Quando l’IA entra nella decisione d’acquisto e la condiziona

Qualche tempo fa dovevo comprare una giacca da moto. Chi va in moto sa che non è un acquisto da fare a cuor leggero: ne va della pelle, letteralmente. Avevo già ristretto la scelta a pochi modelli e ho chiesto a più LLM di confrontarli. In pochi secondi avevo davanti un quadro ordinato: materiali, protezioni, impermeabilità, ventilazione, vestibilità, prezzo, pregi e difetti.

Lo stesso lavoro, fatto a mano tra siti dei produttori, schede tecniche, recensioni e forum di motociclisti, mi avrebbe preso un intero pomeriggio.

Ho comprato una Spidi. E qui viene il bello: il confronto non l’aveva incoronata come la migliore: le alternative si equivalevano per qualità, prezzo e materiali. L’ho scelta per il design, per i colori, per le proporzioni e, lo ammetto, per l’idea di motociclista che quella giacca racconta. Un’idea in cui mi riconosco. La macchina aveva fatto il confronto tecnico. La decisione l’ho presa io, in un posto dove le tabelle non arrivano: “pancia e testa”.

Chi ha fatto vendita sul campo lo impara presto: quando interpretiamo il ruolo del consumatore decidiamo con la pancia e poi nella testa cerchiamo le ragioni per giustificare l’acquisto. Per dirla con gli stati dell’Io di Eric Berne, l’Adulto valuta i dati, ma a desiderare è il Bambino.

L’intelligenza artificiale non cambia questa struttura. Bisogni, desideri, paure, ricerca di conferme e di appartenenza, necessità di giustificare la spesa: è tutto ancora lì. Cambia la strada con cui arriviamo alla sintesi che precede l’acquisto.

E per un imprenditore cambia una cosa molto concreta. Una parte della selezione avviene prima che il cliente incontri la marca, dentro una risposta che l’impresa non ha scritto e che, quasi sempre, non ha mai letto.

Prima cercavamo, adesso ci consegnano la risposta

Fino a pochi mesi fa ci si informava in rete, si chiedeva a chi ne sapeva di più, si leggevano recensioni, si andava in negozio a toccare con mano. Il percorso cambiava in relazione al bene oggetto di valutazione: quanto costava, quanto rischio si assumeva. Una cosa però restava abbastanza ferma: la sintesi finale spettava soprattutto a noi. Le fonti portavano i mattoni, la decisione la costruivamo noi.

L’intelligenza artificiale fa un altro mestiere. Le informazioni non si limita a porgerle: le sceglie, le mette in fila, le confronta e ce le restituisce sotto forma di risposta. Se la rete ci dava la materia prima, l’IA ci consegna un semilavorato. A volte quasi un prodotto finito.

Che funzioni, non c’è dubbio. Il Nuremberg Institute for Market Decisions ha messo alla prova 1.503 cittadini statunitensi, assegnati a caso a ChatGPT o a Google, con lo stesso compito: scegliere l’alternativa migliore secondo criteri stabiliti in anticipo. Chi usava ChatGPT ha deciso prima e meglio. Nel compito più difficile, la scelta di un parco divertimenti, ha fatto centro il 59 per cento, contro il 39 di chi usava Google. Venti punti non sono un dettaglio. Quando il problema è chiaro e i criteri sono definiti, la macchina aiuta davvero a decidere meglio.

Il guaio comincia quando deleghiamo anche i criteri

Il punto sta tutto in quel “quando”. Quanti di noi, davanti a un acquisto, sanno con precisione quali caratteristiche contano, quali compromessi accetteremmo, quali errori vorremmo evitare? Pochi. E dove noi lasciamo un vuoto, la macchina lo riempie. Decide quali attributi guardare, quali prodotti mettere in lista e in che ordine.

Ogni sintesi, per quanto ben fatta, è già una scelta. Il prodotto lasciato fuori smette di esistere; quello al primo posto guadagna autorevolezza o quanto meno la nostra maggiore attenzione; l’argomento esposto meglio suona più vero. La forma della conversazione aggrava le cose. La risposta arriva coerente, cucita su misura, scritta con una sicurezza che pochi esperti in carne e ossa si permetterebbero. È facile scambiare la scioltezza per affidabilità e la personalizzazione per comprensione.

Nello stesso studio c’è un dato che trovo ancora più interessante. Tra chi usava ChatGPT, solo il 12 per cento ha visitato altri siti; tra chi usava Google, il 73. La verifica incrociata, abituale nella ricerca tradizionale, si riduce drasticamente. Ci fidiamo e passiamo oltre.

Non è una sorpresa. Chi studia le decisioni assistite dagli algoritmi conosce da tempo due tendenze. In certe condizioni diamo al consiglio di una macchina più peso che a quello di una persona: è l’apprezzamento algoritmico. E quando ci affidiamo a un sistema automatico rischiamo di smettere di cercarne gli errori: è la distorsione da automazione.

Il rischio, allora, non è soltanto quello di ricevere un’informazione sbagliata. È più sottile. Le nostre preferenze non sono sempre già lì, belle e pronte, in attesa di essere soddisfatte: spesso si formano mentre scegliamo, dentro la cornice del confronto. Chi disegna la cornice contribuisce a formarle.

Il consumatore conserva l’ultimo gesto, il clic o la firma, ma può aver ceduto molto di quello che viene prima: quali alternative considerare, quanto pesa ciascun criterio, persino le ragioni con cui si racconterà di aver fatto la scelta giusta. Crederà di aver deciso. In parte avrà ratificato.

Per usare bene questi strumenti non basta saper scrivere una buona domanda (prompt). Bisogna sapere cosa si cerca, mettere in chiaro le proprie priorità, chiedere alla macchina con quali criteri ha ragionato, andare a vedere le fonti, domandarle che cosa le farebbe cambiare idea. Più che un’alfabetizzazione tecnica serve un’abitudine critica. E, prima ancora, un po’ di conoscenza di sé, delle proprie dinamiche di pensiero. Abilità, queste, che nessuno ci insegna.

Entrare in lista, essere adatti, essere scelti

Torno alla mia giacca, perché in quell’acquisto si vedono tre passaggi distinti.

Il primo è entrare in lista. Prima di qualsiasi confronto un prodotto deve comparire tra quelli presi in considerazione, nella testa del cliente o nella risposta della macchina. Nel mio caso la lista l’avevo fatta io, e Spidi c’era prima che la macchina entrasse in gioco. Sempre più spesso, però, sarà la macchina a compilarla. E chi non ci entra non perde il confronto: non lo gioca proprio.

Il secondo è essere adatti: rispondere alle esigenze concrete, stare nella spesa prevista, offrire prestazioni sufficienti. Qui la macchina ha un vantaggio evidente. Macina dati e confronta in pochi secondi quello che a noi costerebbe ore.

Il terzo è essere scelti. Tra più prodotti tutti adeguati vince quello in cui ci riconosciamo: il nostro gusto, le nostre aspirazioni, il gruppo a cui apparteniamo o vorremmo appartenere. Gianpaolo Fabris lo ha insegnato a una generazione di studiosi: consumare è anche un modo di dire chi siamo, di raccontare noi stessi all’esterno di noi. In questo passaggio l’estetica non è il fiocco sul pacco. È la grammatica della lingua con cui la marca mostra il proprio mondo e ci invita a entrarci.

Le schede tecniche mi dicevano se una giacca era adatta. Il design, il taglio e le immagini con cui veniva raccontata mi dicevano per chi era stata pensata. La macchina mi ha tolto dubbi e mi ha confermato che le alternative erano tutte valide. La preferenza, però, non l’ha generata lei.

Una precisazione onesta. Il terzo passaggio pesa molto dove l’acquisto racconta qualcosa di chi lo fa: abbigliamento, casa, auto, moto, cibo di qualità. Per molti acquisti standardizzati o a basso coinvolgimento la sintesi della macchina può bastare a chiudere la partita. E per chi vende in quei settori la faccenda è ancora più seria, perché lo spazio per distinguersi è stretto e va conquistato molto prima.

Le informazioni abbondano, il significato no

Quando materiali, dotazioni, prezzi, difetti e recensioni si trovano in pochi secondi, la marca perde il vantaggio di saperne più del cliente. Le promesse si verificano, le differenze funzionali saltano all’occhio, i punti deboli diventano più difficili da nascondere. L’IA accorcia le distanze tra concorrenti. Se ho un problema con un prodotto, come primo step non chiamo più l’assistenza clienti ma faccio screenshot da caricare su una IA, è lei a darmi la prima risposta. Poi, eventualmente, chiamo l’assistenza clienti avendo già un ventaglio di opzioni da discutere con l’operatore, che spesso si trova in difficoltà davanti alla qualità delle nostre informazioni.

Ed è proprio per questo che la comunicazione vale di più, non di meno. Se le prestazioni si equivalgono e più prodotti superano l’esame dell’idoneità, la differenza si sposta su ciò che in una tabella non entra: il significato culturale dell’oggetto, la relazione che la marca ha saputo costruire, la coerenza tra quello che promette e i segni con cui lo dice.

La macchina può aiutarci a capire quale prodotto ci serve. Quale vogliamo possedere è un’altra storia, e quella storia la scrive la comunicazione.

Due destinatari, una sola coerenza

Oggi un’impresa deve parlare a due destinatari: alle intelligenze artificiali, che devono capirla, e alle persone, che devono sentirla propria.

Alla macchina servono informazioni chiare, coerenti, aggiornate e verificabili. L’IA si costruisce l’immagine di un prodotto con quello che trova in giro: il sito aziendale, le schede tecniche, le recensioni, gli articoli, le discussioni pubbliche. Basta un posizionamento confuso, una promessa che sul sito dice una cosa e in negozio un’altra, il mancato presidio del dibattito sui social, una presenza in rete fatta a pezzi, e la macchina restituirà una descrizione povera o imprecisa. Nel peggiore dei casi la marca resterà fuori dalla lista prima ancora che il cliente sappia che esiste.

Con le persone il lavoro è più difficile. Una marca deve smettere di essere intercambiabile e costruire un sistema di significati riconoscibile. I valori dichiarati devono vedersi nel prodotto, nel design, nei colori, nel linguaggio, nelle immagini, nei punti vendita e nel modo in cui l’impresa si comporta. Se ognuno di questi elementi va in ordine sparso, il valore simbolico si disperde e la comunicazione diventa decorazione.

C’è però un aspetto che spesso sfugge: i due destinatari non vivono in stanze separate. Il significato di una marca arriva alla macchina anche sotto forma di parole: come ne scrivono i clienti, come la raccontano gli appassionati, come ne parla la stampa. Una marca che ha costruito un mondo riconoscibile lascia tracce che la macchina raccoglie e ripete. Una marca che non l’ha fatto lascia dietro di sé soltanto schede tecniche.

Per questo diffido di chi vende l’ennesima tecnica per “comparire nelle risposte dell’IA”. Comparire serve, certo. Ma essere citati non vuol dire essere desiderati. Una marca può essere perfettamente leggibile per la macchina e del tutto sostituibile agli occhi di chi compra.

Che cosa resta della vostra marca dopo il riassunto?

Ogni sintesi comprime, e ogni compressione perde qualcosa. La domanda che farei a qualsiasi imprenditore è semplice: quando una macchina riassume la vostra marca in quattro righe, accanto ai concorrenti, quanto della vostra identità sopravvive?

Provate. Chiedete alle principali intelligenze artificiali come descrivono la vostra impresa, con chi la confrontano, quali qualità le attribuiscono e quali ignorano, su quali fonti si basano. Una domanda sola non basta: le risposte cambiano secondo il sistema, il modo in cui la si pone e il momento. Ripetuta con metodo su sistemi diversi, però, l’interrogazione permette di individuare ricorrenze, omissioni e distorsioni. Mettetele accanto all’idea che avete della vostra impresa e misurate la distanza.

In oltre vent’anni di lavoro con le imprese ho incontrato raramente un problema che fosse soltanto di comunicazione. Quella distanza, più spesso, è il segno di una frattura tra ciò che l’impresa è, ciò che dice di essere e ciò che il mercato ha capito.

Ricomporla richiede di lavorare sulla psicologia della marca. Bisogna capire i codici culturali del proprio pubblico, le sue tensioni, i modi in cui si riconosce, le aspirazioni e le contraddizioni, e tradurre tutto questo in segni coerenti, in strategia. I dati aiutano, ma non sostituiscono lo sguardo di chi li interpreta. E l’identità non nasce da una formula ripetuta a memoria: si forma con una coerenza che si riconosce nel tempo e sa adattarsi senza perdere il proprio focus.

E quando a comprare sarà direttamente la macchina?

L’obiezione è seria. Gli assistenti artificiali stanno imparando a comprare per nostro conto e a ricordare i nostri gusti, anche quelli estetici. Se compra la macchina, il terzo passaggio, quello in cui ci riconosciamo in un prodotto, sembra destinato a sparire.

In parte succederà. Per molti acquisti ripetitivi non vedremo il prodotto finché il corriere non suonerà al citofono. Ma è proprio qui che si capisce quanto valga il significato. Una marca che ha conquistato l’identificazione non aspetta di essere selezionata: entra direttamente nella richiesta. “Trovami una giacca da moto impermeabile” lascia la scelta alla macchina. “Trovami una Spidi impermeabile” gliela toglie. Tra le due frasi c’è tutto il lavoro di anni su una marca.

Scegliere resta umano, se lo si fa con la “testa sveglia”

L’IA può aiutarci a comprare meglio, ridurre il divario di informazioni tra chi vende e chi compra, evitarci scelte sbagliate. Può anche portarci dove non avevamo deciso di andare. Molto dipenderà da come la useremo, da quanto i sistemi saranno trasparenti e dalla qualità delle informazioni che li alimentano.

Per le marche questa trasformazione non riduce il valore della comunicazione: lo allarga. Alla macchina bisogna dare informazioni affidabili, alle persone ragioni vere per riconoscersi. Le prime fanno entrare il prodotto nella lista. Le seconde lo fanno scegliere.

Conoscere un prodotto costerà sempre meno fatica. Costruire il motivo per cui lo desideriamo resterà difficile, oggi come quando i confronti si facevano sfogliando le riviste di settore. È lì, tra cultura, identità e desiderio, che nei prossimi anni si giocherà una parte crescente del valore delle marche.

Fonti essenziali

Nuremberg Institute for Market Decisions, How Generative AI Is Transforming Consumer Decision-Making (2025).

Bettman, J.R., Luce, M.F., Payne, J.W. (1998). Constructive Consumer Choice Processes. Journal of Consumer Research, 25(3), 187–217.

Logg, J.M., Minson, J.A., Moore, D.A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes, 151, 90–103.

Goddard, K., Roudsari, A., Wyatt, J.C. (2012). Automation Bias: A Systematic Review of Frequency, Effect Mediators, and Mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127.