Hai un foglio di calcolo aperto. Migliaia di righe. Performance delle campagne, comportamento dei clienti, ricavi per segmento. I dati ci sono. L’intuizione si nasconde da qualche parte lì dentro.

La maggior parte di chi fa marketing non ha studiato statistica. Non ha imparato SQL a scuola. Ma oggi il lavoro pretende che si estragga significato da insiemi di dati che dieci anni fa avrebbero richiesto un analista dedicato. L’88% dei marketer usa ormai strumenti di IA ogni giorno, e l’analisi dei dati è tra gli impieghi principali. La promessa è semplice: fai domande in linguaggio semplice, ottieni risposte senza scrivere codice.

La realtà è più disordinata. Questi strumenti portano valore vero in situazioni specifiche. E falliscono anche in modi prevedibili che la maggior parte dei contenuti sul marketing non menziona. Capire entrambe le cose conta più che scegliere il fornitore “giusto”.

Cosa succede davvero quando carichi un foglio di calcolo

La meccanica è semplice. Carichi i dati. L’IA li legge, di solito tramite Python e la libreria pandas che girano dietro le quinte. Fai una domanda in linguaggio naturale. Il sistema scrive codice internamente, esegue i calcoli e ti restituisce risultati in pochi secondi.

Questo funziona bene per certe domande. “Qual è stata la nostra campagna migliore nell’ultimo trimestre?” produce una risposta ragionevole. “Fammi vedere l’andamento dei ricavi per segmento di clientela” genera un grafico. La velocità è reale. Attività che prima richiedevano di aspettare un analista ora possono succedere in tempo reale.

Ma l’esperienza peggiora in fretta quando le domande diventano sfumate, quando i dati hanno stranezze o quando serve contesto aziendale. Come un blogger ha documentato dopo aver testato ChatGPT su dati di LinkedIn: “The results generated by ChatGPT have been wrong.” I conteggi delle menzioni dei partner erano imprecisi. I confronti sui pattern di testo fallivano del tutto. Alla fine hanno fatto l’analisi manualmente in Google Sheets, usando l’IA come guida invece che come motore.

Questo schema si ripete in tutti i settori. L’IA se la cava con domande analitiche ben strutturate e definite chiaramente. Fa fatica con l’ambiguità, i casi limite e la realtà sporca dei dati di marketing.

Il problema del non determinismo

Ecco una cosa che la maggior parte dei team marketing non scopre finché non ci sbatte contro: fai la stessa domanda due volte, ottieni risposte diverse.

Come ha notato un’analisi su Power BI, “Responses are non-deterministic, so you could get different results with the same prompts and context.” Non è un bug. È il modo in cui funzionano i modelli linguistici di grandi dimensioni. Producono risposte probabilistiche, non calcoli deterministici.

Per l’analisi esplorativa conta meno. Stai cercando schemi, non numeri al centesimo. Ma per la reportistica, per i cruscotti, per qualunque cosa presenterai ad altre persone, serve coerenza. Un’IA che ti dà ricavi diversi il lunedì rispetto al venerdì crea problemi che nessuno vuole mettersi a diagnosticare.

La soluzione è verificare. Ogni spunto va controllato sui dati grezzi. Ma quel passaggio di verifica spesso richiede più tempo di quanto ne avrebbe richiesto fare l’analisi manualmente fin dall’inizio.

Dove l’analisi con l’IA aiuta davvero

Nonostante i limiti, questi strumenti risolvono problemi reali se usati nel modo giusto.

Velocità sulle domande di routine. “Come sono cambiati i tassi di apertura delle email mese su mese?” richiede secondi invece che minuti. Per interrogazioni ad alto volume e bassa complessità, l’IA fa risparmiare tempo in modo costante. I team marketing riportano una produttività più alta del 44% quando usano questi strumenti, risparmiando in media 11 ore a settimana.

Riconoscimento di schemi su larga scala. L’IA può elaborare migliaia di punti dati e trovare correlazioni che a un umano sfuggirebbero. Quali attributi dei clienti prevedono l’abbandono? Quali elementi di una campagna correlano con le conversioni? Domande così beneficiano di una potenza di calcolo che gli esseri umani non hanno.

Accessibilità. Chi fa marketing e non ha mai imparato SQL può interrogare i dati direttamente. Questa democratizzazione conta. Quando gli spunti restano bloccati dietro “guardiani” tecnici, le decisioni rallentano. Il 51% delle organizzazioni non riesce a tracciare il ROI dell’IA o a vedere l’impatto reale sull’attività proprio perché i team non tecnici non riescono ad accedere ai dati di cui hanno bisogno.

Un commentatore su Hacker News ha detto che Perplexity “replaced Google for me. It’s fast, crisp, and reliable” per le ricerche. Lo stesso principio vale per i dati di marketing. Per domande dirette su dati puliti, gli strumenti di IA danno risposte più velocemente dei metodi tradizionali.

La scatola nera e perché conta

“LLMs can still hallucinate, providing inaccurate or fabricated information.” Non lo sta dicendo un critico. È preso dalla documentazione di Microsoft sull’IA in Power BI.

Il problema non è che l’IA sbagli. Anche le persone sbagliano. Il problema è che l’IA sbaglia con sicurezza e non puoi risalire al perché. Quando un analista umano sbaglia un numero, puoi rivedere il metodo, trovare l’errore e correggerlo. Quando l’IA sbaglia un numero, non c’è una traccia di controllo. Nessuna formula da ispezionare. Nessuna logica da seguire.

Per chi fa marketing, questo crea una sfida precisa. Devi giustificare le raccomandazioni alla dirigenza. “L’ha detto l’IA” non è una posizione difendibile quando qualcuno chiede perché stai proponendo di spostare budget. Devi capire la logica abbastanza da spiegarla, e questo spesso significa rifare comunque l’analisi a mano.

Un commentatore su HN l’ha messa giù senza giri di parole: “You have to verify its answers, and this can be very costly. Deep learning is only useful when verifying say 5 solutions is significantly cheaper than coming up with one yourself.”

Il contesto è tutto ciò che manca all’IA

Il traffico è schizzato martedì scorso. L’IA lo vede e potrebbe segnalarlo come un’anomalia da indagare. Quello che l’IA non sa: una testata importante ha citato il tuo marchio. Il sito di un concorrente è andato giù. Il team vendite ha lanciato una promozione lampo. Una festività ha cambiato i comportamenti d’acquisto.

L’IA vede numeri. Non vede il mondo che quei numeri rappresentano.

Questa cecità al contesto appare continuamente nell’analisi di marketing. Le performance di una campagna dipendono dall’attività dei concorrenti, dalla stagionalità, dai cicli di notizie, dai cambiamenti degli algoritmi delle piattaforme e da decine di altre variabili che non compaiono nei tuoi dati. Un’IA che analizza i tassi di apertura delle email in isolamento si perderà il fatto che la recapitabilità è calata perché Gmail ha cambiato i filtri antispam il mese scorso.

Lo spunto: l’IA può identificare cosa è successo e prevedere cosa potrebbe succedere. Non può spiegare perché le cose sono successe. Quella spiegazione richiede contesto aziendale che nessun algoritmo possiede.

Il problema del divario di competenze

Solo il 17% dei marketer ha ricevuto una formazione completa e specifica per il ruolo sull’IA. Un altro 32% non ha ricevuto alcuna formazione formale. Questo divario si vede nei risultati. I team che sanno come porre domande efficaci, come validare i risultati e come interpretare risposte probabilistiche ottengono più valore dei team che trattano l’IA come una macchina di risposte magiche.

La domanda di capacità nel progettare prompt è all’82% mentre la capacità attuale è solo al 28%. La domanda di analisi dei dati è al 68% con appena il 22% di capacità attuale. Gli strumenti ci sono. Le competenze per usarli bene, no.

Questo conta perché un uso mediocre dell’IA spesso produce esiti peggiori di nessun uso. Un marketer che si fida di un’analisi errata dell’IA prende decisioni peggiori di chi ammette di non avere i dati. L’eccesso di fiducia in spunti difettosi è più pericoloso dell’incertezza dichiarata.

Cosa funziona nella pratica

Parti dalle domande, non dagli strumenti. “Cosa dovrebbe analizzare questa IA?” è il punto di partenza sbagliato. “Quale decisione sto cercando di prendere, e quali dati la informerebbero?” porta a risultati migliori.

Usa l’IA per esplorare, non per concludere. Questi strumenti eccellono nell’identificare schemi che vale la pena indagare. Sono meno affidabili nel produrre risposte finali su cui agirai. Pensa all’analisi con l’IA come a un primo passaggio che poi le persone verificano e interpretano.

Tieni gli esseri umani sull’interpretazione. Quando un’IA identifica che i clienti che visitano tre pagine prodotto convertono a tassi più alti, una persona deve stabilire se quell’informazione è azionabile. Visitare più pagine causa la conversione, o le persone che intendono comprare visitano naturalmente più pagine? L’IA non può rispondere. Il giudizio di marketing sì.

Valida senza pietà. Qualunque numero che condividerai con altri, qualunque spunto che guiderà decisioni di budget, qualunque schema che cambierà la strategia richiede una verifica manuale. Il tempo che l’IA risparmia sull’analisi iniziale viene reinvestito nel controllare che l’analisi sia corretta.

La valutazione onesta

Gli strumenti di analisi dei dati con l’IA aiutano davvero chi fa marketing quando vengono usati nel modo giusto. Accelerano le interrogazioni di routine. Trovano schemi che a un umano sfuggirebbero. Rendono i dati accessibili a persone senza una preparazione tecnica.

Falliscono anche in silenzio, non hanno contesto aziendale, producono risultati incoerenti e creano eccesso di fiducia in conclusioni difettose. Il divario tra le promesse di marketing e la capacità reale resta significativo. Il 75% dei team non ha un piano per l’IA, e il 63% non ha politiche sull’IA generativa in vigore.

L’industria dell’IA per il marketing da 47 miliardi di dollari suggerisce che valore reale viene creato. Ma quel valore va alle organizzazioni che capiscono sia le capacità sia i vincoli. Trattare l’IA come un sostituto del pensiero analitico produce risultati peggiori che usarla come complemento al giudizio umano.

Il foglio di calcolo è ancora aperto. I dati hanno ancora spunti nascosti dentro. Gli strumenti di IA possono aiutarti a trovarli più in fretta. Ma l’interpretazione, il contesto, il giudizio su cosa farci con quegli spunti? Quelli restano irriducibilmente umani.

Quali schemi hai trovato che l’IA non ha visto? Quali errori hai intercettato prima che diventassero decisioni?