomparendo (vedi: ATT, Privacy Sandbox), il MMM diventa una bussola alternativa, per continuare a ottimizzare la spesa pubblicitaria con modelli affidabili.

Il vero valore umano: creatività, strategia, pensiero critico

Nessuna Intelligenza Artificiale, per quanto evoluta, potrà sostituire la capacità umana di leggere tra le righe, collegare i puntini e costruire visioni strategiche in contesti incerti.

Nel caos di KPI, formati e piattaforme, ciò che davvero distingue un advertiser efficace è la capacità di definire con chiarezza l’obiettivo della campagna: generare domanda? Consolidare brand equity? Stimolare la prova? È una scelta che richiede comprensione profonda del contesto di business, degli stadi del customer journey e dei segnali di attenzione disponibili (es. Share of Search, SoV, etc.).

L’algoritmo può aiutare a scalare un messaggio, ma non può creare senso. Solo l’essere umano può definire una proposta di valore rilevante, distintiva, coerente con il posizionamento e le aspettative di un mercato in continua evoluzione. Come dimostrano anche le evidenze dell’IPA SoS ThinkTank, i brand che hanno un eSoS (excess Share of Search) superiore alla loro quota di mercato tendono a crescere più rapidamente.

Un buon advertiser non si limita a guardare i propri dati, ma interpreta segnali deboli nel comportamento dei consumatori, nei movimenti dei competitor, nei cambi di paradigma culturale o tecnologico.

Saper anticipare i cambiamenti è fondamentale per guidare l’AI in modo efficace. L’analisi continua del contesto e del mercato, anche attraverso indicatori come Share of Voice, Share of Search e attenzione media, permette di costruire strategie più intelligenti.

L’accesso al dato non è un vantaggio competitivo. Lo diventa solo quando si è in grado di leggerlo davvero, andando oltre le apparenze. Significa saper individuare pattern nascosti, distinguere tra ciò che funziona superficialmente e ciò che genera valore in profondità, collegare numeri a dinamiche psicologiche, culturali ed economiche. L’insight non nasce dal dato grezzo, ma dall’unione tra capacità analitica e intuito strategico. È questo che orienta le decisioni nel lungo periodo.

Ecco perché nessuna intelligenza artificiale potrà mai sostituire del tutto il pensiero umano. Solo una mente consapevole può scegliere con lucidità l’obiettivo più adatto a un determinato contesto, formulare una value proposition che sia davvero rilevante per il pubblico, leggere e interpretare un mercato in evoluzione costante, generare insight capaci di guidare l’innovazione.

Come ricorda Gilbert, il nostro lavoro non è finito. Sta solo cambiando. Il valore umano si sposta verso l’alto: lasciamo l’esecuzione agli automatismi, ma restiamo i veri architetti della strategia.

Join or Die

Il messaggio è semplice quanto potente: o ci si evolve, o si resta indietro.

Ma non è solo una questione tecnica. È una rivoluzione culturale: un cambio di mentalità.

Lasciare andare il controllo ossessivo. Accettare l’incertezza. Sviluppare nuove abilità. Costruire ecosistemi, non campagne. Allenare l’AI con intelligenza umana.

Solo così, davvero, potremo unire creatività e performance, diventando inserzionisti del futuro.

Cosa può fare SAY

In SAY crediamo che l’AI sia una leva, non un sostituto. Ecco come aiutiamo i nostri clienti:

Architetture di campagna liquide e smart, senza strozzature
Setup AI-friendly: creatività dinamiche, budget condivisi, pubblici ampi
Test incrementali per validare l’apprendimento dell’algoritmo
Marketing Mix Modeling per leggere la big picture e ottimizzare il ROI
Dashboard di lettura critica, per decodificare i segnali del sistema ed avere una visione olistica, non faziosa

Vuoi portare la tua strategia pubblicitaria in una nuova era? Contatta SAY S.p.A. per una consulenza personalizzata: possiamo aiutarti a costruire un ecosistema media intelligente, creativo, liquido.

AI o non AI: cosa scegli?

Join

Die