Marketing e AI: senza un sistema vi scala il caos

Negli ultimi diciotto mesi la richiesta è arrivata in quasi ogni azienda in cui sono entrato. La direzione vuole “implementare l’AI nel marketing”. A volte è il CEO che ha letto un articolo sulla rivista del weekend, a volte è il CFO che ha visto un competitor pubblicare casi spettacolari, a volte è il direttore marketing stesso che teme di restare indietro. La richiesta arriva con urgenza, ma quasi mai con una diagnosi del problema che l’AI dovrebbe risolvere. Il marketing AI B2B non è una strategia. È un amplificatore, e un amplificatore acceso su un sistema rotto rompe il sistema più velocemente.

La direzione che vuole “implementare l’AI nel marketing”

La scena tipica del 2026. Riunione di pianificazione marketing per il trimestre. Il CEO apre dicendo che bisogna usare ChatGPT, Copilot, Claude per “fare più contenuti più velocemente”. Il direttore marketing annuisce. Il responsabile content prende appunti. Nessuno fa la domanda che andrebbe fatta: più contenuti per chi, su cosa, con quale obiettivo di pipeline.

La risposta implicita è “più contenuti in generale”. È esattamente l’errore che produrrà i risultati peggiori.

Il marketing AI B2B applicato senza un sistema editoriale chiaro non genera valore. Genera volume. Volume di articoli, volume di email, volume di post LinkedIn, volume di proposte commerciali. Tutti più o meno indistinguibili da quelli prodotti dai vostri concorrenti, che stanno facendo esattamente la stessa cosa con gli stessi strumenti. Il rumore di fondo nel B2B industriale, già alto, diventa assordante.

Il dato che inquadra il fenomeno è sotto gli occhi di chiunque legga LinkedIn. Sei mesi dopo l’esplosione di ChatGPT, i feed B2B si sono riempiti di post tutti uguali, con la stessa struttura, le stesse aperture, le stesse chiusure motivazionali. Il segnale visibile è chiaro: l’AI applicata senza editoriale produce uniformità.

Cosa fa l’AI nel marketing B2B oggi, e cosa no

C’è una distinzione operativa che nelle PMI italiane manca quasi sempre. Cosa l’AI generativa fa effettivamente bene, in produzione, oggi.

Quattro cose fa bene. Analisi di pattern in dataset CRM (anomalie, segmentazioni emergenti, predizione di churn). Prima bozza di contenuti tecnici a partire da fonti già strutturate (interviste registrate, documenti di prodotto, white paper esistenti). Segmentazione comportamentale nel marketing automation B2B (raggruppamenti di prospect per probabilità di conversione, basati su touchpoint multipli). Traduzione qualificata di contenuti tecnici fra lingue, con post-editing umano.

In tutti questi casi l’AI accelera un’attività che richiederebbe ore, non sostituisce il giudizio. Il modello produce la prima versione, un umano competente la verifica, la corregge, la firma.

Cosa l’AI non fa bene. Posizionamento. Scelte editoriali strategiche. Costruzione di autorità tematica. Decisioni su cosa non scrivere. Distinzione fra il caso applicativo che merita di essere raccontato e quello che non aggiunge nulla. Comprensione dei vincoli politici interni dei vostri clienti, che determinano il modo in cui un contenuto deve essere costruito per essere effettivamente usato.

Tutte queste sono attività umane, e nelle PMI industriali che ho seguito sull’integrazione di intelligenza artificiale marketing nei processi editoriali, sono esattamente le attività su cui il direttore marketing dedica il proprio tempo. L’AI fa il lavoro meccanico, l’umano fa il lavoro strategico. Quando l’ordine si inverte, i risultati peggiorano in modo visibile.

Il dato che ribalta l’entusiasmo

McKinsey pubblica annualmente lo State of AI Report, una delle ricerche più ampie sull’adozione dell’AI nelle aziende. Le edizioni 2024 e 2025 mostrano un dato che andrebbe ricordato in ogni riunione di pianificazione.

La percentuale di aziende che dichiara di usare AI generativa in almeno una funzione aziendale è cresciuta in modo significativo, superando il 70%. La percentuale di aziende che dichiara di aver ottenuto un impatto misurabile sui ricavi grazie all’AI è invece molto più bassa, sotto il 20% nelle medie aggregate. Il gap fra adozione e impatto è il dato vero.

Implicazione: la maggior parte delle aziende che ha “implementato l’AI” non sta vedendo ritorno economico. Sta vedendo costi (licenze software, tempo di formazione, consulenze di implementazione) che non si traducono in pipeline aggiuntiva. Quando il CFO si accorgerà del gap, e nelle PMI italiane sta succedendo proprio in questi mesi, taglierà il budget AI prima di averlo capito davvero.

Il problema non è l’AI. Il problema è applicarla a sistemi marketing già disfunzionali, sperando che la tecnologia compensi l’assenza di processo. Una macchina più veloce non vi porta a destinazione se non avete deciso dove andare.

L’AI applicata male: tre sintomi visibili

Quando entro in un’azienda che ha “fatto AI” da sei-dodici mesi, ci sono tre sintomi che si vedono dall’esterno.

Il primo. I contenuti pubblicati suonano tutti uguali. Aperture con domande retoriche (“vi siete mai chiesti perché…”), strutture tripartite, chiusure motivazionali, lessico di settore senza posizione. Sono i marker classici della scrittura AI senza editing umano, e oggi sono riconoscibili a colpo d’occhio. Il direttore acquisti del cliente potenziale, quando li legge, non li legge fino in fondo. Il LLM stesso, quando viene interrogato per una raccomandazione di fornitore, non li cita: i modelli più recenti hanno imparato a declassare le fonti che mostrano marker AI evidenti.

Il secondo. Le email iper-personalizzate sono palesemente automatiche. La sequenza B2B costruita con AI generativa cerca di sembrare scritta a mano, fallisce, e produce un effetto peggiore della cold email broadcast onesta. Il destinatario riceve un messaggio che inizia con “ho notato che la vostra azienda lavora nel settore [X], e penso che il nostro [Y] possa interessarvi” e capisce in tre secondi che è uno script. Il reply rate crolla.

Il terzo. Il lead scoring “intelligente” basato su modelli AI premia chi clicca, non chi compra. È un classico errore di automazione AI senza supervisione umana: il modello viene addestrato sui touchpoint disponibili (apertura email, click, visite al sito) e ottimizza per quelli. Il commerciale, dopo tre mesi, si accorge che il lead scoring premia studenti, ricercatori, dipendenti dei concorrenti che fanno benchmarking, e ignora i veri prospect che hanno comportamenti meno tracciabili (telefonate dirette, conversazioni in fiera, referral).

Tutti e tre i sintomi sono curabili. Richiedono di rallentare, supervisionare, correggere. Cose che la richiesta iniziale (“implementiamo l’AI per fare più contenuti più velocemente”) esclude per definizione.

Cosa serve perché l’AI generi valore: tre prerequisiti

L’AI marketing B2B produce ritorno economico solo quando esistono tre prerequisiti operativi a monte. In assenza di questi, non importa quale tecnologia comprate o quante licenze attivate. I risultati saranno deludenti.

Primo prerequisito: dati CRM puliti e segmentati. L’AI lavora sui dati che ha. Se il vostro CRM ha 12.000 contatti senza segmentazione di settore, dimensione, ruolo, scenario d’uso, qualunque modello applicato sopra produrrà raccomandazioni inutili. Garbage in, garbage out, è la regola di chi lavora con i dati da decenni. Vale per il machine learning del 2010 e vale per i modelli generativi del 2026. Non è cambiata.

Secondo prerequisito: posizionamento scritto e accordato. L’AI generativa non sa cosa volete dire al mercato. Se non glielo dite voi, in modo strutturato e specifico, lo invents sulla base della media dei contenuti del settore. La media è generica. La media è quello che già scrivono i vostri concorrenti. La media è il rumore di fondo che il direttore acquisti smette di leggere.

Terzo prerequisito: processi editoriali umani che decidono il tono, le scelte redazionali, le posizioni difendibili. L’AI scrive bene a partire da indicazioni precise. Senza un editor umano che dia quelle indicazioni e supervisioni il risultato, la qualità si livella verso il basso. Il direttore tecnico interno che approvava i contenuti scritti a mano deve continuare ad approvare i contenuti generati con AI. Cinque minuti del suo tempo per ogni contenuto pubblicato. Non è opzionale.

Le aziende che ho visto ottenere risultati reali con l’AI nel marketing B2B avevano tutti e tre i prerequisiti prima di iniziare. L’AI ha amplificato un sistema che già funzionava. Le aziende che hanno fallito hanno applicato l’AI prima di avere il sistema, sperando di costruirlo con la tecnologia. Non funziona così.

Il rischio reputazionale del contenuto AI mal supervisionato

C’è un rischio specifico che le PMI italiane stanno sottovalutando. I contenuti generati con AI senza editoriale umano sono oggi riconoscibili da chi legge con attenzione, e sempre più spesso anche dai LLM stessi quando vengono usati come motori di risposta.

Wikipedia ha pubblicato linee guida specifiche, riprese da diverse pubblicazioni di settore, sui marker della scrittura AI: certe strutture sintattiche, certe formule di apertura e chiusura, certo lessico ricorrente, certo modo di organizzare gli elenchi, certi tipi di parallelismi. Sono tracce che si possono identificare sistematicamente.

Il direttore acquisti tedesco di un cliente potenziale, sempre più spesso nel 2026, riconosce questi marker e ne trae conclusioni. La conclusione tipica è che se l’azienda fornitrice non si prende la cura di pubblicare contenuti tecnici scritti seriamente, probabilmente non si prenderà la cura di seguire seriamente neanche il progetto del cliente.

Non è un giudizio universale, ma è una percezione che si sta diffondendo. Il content tecnico generato male con AI sta iniziando a danneggiare la percezione del brand, non a costruirla.

L’effetto è più forte quando si parla di GEO, l’ottimizzazione per i motori di risposta generativi (Perplexity, ChatGPT, Gemini, Claude). I modelli più recenti hanno meccanismi di rilevamento e declassamento delle fonti AI-generated, e tendono a citare contenuti riconoscibilmente umani. Il paradosso operativo del marketing AI B2B è che usare l’AI in modo grossolano riduce la probabilità di essere citati dagli LLM, mentre usarla in modo supervisionato e firmato la aumenta.

Una PMI manifatturiera italiana con cui ho lavorato sul rifondamento editoriale, dopo aver introdotto un processo di supervisione umana sui contenuti AI-assisted, ha visto il proprio brand iniziare a comparire nelle citazioni di Perplexity per query specifiche di settore. Sei mesi dopo, quel canale generava il 7% del traffico qualificato sul sito. Numeri ancora piccoli, ma in crescita strutturale, e su un canale che fra due anni varrà molto di più.

Riformulare la domanda sull’AI

L’imprenditore che chiede “come implementiamo l’AI nel marketing” sta facendo la domanda sbagliata. La domanda utile è un’altra: il sistema marketing che abbiamo oggi è abbastanza solido da reggere un amplificatore.

Riformulare questa domanda cambia la sequenza degli investimenti. Prima si sistema l’ICP, il posizionamento, il processo editoriale, la segmentazione del CRM. Poi si introduce l’AI, in modo selettivo, sui punti dove genera vero valore (analisi pattern, prima bozza, traduzione, segmentazione comportamentale). Mai prima.

Il marketing AI B2B applicato a un sistema che funziona accelera i risultati in modo visibile. Applicato a un sistema che non funziona, accelera i fallimenti con la stessa velocità. Le aziende che oggi pubblicano case study spettacolari sull’AI nel marketing avevano già un sistema che funzionava. Le aziende che ne pubblicheranno fra sei mesi parleranno dei costi sostenuti senza ritorno proporzionato.

Le PMI manifatturiere italiane hanno una finestra operativa per fare le scelte giuste. Costruire prima il sistema, integrare poi l’AI dove serve davvero. Chi inverte l’ordine spende e impara. Chi rispetta l’ordine costruisce un vantaggio competitivo che è difficile da copiare, perché non sta nella tecnologia, sta nel processo.

Se nella vostra azienda la direzione spinge per “implementare l’AI nel marketing” senza una diagnosi chiara del problema che dovrebbe risolvere, e i primi esperimenti stanno producendo contenuti che suonano tutti uguali e dashboard che crescono senza che cresca la pipeline, il problema non è la tecnologia. È la sequenza degli interventi.

Il mio servizio di strategia e posizionamento include una fase di audit del sistema marketing prima dell’introduzione dell’AI: capire dove la tecnologia può effettivamente generare valore e dove sta amplificando problemi non risolti. Se vi riconoscete nello scenario, scrivetemi per una prima conversazione.