Ho scritto la prima versione di questo pezzo a maggio, quando OpenAI ha aperto gli annunci self-serve dentro ChatGPT. La mia tesi era che il targeting passasse dalla keyword alla conversazione. In autunno l'ho messa alla prova con motive, il prodotto che sto costruendo per osservare cosa rispondono gli assistenti AI quando qualcuno chiede di un mercato. La prima misura vera ha smontato metà del mio ragionamento. Questo pezzo parla di quella metà.
La versione corretta: una keyword non basta più come brief, devi descrivere la situazione di chi compra. Poi devi misurare separatamente tre cose che il racconto «acquisizione via AI» tiene insieme: gli annunci che paghi, le raccomandazioni che l'assistente fa da solo e i risultati di business.
Descrivi il buyer per intero, e ricorda che l'abbinamento lo decide la piattaforma.
Nella bozza di maggio mettevo a confronto due richieste. «best CRM for startups» è intento compresso. «Gestisco un'agenzia di sette persone, i lead stanno nei fogli di calcolo, Salesforce è troppo pesante, mi serve qualcosa di economico che si integri con Gmail e parta questa settimana» è il bisogno intero. Le linee guida creative di OpenAI chiedono proprio questo: cosa offri, per chi, quando è utile.
Quella parte regge. Mancava un confine. Le indicazioni che dai alla piattaforma orientano a chi mostrare l'annuncio e non garantiscono niente, quindi le domande degli utenti non sono un inventario che puoi comprare. OpenAI tiene gli annunci separati dalla risposta: chi paga non compra la raccomandazione dell'assistente, vede report aggregati, e le conversazioni restano private. Nel mio primo ragionamento «mappare le conversazioni» scivolava verso «comprare le conversazioni». Solo la prima promessa è onesta.
Una demo completa con numeri inventati non ti può dare torto.
motive è nato a un hackathon a Parigi come demo di acquisizione AI-native: dal link del brand alle intenzioni dei clienti, poi revisione umana, annunci, creatività, un finto lancio e una dashboard con numeri che raccontavano una storia coerente. Convinceva proprio perché era completa: bellissima, e con i numeri finti.
In autunno ho tolto il lancio simulato e i numeri sintetici. Un esperimento incompleto con osservazioni vere vale più di una demo che va dall'inizio alla fine con dati inventati, perché solo il primo può smentirti. Se costruisci una demo così, etichetta le simulazioni e tieni separate tre domande: il processo funziona, la misura regge nel mondo reale, qualcuno è disposto a pagare.
Chiedere a un modello chi raccomanderebbe non è osservare una raccomandazione.
Il primo controllo di motive chiedeva a un modello quali brand avrebbe nominato. Rispondeva a memoria, una volta sola, senza lingua né paese, su domande inventate da lui. Usciva una lista plausibile di nomi, ed è questo il guaio: anche il metodo sbagliato produce risultati credibili.
Adesso motive fa la domanda vera a ogni assistente, con la ricerca web attiva, la ripete più volte per lingua e per assistente, e conserva ogni risposta. La visibilità diventa una frequenza con il suo margine di incertezza dichiarato. E un'osservazione fatta dall'esterno resta tale: l'app che usa la gente ha memoria e personalizzazione che noi non riproduciamo, e va detto.
Le domande devono chiedere di scegliere qualcuno, e devono venire da chi compra.
La prima misura vera sulla nostra azienda è stata parziale e l'abbiamo scartata. Ha comunque mostrato il difetto più grosso. Le domande erano quasi tutte del tipo «come si fa», molte prese dai titoli del nostro blog. Nessuna risposta nominava Yempik o un concorrente, per costruzione: un assistente non nomina fornitori se nessuno glieli chiede. Lo stesso giorno abbiamo provato una sola domanda da buyer, «Quali software house in Italia sviluppano agenti AI su misura per le PMI?», e Claude ha nominato Yempik per primo. Era un check singolo, quindi niente champagne. Bastava però a capire dove stava l'errore.
Ora ogni domanda dichiara cosa chiede all'assistente: chi scegliere, come scegliere, come funziona una cosa. Il panel è fatto soprattutto del primo tipo e i risultati si leggono separati. Le domande informative mostrano ancora una cosa utile: di quali siti si fida l'assistente.
Il secondo errore stava nell'origine delle domande. Ricavarle dal blog dell'azienda sembrava un metodo serio. Il tuo sito però racconta il tuo posizionamento e della domanda reale dice poco: teneva l'esperimento dentro le nostre ipotesi, e un assistente citava il nostro sito proprio perché le domande ricalcavano le nostre pagine. Ora le domande arrivano da quello che la gente cerca davvero, ognuna con la sua provenienza, e se la ricerca non restituisce niente il sistema si ferma invece di inventarsele. Un dettaglio ha confermato la tesi di maggio da un lato inatteso: i suggerimenti di ricerca tornano solo partendo da poche parole. Quando cerca, la gente usa ancora le keyword.
Letto, citato, nominato e raccomandato sono esiti diversi.
Nella prima misura un assistente elencava pagine del nostro sito tra le fonti di molte risposte che non ci nominavano mai. Un unico punteggio di «visibilità» avrebbe nascosto il segnale più interessante: l'assistente ci usava come fonte senza proporci come fornitore.
Ora essere nominati ed essere citati sono due misure distinte, mai fuse in un punteggio, e le pagine citate nella risposta sono separate da quelle solo lette. Dove un assistente non mostra le fonti, il report scrive «nessuna fonte». Uno zero lì descriverebbe come cerca l'assistente, e il cliente lo leggerebbe come un giudizio sul brand.
Anche la ricerca web attiva va verificata. Nella prima misura un assistente aveva lo strumento e lo ha usato in pochissime risposte, e noi conservavamo solo testo e fonti. Adesso salviamo ogni risposta per intero, insieme a se l'assistente ha cercato, con quali parole e quali pagine ha aperto. Quelle ricerche sono il motivo del titolo. La keyword è sparita dall'interfaccia ed è rimasta dentro la macchina: l'assistente riscrive la conversazione in ricerche brevi e poi sceglie delle pagine. Puoi leggere quelle riscritture e lavorare sulle pagine che vengono scelte.
Un metodo migliore può inventarti una crescita.
Passare da domande «come si fa» a domande da buyer cambia i risultati anche se il mercato resta fermo. Il nostro grafico storico univa su una sola linea misure fatte con domande e metodi diversi, quindi un movimento poteva venire solo da come avevamo cambiato le domande. La correzione è ancora in corso: le domande nuove si aggiungono senza sostituire le vecchie, ogni andamento confronta le stesse domande con lo stesso metodo, e un cambio di metodo interrompe la linea in modo visibile.
L'obiezione più forte: il tuo numero non è quello che vede un utente vero.
È vera. Un'osservazione dall'esterno non riproduce l'app con la sua memoria e la sua personalizzazione, e motive è ancora in costruzione. La mia risposta è dichiarare esattamente cosa misuri: quante volte su quante, con quale metodo e con quale incertezza, accanto alle risposte che hanno prodotto quel numero. Preferisco un numero piccolo che il cliente può ricostruire da solo.
Da lunedì
- Scrivi il brief come una situazione: obiettivo, vincoli, alternative, obiezioni, offerta adatta. A parte, elenca i controlli che la piattaforma ti dà davvero.
- Etichetta ogni domanda del tuo panel con quello che chiede all'assistente, e leggi i risultati per tipo di domanda.
- Prendi le domande da quello che cercano i buyer e conserva la provenienza di ognuna. Il tuo blog misura il tuo posizionamento.
- Registra a parte se l'assistente ha cercato, cosa ha letto, cosa ha citato e chi ha nominato.
- Conserva le risposte originali e tieni traccia di ogni cambio di metodo e di domande. Confronta solo misure fatte allo stesso modo.
- Tieni report separati per annunci, risposte spontanee, visite e risultati. Scrivi cosa li collega e cosa non stai misurando.
- Etichetta come simulato tutto ciò che è simulato.