Quando è l'AI a fissare le aspettative

Una raccomandazione dell'AI può formare le aspettative di un cliente prima della prima visita. Che cosa succede quando quelle aspettative incontrano le informazioni dell'azienda?

Di Stefano Zoia · · 6 min

Che cosa mostrano i dati

L’AI può influenzare le decisioni d’acquisto prima che il cliente arrivi al rivenditore. Ricerche separate documentano incoerenze di prezzo e di disponibilità fra i canali, ma non stabiliscono con quale frequenza queste incidano sulle risposte dell’AI.

Che cosa resta sconosciuto

Nessuno degli studi esaminati qui misura direttamente lo scarto fra ciò che un assistente afferma e le informazioni verificate di un rivenditore, né il suo effetto sulle vendite.

Che cosa può fare un’azienda

Verificare un numero limitato di affermazioni che contano — prezzi, disponibilità, consegna e resi — rispetto a informazioni attendibili, registrando errori, condizioni mancanti e variazioni nel tempo.

Immagina un cliente che arriva sul sito di un rivenditore dopo che un assistente AI gli ha raccomandato un prodotto e gli ha descritto i resi come gratuiti. Il prodotto è quello giusto. Il prezzo è quello giusto. Ma i resi gratuiti valgono solo per chi è iscritto al programma fedeltà.

Il cliente ora deve risolvere una contraddizione prima di decidere se comprare.

È un esempio ipotetico, ma descrive un problema concreto. Una scheda prodotto può essere letta come conferma o come smentita di un’affermazione che l’azienda non ha mai fatto.

L’azienda controlla ciò che pubblica. Ha molto meno controllo su come un assistente seleziona, combina e qualifica quelle informazioni. Il cliente però vive entrambe le cose come parti della stessa decisione d’acquisto.

Essere raccomandati ha valore. Merita attenzione anche ciò che quella raccomandazione porta a dare per scontato.

Una raccomandazione non chiude la decisione

Un’indagine Contentsquare su 2.000 consumatori in Francia e negli Stati Uniti, realizzata sul campo da Pollfish, ha rilevato che il 47% dichiara che l’AI ha cambiato una decisione d’acquisto finale, mentre il 57% dichiara di aver concluso un acquisto guidato dall’AI. [1]

Sono esperienze autodichiarate in due mercati, non una misura della quota di acquisti attribuibile all’AI. Indicano che, per una parte dei clienti, un assistente contribuisce già a stabilire i termini con cui un rivenditore verrà valutato.

La stessa indagine ha chiesto ai rispondenti cosa farebbero se, dopo una raccomandazione dell’AI, il sito li deludesse. Solo il 3% ha risposto che completerebbe il pagamento; il 57% continuerebbe a informarsi, il 23% si rivolgerebbe a un concorrente e il 16% abbandonerebbe.

Sono intenzioni ipotetiche. E “delusione” è una categoria più ampia di una contraddizione: un sito lento, una navigazione confusa o un costo di spedizione inatteso possono produrre la stessa reazione.

L’osservazione utile è più circoscritta. La maggioranza dei rispondenti dichiara che continuerebbe a valutare le opzioni, cercando ancora oppure rivolgendosi altrove. La raccomandazione non aveva chiuso la decisione.

Il comportamento osservato offre un’altra ragione per guardare a questo passaggio del percorso. Adobe ha riportato che a marzo 2026 le visite provenienti da fonti AI hanno convertito il 42% meglio del traffico non-AI sui siti retail statunitensi analizzati. Un anno prima convertivano il 38% peggio. [2]

Quell’inversione sconsiglia di trattare l’uno o l’altro valore come una proprietà stabile del canale. Il tasso di conversione più alto è compatibile con visitatori che arrivano a uno stadio più avanzato della decisione, ma non stabilisce perché convertano meglio né come reagiscano a informazioni discordanti.

Indica però che è traffico da capire al di là del semplice conteggio dei rimandi.

Non basta che coincidano

La risposta di un assistente e la pagina di un’azienda possono divergere per diverse ragioni.

L’assistente può sbagliare. La pagina può non essere aggiornata. Entrambi possono essere corretti per paesi, varianti di prodotto o categorie di clienti diversi. Un prezzo può essere cambiato fra la raccomandazione e la visita.

Due fonti possono anche coincidere ed essere entrambe sbagliate.

L’obiettivo non può essere semplicemente far coincidere il sito con la risposta. Entrambi vanno verificati rispetto a informazioni di cui l’azienda può rispondere, con le condizioni del caso esplicitate.

Una politica di reso è qualcosa di più di “gratuito” o “a pagamento”. Può dipendere dall’iscrizione a un programma, dal paese, dalla categoria di prodotto e dal tempo trascorso dalla consegna. La disponibilità richiede un luogo e un momento. Una certificazione richiede un perimetro e una fonte verificabile.

Questi dettagli possono cambiare una decisione d’acquisto. Ed è facile perderli quando una politica complessa diventa una risposta breve e sicura di sé.

La ricerca misura problemi adiacenti

Nessuno degli studi esaminati qui misura direttamente con quale frequenza la descrizione di un rivenditore da parte di un assistente AI contraddica informazioni verificate, per poi seguirne l’effetto sugli acquisti. La dimensione e l’impatto commerciale di quello scarto restano questioni aperte.

Esistono però evidenze di incoerenze interne alle aziende stesse. La quarta edizione dello State of Commerce di Salesforce ha interrogato 3.450 professionisti del commercio in 20 paesi. Fra le organizzazioni multicanale, il 41% segnala prezzi e promozioni incoerenti fra i canali e il 40% un inventario non sincronizzato in tempo reale. [3]

Questi risultati non stabiliscono che un assistente darà una risposta sbagliata. Mostrano che alcune aziende faticano già a mantenere informazioni coerenti fra i sistemi da cui una risposta potrebbe essere assemblata.

Salesforce vende prodotti che affrontano questi problemi. Quell’interesse commerciale è un elemento di contesto rilevante per interpretare la ricerca, non una ragione per scartarla né per darle peso particolare.

Un audit separato di Empirank ha esaminato 1.257 affermazioni fattuali verificabili su 182 aziende raccomandate da una configurazione OpenAI con ricerca attiva. Ha trovato almeno un’affermazione contraddetta per l’11% delle aziende; il 38% delle affermazioni non è stato né confermato né smentito. [4]

L’audit riguarda attività locali e una sola configurazione, non le raccomandazioni di prodotti retail in generale. Il suo contributo utile qui è la distinzione fra un’affermazione contraddetta e una che non si può verificare.

Un’affermazione non supportata non è necessariamente falsa. Ma se il cliente non può controllarla, lascia all’azienda un problema diverso da quello di un prezzo o di una politica dimostrabilmente sbagliati.

Questi studi usano metodi, popolazioni e contesti diversi. Insieme forniscono ragioni per indagare. Non forniscono una stima unica del rischio.

Partire da poche affermazioni che contano

Un’azienda può indagare la propria esposizione senza aspettare uno studio di mercato completo.

Si parte dalle domande che i clienti fanno prima di acquistare. Si sceglie un insieme gestibile di casi in cui una risposta fuorviante potrebbe cambiare sostanzialmente la decisione: prezzo totale, disponibilità, consegna, resi, requisiti di accesso o certificazioni.

Per ogni risposta si conservano il prompt, l’assistente, la data, il mercato e le fonti citate. Le domande si ripetono nel tempo. Una singola risposta è un’osservazione, non un resoconto attendibile di ciò che vede ogni cliente.

Si confronta la risposta con una fonte attendibile concordata all’interno dell’azienda, poi con la pagina pubblica che il cliente incontrerebbe. Se quelle due fonti già divergono, è di per sé un risultato.

Registrare separatamente:

La distinzione aiuta a capire che cosa correggere. Una pagina non aggiornata va aggiornata. Dati di canale discordanti vanno riconciliati. Una restrizione omessa può richiedere una formulazione pubblica più chiara. Un’affermazione su una certificazione non verificabile richiede prove a sostegno oppure una correzione.

L’errore di un modello può persistere anche quando le informazioni dell’azienda sono accurate e accessibili. Migliorare la fonte non garantisce il controllo sulla risposta.

L’audit dovrebbe quindi registrare sia la discrepanza sia ciò che l’azienda può farci. Ripeterlo dopo una correzione mostra se le risposte campionate cambiano.

Si misurerebbe così l’accuratezza e la completezza delle risposte in condizioni documentate. Non si saprebbe, da solo, quanti clienti le hanno viste né quante vendite ne sono state influenzate. Quelle domande richiedono altre evidenze.

Rendere verificabile l’aspettativa

La visibilità dice a un’azienda se è comparsa in una risposta campionata. Non le dice se quella risposta ha creato un’aspettativa che l’azienda è in grado di soddisfare.

La domanda successiva utile è precisa: quando un assistente descrive i nostri prezzi, le nostre politiche o le nostre capacità, quali affermazioni possiamo verificare, quali condizioni spariscono, e dove il cliente incontra una versione diversa?

Le evidenze esaminate qui non stabiliscono la dimensione di quello scarto. Offrono ragioni sufficienti per iniziare a misurarlo.

Per un cliente a cui è stato detto che i resi sono gratuiti, la distinzione diventa concreta nel momento in cui scopre le condizioni. È lì che la raccomandazione incontra l’azienda — ed è lì che all’azienda serve una risposta propria, chiara e accurata.

— Stefano

Fonti

  1. Jérôme Pouponnot, “Parcours d’achat : comment l’IA bouscule les décisions des clients”, RelationClientMag.fr, 4 settembre 2026, che riporta una ricerca Contentsquare realizzata sul campo da Pollfish.
  2. Vivek Pandya, “U.S. retailers see surge in AI traffic, but many websites are not entirely readable by machines”, Adobe Digital Insights, 16 aprile 2026.
  3. Salesforce, “Shopping’s New First Step: Agentic Search Grows 200%”, State of Commerce, quarta edizione, 28 luglio 2026.
  4. Luís Rijo, “1 in 9 businesses OpenAI recommended carried a wrong claim, audit finds”, PPC Land, 24 agosto 2026, che riporta l’audit Empirank AIV-009.