C’è un paradosso nel modo in cui le aziende hanno adottato l’intelligenza artificiale negli ultimi due anni. Abbiamo tra le mani lo strumento di calcolo e inferenza più potente mai costruito, capace di trovare schemi dentro milioni di dati che nessun essere umano riuscirebbe a leggere in una vita — e lo stiamo usando per scrivere gli auguri di Natale, generare foto di prodotti che non esistono, sfornare post LinkedIn che suonano tutti uguali e descrizioni a pioggia che nessuno legge.
Non è un uso sbagliato perché è poco etico. È sbagliato perché è uno spreco. È come comprare una pressa industriale da mille tonnellate per schiacciare le noci.
Il problema dello slop, visto dal lato giusto
Chi ha letto il pezzo di Maranga sull’internet morto conosce il sintomo: il web si sta riempiendo di contenuto generato in massa, testi senza autore, immagini senza fotografo, articoli scritti da una macchina per essere letti da un’altra macchina. Slop. Rumore che cresce più in fretta del segnale.
La lettura comoda di quel fenomeno è “l’AI sta rovinando internet”. Ma è una lettura pigra. L’AI non sta rovinando niente: sono le persone che la stanno puntando nella direzione sbagliata. Lo slop non è una proprietà dell’intelligenza artificiale, è il risultato di una scelta: usarla per produrre tanto, in fretta, in superficie, invece che per capire qualcosa in profondità.
E questa scelta, nell’e-commerce e nel marketing, è diventata la norma. Si misura l’adozione dell’AI in quantità di cose generate: quante descrizioni, quante immagini, quante varianti di copy, quante email. Più output, più “innovazione”. È esattamente la metrica che produce slop.
La superficie e la sostanza
Facciamo una distinzione che la maggior parte delle aziende non fa, e che invece dovrebbe guidare ogni decisione sull’AI.
C’è l’AI di superficie: genera un testo, genera un’immagine, riscrive una frase, risponde a una domanda banale. Sono compiti che un umano saprebbe fare, magari più lentamente, ma li saprebbe fare. L’AI qui fa risparmiare tempo, a volte, ma non fa nulla che fosse impossibile prima. E quando viene usata male, non fa nemmeno risparmiare tempo: produce materiale mediocre che qualcuno dovrà comunque rileggere, correggere o buttare.
Poi c’è l’AI di sostanza: normalizzare diecimila schede prodotto incoerenti, inferire attributi che nessuno ha mai scritto, collegare comportamenti d’acquisto a migliaia di clienti, trovare lo schema nascosto dentro un catalogo che nessun team riuscirebbe a leggere a mano in mesi di lavoro. Sono compiti che un umano non può fare a quella scala. Non più lentamente: proprio non può. È qui che la capacità di calcolo e inferenza di un modello diventa un vantaggio reale, non cosmetico.
La domanda da farsi davanti a qualsiasi applicazione AI è una sola: questa cosa la potrebbe fare un essere umano con abbastanza tempo? Se la risposta è sì, stai probabilmente usando l’AI per comodità. Legittima, ma marginale. Se la risposta è no, stai usando l’AI per ciò per cui vale davvero la pena.
Perché le aziende sbagliano bersaglio
Il motivo per cui quasi tutti puntano alla superficie è che la superficie è facile da comprare.
C’è un tool SaaS per ogni compito cosmetico: genera descrizioni, genera immagini, genera post, genera oggetti email. Si attiva in cinque minuti, costa poco, e dà la sensazione immediata di “stare usando l’AI”. Il risultato è visibile subito — ecco trenta descrizioni prodotto generate in un pomeriggio — e questo lo rende facile da approvare in una riunione.
Il problema è che quella sensazione di progresso è quasi sempre illusoria. Trenta descrizioni generate male sono trenta descrizioni da rileggere. Un generatore di immagini prodotto che produce foto plausibili, ma finte è un rischio, non un asset. E soprattutto: nessuna di queste cose tocca il problema vero, che quasi sempre sta sotto, nei dati. Un catalogo disordinato resta disordinato anche se ci spruzzi sopra cento descrizioni generate. Anzi: ci aggiungi rumore.
Si finisce per accumulare una collezione di tool che fanno ciascuno una piccola cosa di superficie, spesso a metà, spesso scollegati tra loro, e ci si convince di avere una “strategia AI”. Non è una strategia. È un assortimento di scorciatoie.
Dove l’AI vale davvero: dentro i tuoi dati
Il valore vero dell’AI per un e-commerce non è generare contenuto da mostrare. È capire e organizzare ciò che già hai.
I tuoi dati — il catalogo, lo storico degli acquisti, gli attributi prodotto, le categorie — sono quasi sempre disordinati, incompleti, incoerenti. Non per incuria, ma perché si sono stratificati nel tempo, da fornitori diversi, con logiche diverse, su volumi che nessuno ha mai avuto il tempo di sistemare a mano. È esattamente il tipo di problema che un essere umano non può risolvere a scala e che un modello, applicato bene, risolve.
Normalizzare attributi disomogenei su tutto il catalogo. Generare gli attributi semantici che servono ma che nessun fornitore ha mai fornito, non per riempire una scheda, ma per rendere il prodotto trovabile e confrontabile. Inferire da uno storico d’acquisto i segmenti reali di clienti, non quelli che immagini. Questo è lavoro di calcolo e inferenza: invisibile, poco scenografico, ma è quello che cambia le cose. Non produce contenuto da esibire in una slide. Produce un’infrastruttura di dati su cui tutto il resto funziona meglio — la ricerca interna, la visibilità sugli LLM, le raccomandazioni, la segmentazione.
C’è anche un punto su cui vale la pena essere espliciti: applicare l’AI ai propri dati significa lavorare dentro, non delegare a un servizio esterno che vede il tuo catalogo come una scatola nera tra mille. La differenza non è “SaaS sì o no” — un buon strumento può benissimo essere un SaaS. La differenza è tra uno strumento che lavora in profondità sui tuoi dati e uno che applica una funzione AI sulla superficie e ti lascia i problemi di sotto intatti.
E sì, anche l’AI di sostanza genera: il modulo Enrichment di Seken AI genera attributi, bisogni, occasioni d’uso. Ma la differenza con lo slop non sta nel fatto che “genera” — sta in cosa genera e perché. Non produce un testo cosmetico da leggere e dimenticare: produce dati strutturati, coerenti su tutto il catalogo, che diventano la base leggibile da motori di ricerca, sistemi di raccomandazione e LLM. È generazione al servizio della struttura, non della quantità.
La domanda da portare alla prossima riunione
La prossima volta che qualcuno propone di “usare l’AI” per qualcosa, la domanda da fare non è “quanto costa” o “quanto è veloce da attivare”. È: stiamo usando questa tecnologia per fare una cosa che sapremmo già fare da soli, o per fare una cosa che senza di essa sarebbe impossibile?
Se la risposta è la prima, probabilmente stai comprando l’ennesima scorciatoia di superficie e contribuendo, nel tuo piccolo, allo stesso slop che tutti lamentano. Se è la seconda, stai usando l’AI per ciò che la rende davvero diversa da qualsiasi strumento precedente: la capacità di trovare ordine e significato dentro una quantità di dati che nessuna persona potrebbe gestire.
L’AI non è sprecata perché è troppo potente. È sprecata perché la stiamo puntando sulle noci, mentre il lavoro pesante — quello che varrebbe la pena affrontare — resta lì, intatto, sotto la superficie.