Il lessico dei ricavi

Si misura come tasso: carrelli abbandonati su carrelli creati. Le cause citate più spesso sono i costi di spedizione scoperti all'ultimo passaggio, la registrazione obbligatoria e un pagamento complicato. Un tasso alto non indica sempre un difetto del sito, ma a una lettura più approfondita può rivelare un uso diverso del carrello, per esempio come promemoria per comprare poi in negozio. Per questo il dato va incrociato con quello degli altri canali prima di intervenire.

Esempio. Un e-commerce ha molti carrelli pieni e poche vendite. Incrociando i dati con quelli dei negozi si scopre che i carrelli abbandonati vengono soprattutto da chi abita vicino a un punto vendita, e lì completa l'acquisto.

Conviene quando poche decine di clienti fanno la maggior parte del fatturato, e chiede a Marketing e Vendite di lavorare sullo stesso elenco di nomi con lo stesso ordine di priorità. Il lavoro procede per passi: si definisce l'ideal customer profile, se ne ricava la target account list, e si misura l'interesse per azienda con il marketing qualified account invece che per singolo contatto. Il primo dialogo si apre con l'outbound marketing (telefonate, cold mailing, presentazioni da contatti comuni, eventi su invito), mentre l'inbound marketing resta utile per farsi trovare dalle aziende dell'elenco. Quando il programma continua dopo la firma, fino al rinnovo, prende il nome di account-based experience.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Un fornitore industriale con poche decine di clienti possibili lavora su un elenco più che su un pubblico: ogni riga porta il nome dell'impresa da conquistare, il venditore che la segue e il motivo per cui quell'impresa dovrebbe cambiare fornitore. I materiali di marketing nascono per quelle righe, e il costo per contatto smette di essere la misura del lavoro.

Mette nello stesso programma marketing, vendite e assistenza. Nasce dall'osservazione che nelle vendite fra imprese una parte rilevante dei ricavi arriva da clienti già acquisiti, e il lifetime value cresce quando l'esperienza dopo la vendita resta all'altezza della promessa.

Esempio. Un fornitore di servizi di manutenzione industriale, dopo il primo contratto con uno stabilimento, prepara ogni trimestre un resoconto dei fermi evitati per il direttore di produzione. Al rinnovo il cliente aggiunge un secondo sito.

Si usa per contratti pluriennali e abbonamenti, e permette di confrontare clienti con durate diverse. Guida la scelta del modello commerciale: un ACV alto giustifica venditori dedicati e programmi di account-based marketing, un ACV basso chiede canali più automatici. Insieme al costo di acquisizione del cliente dice in quanto tempo un cliente ripaga ciò che è costato conquistarlo.

Esempio. Una società di servizi di manutenzione firma un contratto triennale da novantamila euro: l'ACV è di trentamila. Confrontato con un costo di acquisizione di quindicimila euro, il cliente ripaga la spesa commerciale in sei mesi.

La distanza dall'automazione sta in chi sceglie il passaggio successivo, e sposta la domanda di governo: da «la regola è scritta bene?» a «fin dove può spingersi da solo, e chi se ne accorge se supera il confine?». Negli articoli di Enrico Giubertoni l'agente compare anche dall'altra parte del banco: il consumatore gli delega ricerca e confronto, e il brand si trova a parlare con una macchina che rappresenta il cliente.

Esempio. Un'impresa affida a un agente i solleciti di pagamento: legge lo scaduto nel gestionale, sceglie il tono, scrive al cliente e programma il richiamo. Finché nessuno ha messo per iscritto quali clienti l'agente può sollecitare da solo, il confine lo disegna il sistema un caso alla volta, e lo scopre chi legge il registro dopo l'incidente.

Serve ad automatizzare le operazioni ripetitive e a svolgere compiti che richiedono un grado avanzato di decision making, cioè la capacità di scegliere fra alternative, con una supervisione umana ridotta.

Esempio. Verificare le disponibilità in agenda, proporre tre orari alla cliente su WhatsApp, prenotare l'appuntamento e inviare il link per l'acconto; oppure controllare il magazzino e riordinare un prodotto quando scende sotto la soglia.

Negli articoli di Enrico Giubertoni conta l'ordine in cui arrivano gli obblighi più della data d'entrata in vigore: l'articolo 50 sulla trasparenza dei contenuti generati colpisce già oggi l'impresa che li pubblica, mentre i doveri che la obbligherebbero a sapere quali sistemi girano in casa sua sono stati spostati al 2 dicembre 2027 dal Regolamento (UE) 2026/1744. Prima arriva la responsabilità, la visibilità arriva sedici mesi dopo. È la prima legge organica al mondo sull'intelligenza artificiale, e la sua logica è il rischio: vieta le pratiche a rischio inaccettabile, come il punteggio sociale dei cittadini e la manipolazione che sfrutta le fragilità delle persone (divieti in vigore dal 2 febbraio 2025); sottopone a obblighi stringenti i sistemi ad alto rischio, come quelli usati per selezionare il personale o concedere un credito; chiede trasparenza ai sistemi a rischio limitato, come le chat e i contenuti generati; lascia libero il resto. Dal 2 agosto 2025 valgono gli obblighi per i modelli di intelligenza artificiale per finalità generali, quelli alla base degli assistenti generativi. Come il GDPR, si applica a chiunque offra sistemi nel mercato europeo, ovunque abbia sede.

Esempio. Un'azienda pubblica sul proprio sito un video promozionale con una voce generata artificialmente e non lo dichiara: la sanzione dell'articolo 50 arriva fino a 15 milioni di euro o al 3% del fatturato mondiale annuo ed è esigibile dal 2 agosto 2026. Gli obblighi che imporrebbero alla stessa azienda di sapere quali sistemi girano in casa sua sono altri, cioè i doveri degli articoli 26 e 27 su chi impiega un sistema ad alto rischio dell'Allegato III, fra cui la selezione del personale, e maturano il 2 dicembre 2027.

Comprende la scelta degli strumenti, la formazione delle persone, le regole d'uso e la misura dei risultati, perciò riguarda l'organizzazione prima ancora della tecnologia. Gli articoli del sito insistono su un punto: l'adozione dovrebbe guardare oltre il risparmio di costi nel breve periodo. Quando la spinta arriva solo dal vertice e le persone operative restano con i loro dubbi, l'azienda crea uno scollamento interno; da qui discende la Shadow AI, cioè l'uso di strumenti di intelligenza artificiale fuori da ogni regola aziendale. Per questo motivo l'adozione si accompagna a una governance dell'IA e a una gestione del cambiamento che coinvolga chi userà davvero gli strumenti.

Esempio. Un'azienda produttrice di componenti meccanici parte da un solo processo, le offerte tecniche: sceglie lo strumento, forma l'ufficio commerciale, fissa le regole sui dati dei clienti e misura il tempo di risposta prima e dopo. Solo quando il processo regge passa al successivo.

Non nasce dalla mancanza di informazioni, ma dal loro eccesso: la complessità, i rischi percepiti, la velocità con cui cambiano gli strumenti e la posta in gioco. È una forma della paralisi da analisi (analysis paralysis), e ricorda il paradosso della scelta descritto dallo psicologo Barry Schwartz (2004): più alternative ci sono, più è difficile sceglierne una. Ne derivano progetti fermi, occasioni perse e uno svantaggio competitivo che cresce mentre il mercato va avanti. Se ne esce riducendo la decisione: un caso d'uso, un perimetro, una misura di successo.

Un comitato valuta per un anno cinque piattaforme di intelligenza artificiale in attesa di quella definitiva, mentre un concorrente ne adotta una su un solo processo e impara.

Negli articoli di Enrico Giubertoni è una questione di architettura prima che di conformità alle norme, e la domanda ricorrente suona così: se il consiglio di amministrazione chiedesse oggi di dimostrare con prove inconfutabili che l'adozione dell'AI è un bene sotto controllo, la direzione saprebbe farlo? Chi rinuncia a costruirla cade nella paralisi da governance dell'AI, che è la conseguenza diretta del lavorare senza una guida: nessuno sa fin dove può spingersi, e i progetti restano fermi.

Esempio. In un'impresa manifatturiera tre reparti usano tre strumenti diversi, nessuno dei tre è passato dall'ufficio legale e nessuno ha un responsabile. Il governo dell'intelligenza artificiale comincia da una casella dell'organigramma con dentro un nome: il documento di linee guida viene dopo, e senza quel nome resta sulla scrivania.

È una fragilità della direzione più che un problema tecnico: lo spazio fra ambizione e azione in cui si perde il vantaggio competitivo. Si distingue dall'AI decision paralysis, che blocca prima di adottare: qui l'adozione c'è già, spesso sotto forma di shadow AI, e manca chi ne risponde. L'AI Act europeo e la norma ISO/IEC 42001 rendono il problema concreto, perché chiedono di sapere quali sistemi girano in azienda e chi li controlla. Il primo passo per uscirne è misurare il punto di partenza reale.

Il consiglio chiede quanti strumenti di intelligenza artificiale usi l'azienda e con quali dati, e nessuno sa rispondere.

L'AI Act, il regolamento europeo sull'intelligenza artificiale, la nomina in un solo punto, l'articolo 4, che dal luglio 2026 chiede di «adottare misure per sostenere lo sviluppo» di quella competenza e resta fuori dall'elenco degli obblighi sanzionati. Da qui discende il passaggio che Enrico Giubertoni mette in evidenza: l'unico articolo che tocca il terreno su cui cresce lo shadow AI (gli strumenti di intelligenza artificiale che le persone usano per lavorare fuori da ogni scelta e da ogni censimento dell'impresa) è privo di sanzione ed è appena stato ammorbidito.

Esempio. In un'azienda di distribuzione il responsabile commerciale fa riassumere le trattative aperte a un assistente e considera quel testo affidabile quanto un foglio di calcolo. Nessuno gli ha spiegato che è una previsione statistica da rileggere: l'alfabetizzazione mancante costa una riunione passata a discutere di un numero che il sistema ha inventato.

Nata come esperimento nel 2023 con il nome di Search Generative Experience, è stata lanciata negli Stati Uniti nel maggio 2024 e poi estesa ad altri paesi. Cambia il patto su cui si reggeva la ricerca: meno clic verso i siti per le domande semplici, più valore per i contenuti approfonditi e autorevoli, che hanno più probabilità di essere citati come fonte. È il terreno dell'ottimizzazione per le risposte generative.

Chi cerca «che cos'è il churn» legge la definizione direttamente in pagina, con accanto i siti da cui è stata presa.

Per un marchio il danno è di reputazione: chi legge riconosce il contenuto prodotto in serie e smette di fidarsi della fonte. Il rimedio è un passaggio di revisione con un responsabile, prima che il contenuto arrivi al cliente.

Esempio. Un'azienda di servizi finanziari pubblica ogni settimana dieci articoli generati con l'IA, tutti con la stessa struttura e qualche dato sbagliato. In pochi mesi le visite calano e i clienti iniziano a segnalarne gli errori.

L'espressione si è diffusa dal 2015 grazie alla società di analisi Gartner, che la presentava come il passo successivo all'economia dei big data (le grandi masse di dati). Il dato grezzo acquista valore quando un sistema lo trasforma in una scelta pertinente per il cliente: una raccomandazione, un prezzo, un messaggio al momento giusto. Da qui nasce il problema del governo degli algoritmi.

Due catene hanno gli stessi dati di vendita; vince quella il cui algoritmo propone a ogni cliente il prodotto che sta per finire nella sua dispensa.

Enrico Giubertoni lo misura nei passaggi invece che nelle riunioni: il Marketing risponde del volume dei contatti, le Vendite del fatturato chiuso, e il tratto che unisce i due numeri resta fuori dalla scheda obiettivi di entrambi, quindi nessuno lo presidia.

Esempio. Il marketing consegna alle vendite un contatto che ha già chiesto un preventivo, e nel passaggio resta indietro il contesto: che cosa aveva letto e con quale urgenza aveva scritto. Il venditore richiama tre giorni dopo e riparte dalla prima domanda, così la stessa qualificazione si paga due volte. Nessuno dei due reparti ha sbagliato il proprio pezzo: al pezzo in mezzo mancano un nome che ne risponda, un tempo entro cui prenderlo in carico e una prova che dimostri che è avvenuto.

Negli articoli di Enrico Giubertoni il pericolo sta nella credibilità percepita più che nell'errore: man mano che questi sistemi entrano nei flussi di lavoro, chi li usa sopravvaluta l'affidabilità della risposta diretta e rinuncia alla verifica critica delle fonti. Mitigare quel rischio è un dovere di chi porta lo strumento in azienda, accanto alla trasparenza e al rispetto della riservatezza.

Esempio. Un venditore prepara l'offerta per un cliente industriale e chiede all'assistente quale direttiva europea regoli quel componente. Riceve un numero preciso, citato con sicurezza, che nella realtà non esiste. L'offerta parte, il cliente ha un ufficio tecnico, e la credibilità persa costa più delle ore risparmiate.

Riferito al marketing, descrive la presenza continua della marca accanto a quella persona, che la assiste e la informa ogni giorno invece di comparire soltanto nelle campagne di lancio. Il secondo significato è la risposta al primo: le campagne a ondate, pensate per un pubblico che guardava la televisione a orari fissi, lasciano vuoti i giorni in cui il consumatore connesso cerca, confronta e decide.

Un marchio di elettrodomestici pubblica ogni settimana guide d'uso, risponde in chat anche la sera e manda un promemoria per la manutenzione, invece di concentrare tutto il budget nella campagna di Natale.

In italiano si legge «amplificare il vantaggio di segnale», e dice una cosa precisa: il vantaggio non sta nel possedere i dati, che ormai possiedono tutti, ma nel leggerli prima degli altri e nel trasformarli in una decisione. Il lavoro consiste nell'allargare quella distanza.

Esempio. Due concorrenti ricevono lo stesso segnale, cioè un cliente storico che smette di chiedere preventivi. Il primo se ne accorge a fine trimestre leggendo il fatturato, il secondo la settimana dopo leggendo il gestionale: fra i due c'è un vantaggio di segnale, e amplificarlo significa renderlo sistematico invece che fortunato.

Google Analytics è lo strumento più diffuso per farla, e il valore della misura dipende dall'uso a cui serve: gli stessi dati possono decidere quali contenuti scrivere la settimana successiva, oppure riempire un cruscotto che nessuno traduce in una decisione. Il secondo caso ha un nome nel lessico di Enrico Giubertoni, Analytical Inertia, e descrive i dati che crescono mentre le decisioni stanno ferme.

Esempio. Dai dati di traffico del blog aziendale si vede che un quinto degli articoli porta quattro quinti delle visite. Il calendario editoriale del trimestre successivo parte da quella lista invece che dalle idee emerse in riunione, e il reparto smette di produrre contenuti che nessuno cerca.

Esempio. Un'azienda avvia tre progetti pilota di intelligenza artificiale, ciascuno con il suo cruscotto, e nessuno cambia una decisione: è una nuova forma di Analytical Inertia travestita da innovazione.

Negli articoli compare come bias di ancoraggio (in inglese anchoring bias, cioè la distorsione sistematica del giudizio prodotta dalla prima cifra o dal primo dato incontrato), fra le trappole che deformano l'analisi della concorrenza. Riconoscerlo è il primo passo per ridurne l'impatto sulle decisioni.

Esempio. Un venditore apre la trattativa con il listino pieno e poi concede il dieci per cento: il cliente valuta l'offerta a partire da quella prima cifra. Lo stesso prezzo finale, presentato subito come «prezzo netto», viene percepito come più alto.

Va distinto dall'omonimo curatore delle conferenze TED. Le sue idee principali sono tre libri: - «La coda lunga» (The Long Tail), nata come articolo su Wired nel 2004 e diventata libro nel 2006. Gli articoli del sito la riassumono così: il modello «dimostrò come il digitale potesse rendere economicamente sostenibile un'offerta quasi infinita di prodotti di nicchia». Il passaggio logico è questo: quando scaffale e magazzino costano quasi niente, tanti prodotti che vendono poco valgono insieme quanto i pochi successi; - «Free: The Future of a Radical Price» (2009), che il sito indica come «una base concettuale imprescindibile» per capire le forme del gratuito e progettare strategie freemium (il modello in cui il servizio base è gratuito e si pagano le funzioni avanzate); - «Makers» (2012), sulla manifattura digitale e sulla stampa tridimensionale che portano la produzione alla portata di piccoli gruppi. Il blog lo definisce autore di «uno dei libri fondamentali per vivere nel nuovo secolo».

Esempio. Un distributore di prodotti chimici di laboratorio mette online migliaia di reagenti rari che nessun magazzino fisico terrebbe: ciascuno vende poco, ma insieme fanno una parte del fatturato che il catalogo ridotto non raggiungeva. È la coda lunga di Anderson applicata a un mercato industriale.

È un sottoinsieme dell'intelligenza artificiale: l'intelligenza artificiale è l'ambizione di far esibire alle macchine facoltà cognitive umane, l'apprendimento automatico è il percorso più diffuso per arrivarci. Dove la programmazione tradizionale chiede regole precise per ogni azione, qui si forniscono al sistema grandi quantità di dati e algoritmi che ci trovano dentro le regolarità.

Esempio. Una catena di negozi dà al sistema tre anni di scontrini, e il sistema isola micro-segmenti che nessuno aveva mai definito: chi compra solo durante i saldi, chi torna ogni sei settimane, chi ha smesso dopo il cambio di insegna. La regola «cliente che torna ogni sei settimane» l'ha scritta il sistema leggendo i dati, e da lì nascono offerte molto più mirate.

Cerca da solo somiglianze, strutture e gruppi (cluster) nei dati. Si contrappone all'apprendimento supervisionato, in cui ogni esempio porta la sua risposta, e all'apprendimento per rinforzo, che impara da premi e penalità. Uno dei metodi più antichi e usati, il k-means, che divide i dati in un numero dato di gruppi, fu descritto da James MacQueen nel 1967. Nel marketing è lo strumento della segmentazione scoperta nei dati invece che decisa a tavolino.

Un modello divide i clienti in gruppi con abitudini di acquisto simili, che nessuno aveva definito prima.

Con il tempo trova la strategia che rende massima la ricompensa complessiva. L'idea viene dalla psicologia del comportamento; la sua forma informatica è stata sistematizzata da Richard Sutton e Andrew Barto nel manuale Reinforcement Learning (1998). Il caso più noto è europeo: AlphaGo di DeepMind, società nata a Londra, che nel 2016 ha battuto il campione Lee Sedol al gioco del go. Lo stesso metodo, con il giudizio di persone come ricompensa, serve oggi a rendere utili e sicuri i modelli linguistici.

Un sistema che sceglie quale offerta mostrare a ogni visitatore e impara, dai clic e dagli acquisti, quale funziona meglio.

La differenza: la Realtà Aumentata sovrappone elementi digitali al mondo reale inquadrato dalla fotocamera, e il rossetto appare sulle proprie labbra in tempo reale; la Realtà Virtuale sostituisce il mondo reale con un ambiente interamente digitale, in cui si entra di solito con un visore, per esempio un negozio o una cabina estetica ricostruiti in tre dimensioni.

Esempio. Il caso che segue è costruito. Un'azienda produttrice di macchine per il confezionamento manda al cliente un'applicazione di realtà aumentata: il responsabile di stabilimento inquadra il pavimento del reparto e vede la macchina in scala reale, con gli ingombri e i passaggi per i carrelli. Con un visore di realtà virtuale lo stesso cliente percorre la linea completa prima che esista, e le obiezioni sullo spazio emergono prima dell'ordine invece che durante il montaggio.

Nei suoi testi ha due usi: i valori a cui attinge il racconto di marca, e la figura rappresentativa da cui nasce una target persona (il ritratto tipico del cliente a cui ci si rivolge). La selezione conta più della quantità: pochi archetipi che i reparti usano davvero valgono più di molti ritratti fermi su una presentazione.

Esempio. Un'azienda produttrice di infissi costruisce due ritratti di cliente: il geometra che ordina cento pezzi e la famiglia che ristruttura una volta nella vita. Sono due archetipi, e la rete di venditori li adopera perché sono pochi e riconoscibili.

Diventa la giunzione in cui il denaro si perde quando quella regola resta implicita: finché l'origine del contatto e il luogo della consegna stanno in due registri diversi, l'attribuzione è un'opinione contro un'altra, e in consiglio vince chi parla per ultimo. La regola si scrive prima, e vale per tutti.

Esempio. Un cliente confronta il prezzo sullo smartphone mentre è dentro il negozio e poi compra online. Il gesto è uno, e dentro l'azienda la sua attribuzione è contesa fra due direzioni con due bilanci e due premi: la soluzione comincia da un'unica scrittura che conserva insieme l'origine del contatto e il luogo della consegna.

La formulò lo statunitense Douglas Engelbart nel 1962 nel saggio Augmenting Human Intellect, sulla scia di due visioni precedenti: il Memex immaginato da Vannevar Bush nel 1945 e la simbiosi fra persona e computer descritta da J. C. R. Licklider nel 1960. Per svilupparla Engelbart fondò l'Augmentation Research Center allo Stanford Research Institute, e nel 1968 mostrò in una sola dimostrazione pubblica il mouse, gli ipertesti e la videoconferenza. È l'antenato concettuale dell'intelligenza artificiale usata come copilota, e dell'idea di human-in-the-loop.

Un analista che usa l'intelligenza artificiale per esplorare in un'ora ipotesi che da solo avrebbe verificato in una settimana, tenendo per sé la decisione.

Negli articoli di Enrico Giubertoni serve da termine di confronto per l'agentificazione (il passaggio a sistemi che scelgono da soli i passaggi con cui raggiungere un obiettivo assegnato), e l'errore di valutazione che ricorre è proprio confondere le due: all'agente si delega un'autonomia esecutiva di reazione dentro scopi definiti, mentre la visione, la strategia e la decisione che indirizzano quello scopo restano di una persona. Nel marketing prende la forma della marketing automation (l'automazione del marketing), cioè software che incrociano dati complessi per segmentare il pubblico, riconoscere quando un segmento è pronto all'acquisto e adattare di conseguenza i messaggi.

Esempio. Una banca collega il gestionale dei clienti alla piattaforma di invio e imposta una regola: chi apre un conto corrente riceve dopo venti giorni il messaggio sul piano di accumulo (l'investimento a piccole rate mensili). Il criterio lo ha scelto la responsabile Marketing, la macchina lo esegue, e la responsabilità di quel messaggio resta di chi ha scritto la regola.

Il risultato dipende da come l'impresa ha disegnato i propri flussi prima di comprare lo strumento: due aziende con la stessa piattaforma ottengono esiti diversi, perché ciascuna vi ha versato la propria definizione di contatto e di conversione.

Esempio. La piattaforma registra un contatto quando qualcuno scarica un documento, mentre la rete vendita chiama contatto soltanto chi ha chiesto un preventivo. In consiglio i due numeri si contraddicono e la discussione sull'attribuzione (quale canale si prende il merito di una vendita) diventa un'opinione contro un'altra. Prima si ridisegna il confine fra Marketing e Vendite, poi si configura la piattaforma.

Vale per le persone e per i siti: un venditore autorevole conosce a fondo il prodotto e gestisce le obiezioni con professionalità, e un sito autorevole su un tema passa quel credito alle proprie pagine, tanto che i motori di ricerca e i sistemi di intelligenza artificiale lo scelgono come fonte.

Esempio. In un punto vendita l'addetto che conosce a fondo il prodotto, propone soluzioni su misura e gestisce le obiezioni con professionalità costruisce un'autorevolezza professionale da cui nasce un rapporto più solido con il pubblico, e si vede nel rendimento complessivo del negozio e nella lealtà del cliente. Sul sito, gli approfondimenti collegati fra loro attorno a una pagina pilastro (in inglese pillar page, la pagina che copre l'argomento per intero) concentrano l'autorevolezza su un argomento e la distribuiscono alle pagine collegate.

La parola viene dal sanscrito avatāra, «discesa», che nella tradizione induista indica l'incarnazione di una divinità sulla terra. Il senso digitale nasce con il gioco online Habitat di Lucasfilm (1986) e si diffonde con il romanzo Snow Crash di Neal Stephenson (1992), dove gli avatar abitano il metaverso. Per un marchio l'avatar è anche un cliente da vestire e da servire: moda e cosmetica vendono capi e trucchi digitali pensati per lui. Fuori dal mondo dei videogiochi, però, questo genere di esperienze non è ancora riuscito a entrare stabilmente nei processi di marketing delle imprese.

Una persona entra in una piattaforma di gioco con il suo avatar e compra per lui una giacca digitale di un marchio di moda, identica a quella in vendita nei negozi.

Per queste caratteristiche nel B2B contano strumenti come l'ideal customer profile, l'account-based marketing e l'allineamento fra marketing e vendite, e il valore di un cliente si legge nel lifetime value più che nel singolo ordine.

Esempio. Un'azienda produttrice di valvole industriali vende a costruttori di impianti. Ogni commessa passa dall'ufficio tecnico, dagli acquisti e dalla direzione, richiede sei mesi e porta ordini ripetuti per dieci anni.

Per questo nel B2C pesano i canali di massa, la DEM, la pubblicità e il tasso di conversione dei negozi fisici e digitali.

Esempio. Un istituto di credito offre lo stesso conto sia alle imprese sia alle famiglie. Per le famiglie l'apertura avviene in dieci minuti dall'app, per le imprese passa da un colloquio con il gestore: due percorsi diversi per lo stesso prodotto.

Lavora sull'outbound marketing, mentre il sales development representative gestisce più spesso i contatti che arrivano dal marketing. Nei programmi di account-based marketing il BDR lavora sulla target account list e porta le aziende bersaglio fino al primo incontro.

Esempio. Un'azienda produttrice di imballaggi tecnici vuole entrare nel settore farmaceutico, dove non ha clienti. Un BDR mappa sessanta aziende, individua per ciascuna il responsabile degli acquisti e della qualità, e in tre mesi porta i venditori a nove incontri.

Il risultato sono risposte sistematicamente distorte a danno di alcuni gruppi.

Esempio. Se la ricerca «donna» restituisce quasi solo immagini di donne bianche caucasiche, l'algoritmo ha identificato il concetto di donna con uno solo dei suoi gruppi. In qualunque valutazione automatica lo stesso meccanismo penalizza chi assomiglia poco ai casi del passato su cui il modello ha imparato.

Lo hanno descritto gli psicologi israeliani Amos Tversky e Daniel Kahneman nel 1973, dentro il programma di ricerca sulle scorciatoie mentali (euristiche) che ha fondato l'economia comportamentale. Porta a sopravvalutare i rischi vistosi e a sottovalutare quelli silenziosi, ed è la ragione per cui un caso raccontato bene pesa più di una statistica.

Dopo la notizia di un attacco informatico a un concorrente, un'azienda sposta tutto il budget sulla sicurezza e trascura il calo lento dei clienti.

Lo ha messo in luce lo psicologo britannico Peter Wason con i suoi esperimenti degli anni Sessanta; Daniel Kahneman, premio Nobel per l'economia nel 2002, ne ha raccontato il ruolo nelle decisioni in Pensieri lenti e veloci (2011). In Italia sui bias nelle decisioni di marketing e nel rapporto con gli algoritmi ha lavorato Andreina Mandelli. Nelle imprese porta a leggere i dati come prova della strategia scelta e a ignorare i segnali deboli di un cambiamento; gli algoritmi dei social lo amplificano, perché mostrano a ciascuno ciò che conferma i suoi gusti.

I dirigenti di Blockbuster trovarono nei dati la conferma che il noleggio in negozio fosse insostituibile, e non diedero peso al fastidio dei clienti per penali e film non disponibili.

L'immagine più semplice è un quaderno dei conti di cui ogni partecipante tiene una copia identica: ogni nuova riga viene controllata da tutti prima di essere scritta, e se qualcuno prova a cambiare una riga vecchia nella sua copia, le altre copie lo smentiscono subito. Per questo non serve un'autorità centrale, come una banca o un notaio, a garantire che il registro sia vero: lo garantisce il fatto che è in mano a tutti. Ogni blocco porta un'impronta digitale (hash) del blocco precedente, e cambiarne uno spezzerebbe la catena. L'idea di marcare documenti digitali in una catena è di Stuart Haber e W. Scott Stornetta (1991); la prima blockchain funzionante nasce nel 2009 con Bitcoin, la moneta digitale descritta nel 2008 da un autore rimasto anonimo, Satoshi Nakamoto. Nel 2015 Ethereum, ideata da Vitalik Buterin, aggiunge i contratti intelligenti (smart contract), piccoli programmi che eseguono un accordo da soli quando si verificano le condizioni. L'Unione Europea sviluppa dal 2018 una propria infrastruttura, EBSI (European Blockchain Services Infrastructure), per certificare diplomi e documenti pubblici fra i paesi membri. Oltre alle monete digitali serve dove più soggetti che non si conoscono devono fidarsi dello stesso dato: la tracciabilità di una filiera, un titolo di studio, un certificato di autenticità.

Una bottiglia di vino porta un codice: inquadrandolo, il cliente vede su una blockchain la vigna, la data della vendemmia e ogni passaggio fino allo scaffale, registrati dai diversi attori della filiera e che nessuno di loro può ritoccare dopo.

Il marchio orchestra ogni punto di contatto, digitale e fisico, e passa dal promuovere prodotti al costruire un ecosistema che accompagna il cliente. Enrico Giubertoni ha sviluppato il concetto nei suoi lavori sulle strategie digitali nella cosmesi, dove il marchio della bellezza diventa il luogo in cui la cliente trova diagnosi, consiglio, prova virtuale e comunità, prima ancora del prodotto.

Un marchio sportivo la cui app registra gli allenamenti, propone programmi, organizza eventi e vende l'attrezzatura adatta.

Nasce dalla percezione e dall'esperienza del consumatore: notorietà, qualità percepita, associazioni, fedeltà. David Aaker, che la teorizzò nel libro Managing Brand Equity (1991), la descrive come un insieme di attività e di passività legate al marchio, che possono aggiungere o togliere valore all'offerta; Kevin Lane Keller nel 1993 l'ha letta dal lato del cliente, come la differenza che la conoscenza del marchio produce nella sua risposta. Si misura con il prezzo in più che il cliente accetta di pagare, con la fedeltà e con la resistenza alle crisi.

Due trapani con le stesse caratteristiche tecniche, usciti dalla stessa fabbrica: quello del marchio noto si vende a un prezzo più alto e con meno sconti.

Sono calcolatrici a ruota a pioli: l'azienda ottiene in licenza alla fine dell'Ottocento il progetto di Willgodt Theophil Odhner, e il suo ingegnere Franz Trinks lo migliora fino a renderlo adatto alla produzione su larga scala. Nel 1921 l'azienda diventa una società per azioni, e il nome Brunsviga copre una famiglia di modelli diffusi negli uffici tedeschi ed europei per buona parte del Novecento. Fra questi: - la Brunsviga Trinks MR, il modello in formato ridotto degli anni della Prima guerra mondiale; - la Brunsviga 13, prodotta fra gli anni Venti e la Seconda guerra mondiale. Dal 1922 al 1927 la vicina Rema Patent, anch'essa di Braunschweig, si unisce di fatto alla casa, e alcuni suoi modelli escono con il marchio Brunsviga. È uno dei nomi europei più noti delle tecnologie dell'intelligenza meccaniche.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Un istituto di credito tedesco degli anni Trenta calcola gli interessi dei conti a fine trimestre: ogni impiegato ha sulla scrivania una calcolatrice a manovella, e la parola Brunsviga sul coperchio basta a indicare il tipo di macchina, come accadrà poi con il nome di una marca di computer.

Secondo il Rechnerlexikon la produzione va dal 1927 al 1943, e i modelli di prima della guerra escono sempre in livrea nera; il verde arriva con le versioni del dopoguerra. È una macchina da scrivania con tre elementi che ne spiegano l'uso in ufficio: - le levette di impostazione, una per cifra, che fanno sporgere i pioli dei dischi; - il carrello mobile, che porta il registro dei risultati e il contatore dei giri e si sposta di una posizione per moltiplicare per dieci; - la manovella laterale, che si gira in avanti per sommare e all'indietro per sottrarre. Il meccanismo è quello ideato da Willgodt Theophil Odhner e sviluppato in Germania da Franz Trinks, e appartiene alle tecnologie dell'intelligenza che hanno portato il calcolo meccanico negli uffici prima del computer.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Il contabile di un'azienda chimica degli anni Trenta divide il costo di un lotto per i chili prodotti: imposta il costo con le levette, sposta il carrello e gira la manovella all'indietro finché sente il campanello, poi legge il quoziente nel contatore dei giri.

di Braunschweig dal 1916 al 1924. La sigla MR sta per Miniature Rechenmaschine, cioè «calcolatrice in miniatura»: è una versione in formato ridotto delle macchine da scrivania della casa. Il nome Trinks rimanda a Franz Trinks, l'ingegnere che sviluppò i modelli a pioli dell'azienda sul progetto di Willgodt Theophil Odhner. Secondo il Rechnerlexikon la dicitura Trinks-Brunsviga è un'aggiunta al nome voluta per sottolineare la qualità delle macchine, perciò trovarla scritta su un esemplare non identifica una variante. Il modello appartiene alle tecnologie dell'intelligenza meccaniche ed è precedente alla Brunsviga 13.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Un'azienda manifatturiera degli anni Venti manda il suo ispettore a controllare i conti delle filiali: una calcolatrice compatta entra nella valigia e lo segue di città in città, dove una macchina da scrivania resterebbe in sede.

La cifra da sola dice poco, perché avere un budget non garantisce di allocarlo bene: la resa dipende dalla capacità del team che lo guida. Negli articoli la scelta ricorrente riguarda la destinazione: meno spesa per interrompere il consumatore con la pubblicità tradizionale e più per accompagnarlo e assisterlo.

Esempio. Nel quarto trimestre la direzione alloca il budget dell'anno successivo e ci mette una voce per la formazione sui nuovi strumenti, intelligenza artificiale compresa. La stessa somma spesa tutta in spazi pubblicitari compra dodici mesi di visibilità; spesa in parte sulle competenze del team lascia una capacità che resta anche l'anno dopo.

Il termine nel senso moderno lo usa per primo Hans Peter Luhn, ricercatore di IBM, nell'articolo «A Business Intelligence System» del 1958; lo diffonde alla fine degli anni Ottanta Howard Dresner, analista di Gartner. Il suo valore sta nell'incrocio dei dati. Il dato di un solo reparto racconta metà della storia, mentre la BI mette accanto, per esempio, le vendite dell'e-commerce e quelle dei negozi fisici, e mostra comportamenti che nessun reparto vede da solo.

Esempio. Un marchio europeo con e-commerce e negozi incrocia i dati dei due canali e scopre che chi abita vicino a un negozio usa il carrello online come promemoria e poi compra in negozio.

Nelle imprese organizzate per business unit ogni unità tende a scegliere strumenti e metodi suoi: è lì che nascono i dati che l'azienda possiede e non trasforma in decisioni, e i disallineamenti tra reparti che rallentano il lavoro comune.

Esempio. Un gruppo chimico ha tre business unit: vernici, adesivi e additivi. Ognuna ha il suo listino, la sua forza vendita e il suo bilancio, e ognuna ha adottato un diverso assistente di IA.

Il buzz (in inglese il ronzio) è quel brusio di entusiasmo. Lo ha descritto per primo in modo organico Emanuel Rosen nel libro The Anatomy of Buzz (2000), che studia come il passaparola corre nelle reti di relazioni. Funziona quando nasce da un'esperienza condivisa che merita di essere raccontata, perché il passaparola influenza le decisioni di acquisto più della pubblicità; si distingue dal marketing virale, che punta su un singolo contenuto da far girare.

Un lancio a sorpresa riservato a pochi invitati, che raccontano l'evento ai loro contatti prima dell'annuncio ufficiale.

Girando la manovella, i pioli sporgenti fanno da denti e fanno avanzare la cifra corrispondente nel registro dei risultati. Secondo John Wolff tutte le macchine di questo tipo derivano, chi più chi meno, dai progetti di Willgodt Theophil Odhner degli anni 1870-1880, perciò si chiama anche aritmometro di Odhner. Il funzionamento si capisce in quattro parti: - l'impostazione: per ogni cifra c'è un anello con una levetta; girandola, una rampa spinge fuori o ritira i pioli del disco; - la somma e il riporto: a ogni giro i pioli fanno avanzare le ruote numerate, e quando una ruota passa da nove a zero il riporto della decina passa alla ruota successiva, a cascata; - il contatore: conta i giri della manovella, ed è così che si leggono il moltiplicatore di una moltiplicazione o il quoziente di una divisione; - la sottrazione: si gira la manovella al contrario. Rispetto al tamburo a gradini di Leibniz, il sistema usato dalle macchine precedenti, la ruota a pioli occupa molto meno spazio, e da qui discende il suo successo negli uffici. È fra le tecnologie dell'intelligenza più diffuse prima del computer: ne nascono le famiglie Original-Odhner e Brunsviga, quest'ultima sviluppata in Germania da Franz Trinks.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Nell'ufficio contabile di un'azienda chimica degli anni Trenta l'impiegato imposta l'importo di una fattura girando le levette, poi dà tre giri di manovella: il registro mostra il triplo, e il contatore conferma che i giri sono stati tre.

Regge come prova quando porta numeri e fonti che chi legge può controllare, e mostra un metodo al lavoro.

Esempio. Un corso di formazione digitale del 2010 diventa un caso di studio perché il verbale della commissione esaminatrice registra un fatto misurabile: la maggior parte degli stage proseguì come collaborazione oltre il termine previsto, condizione che gli accordi non contemplavano. Il documento rende il risultato controllabile da chi legge, e la lezione trasferibile a un'altra organizzazione.

Il modello legge segnali come il calo degli acquisti, le richieste all'assistenza o il minore uso del servizio, e assegna a ogni cliente una probabilità di abbandono. Nata nelle telecomunicazioni e nelle banche, dove i clienti hanno un contratto e l'abbandono si vede nel giorno della disdetta, oggi si usa in ogni settore in abbonamento. Serve a intervenire prima che il cliente se ne vada, con azioni di fidelizzazione mirate, e il suo valore si misura sul valore del cliente nel tempo che salva.

Una compagnia telefonica chiama con un'offerta dedicata i clienti che il modello segnala a rischio.

Esempio. In un'azienda di servizi industriali la direzione commerciale dichiarava un ciclo di vendita fra i sei e i trentasei mesi, e quella cifra spiegava perché i contatti generati restassero senza esito. I contratti effettivamente firmati raccontavano meno di due mesi: i contatti lenti restavano fermi, e chi comprava lo faceva in fretta.

Il primo grande esperimento è sudcoreano: OhmyNews, fondato nel 2000 da Oh Yeon-ho con il motto «ogni cittadino è un reporter». Il giornalista statunitense Dan Gillmor ne ha fatto la teoria in We the Media (2004), e Jay Rosen ha parlato nel 2006 delle «persone un tempo note come pubblico». Lo tsunami dell'Oceano Indiano del 2004 e gli attentati di Londra del 2005 sono stati raccontati prima dai testimoni che dalle redazioni; in Italia accadde nelle ore del terremoto dell'Aquila del 2009. Arriva prima dei giornalisti di professione, ma senza la loro verifica: per questo convive con il rischio di notizie false, e ha spinto le redazioni a creare squadre dedicate a verificare i contenuti degli utenti.

Nelle ore successive al terremoto dell'Aquila del 2009 i primi aggiornamenti arrivarono dai residenti, non dalle redazioni.

Per chi usa l'IA in azienda conta soprattutto l'articolo 98: un'informazione riservata è tutelata come segreto commerciale solo se l'azienda l'ha protetta con misure ragionevolmente adeguate a mantenerla segreta. Ne consegue che la tutela dipende dalle regole che l'azienda si è data e sa dimostrare.

Esempio. Un'azienda chimica custodisce le formule dei propri additivi. Se un tecnico ne incolla una in una chat di IA pubblica, e l'azienda non ha mai fissato una regola su questi strumenti, in giudizio sarà più difficile sostenere che quella formula era protetta.

Negli articoli di Enrico Giubertoni conta la sua profondità più della sua quantità: il tono dei commenti e la loro articolazione dicono di un pubblico cose che il conteggio delle interazioni lascia fuori. È un indicatore quantitativo che risponde alla domanda «quanto è coinvolto il mio target», e il perché sta nei dati qualitativi.

Esempio. Una community aziendale misura il proprio successo su follower, like e impressioni, e i numeri salgono ogni mese. Passando a misurare coinvolgimento attivo, sentiment (il tono, favorevole o ostile, di ciò che il pubblico scrive), ritorno dei membri e qualità delle interazioni, la stessa community mostra dove il legame è davvero relazionale e dove è rimasto transazionale.

Ogni messaggio cita il destinatario e il suo problema, e di solito fa parte di una sequenza di tre-cinque email distanziate di qualche giorno. È uno strumento dell'outbound marketing, e nell'account-based marketing serve spesso ad aprire il primo dialogo con le aziende bersaglio. Si distingue dalla DEM per il numero e per la cura: poche decine di messaggi scritti per una persona contro migliaia di copie dello stesso messaggio. Le misure che contano sono il tasso di risposta e gli appuntamenti fissati, più delle aperture.

Esempio. Un consulente di processo industriale scrive a trenta direttori di stabilimento del settore chimico. Ogni email apre con un dato pubblico dello stabilimento, come un ampliamento annunciato, e chiede un confronto di venti minuti: rispondono in sette.

Negli articoli è un canale da progettare e non un catalogo da pubblicare: l'esperienza d'uso decide se un visitatore compra, e il modo in cui un negozio proprio si distingue dai grandi mercati digitali è ciò che lo tiene in piedi accanto a loro.

Esempio. Un'impresa misura che i clienti vicini ai negozi riempiono il carrello e abbandonano il pagamento, mentre quelli lontani concludono online. Lo stesso dato letto per zona cambia la decisione: il carrello abbandonato a due strade dal negozio diventa un ritiro in negozio da proporre, e il venditore allo scaffale entra nel percorso.

Si riconosce da cinque tratti: comunicazione in tutte le direzioni, fra i membri e con l'impresa; senso di appartenenza; scambio reciproco di aiuto e informazioni; possibilità di co-creare l'offerta; relazioni di lungo periodo. Lo scrittore statunitense Howard Rheingold ne ha dato la prima descrizione in The Virtual Community (1993), raccontando la sua esperienza su The WELL, una delle prime comunità in rete, nata a San Francisco nel 1985. Per un'impresa è un patrimonio che genera fedeltà, passaparola e idee; si distingue dal community marketing, che è l'uso di quel patrimonio a fini di marketing.

Il forum di un marchio di biciclette in cui i clienti si scambiano percorsi e consigli di manutenzione, e segnalano i difetti che l'azienda corregge.

Il costo si misura nei passaggi di consegne fra Marketing, Vendite, logistica e assistenza clienti, dove l'informazione si ferma e il cliente lo sente. Chi li smantella parte dagli obiettivi condivisi, perché una riunione in più senza un obiettivo comune lascia i silos dove sono.

Esempio. In un'azienda che vende sia in negozio sia online i due canali hanno responsabili distinti, sistemi di incentivi distinti e il timore che l'uno rubi le vendite all'altro: è un silo che si difende. Il cliente che cerca sul telefono e compra in negozio attraversa quella frattura, e la ritrova ogni volta che chiede una disponibilità o un reso.

Negli articoli di Enrico Giubertoni la parola nomina l'inclinazione che qualcuno o qualcosa si porta addosso. Nel novembre 2007 il blog Ecoweb diventa Buzzes.eu, perché la connotazione europeista del suo autore lo spinge verso i domini .eu (il suffisso europeo degli indirizzi web) appena nati. Al SANA 2016, il Salone Internazionale del Biologico e del Naturale che si tiene a Bologna, l'intervento riguarda l'eco sui social network generata dalla cosmesi a connotazione naturale, dove la parola qualifica una categoria di prodotto. Gran parte del lavoro su una campagna avviene su questo piano, e avviene spesso mentre si crede di lavorare sulle caratteristiche del prodotto.

Esempio. Una bottega alimentare mette in vetrina due oli della stessa provenienza: uno in bottiglia di vetro scuro con etichetta di carta grezza, l'altro in bottiglia di plastica trasparente. Il piano letterale è identico, la connotazione no, e il prezzo che il cliente accetta segue la connotazione.

È una delle basi giuridiche previste dal regolamento europeo, e nel lavoro commerciale si comporta come un requisito di apertura: un'insegna verifica consenso, sicurezza e finalità d'uso prima di aprire un flusso di dati verso un fornitore. Chi lo tratta come un adempimento da sistemare in fondo al progetto lo scopre quando il flusso è già costruito e va rifatto.

Esempio. Una community di clienti vale come canale quando esiste un elenco dell'azienda, con il consenso raccolto e l'identità nota di chi ne fa parte. Le stesse conversazioni ospitate soltanto su una piattaforma altrui restano un luogo in affitto, e il giorno in cui quella piattaforma cambia le condizioni il rapporto si interrompe.

Negli articoli la sua strategia parte dal problema da risolvere e arriva al prodotto in fondo, e si giudica con indicatori dichiarati in partenza: quando quegli indicatori mancano, il numero di contenuti pubblicati diventa l'unica misura disponibile.

Esempio. Un costruttore di macchinari pubblica ogni settimana una scheda tecnica e conta le schede. Riletta sul problema del cliente, la stessa produzione cambia forma: le schede diventano risposte alle domande che arrivano al servizio clienti, e l'indicatore diventa quante di quelle domande smettono di arrivare al telefono.

Oggi il settore parte dalla vendita condotta dentro una conversazione su app di messaggistica o chat. È destinato a estendersi attraverso l'assistente personale d'acquisto (personal shopping assistant) integrato negli e-commerce, che funziona come un nuovo motore di ricerca basato sul dialogo.

Esempio. Il caso che segue è costruito. Un'azienda produttrice di utensili mette sul sito un assistente che chiede al cliente quale materiale deve forare, con quale macchina e con quale volume di lavoro, e alla terza risposta propone le due punte adatte con il collegamento per ordinarle. Il catalogo resta, e il cliente arriva al prodotto attraverso le domande.

Ha retto per vent'anni la misura della pubblicità online, e oggi regge meno: i programmi di navigazione limitano i cookie posati da soggetti diversi dal sito visitato, quindi la misura si sposta sui dati che l'azienda raccoglie in prima persona. Chi legge un cruscotto pubblicitario oggi legge una stima, e conviene saperlo prima di portarla in riunione. In Europa i cookie sono regolati dalla direttiva 2002/58/CE sulla vita privata nelle comunicazioni elettroniche (detta ePrivacy), modificata nel 2009 dalla direttiva 2009/136/CE, nota come «legge sui cookie»: salvo quelli tecnici indispensabili, un cookie si può depositare solo con il consenso di chi visita il sito, ed è da qui che nascono i banner. In Italia il Garante per la protezione dei dati personali ha aggiornato le sue linee guida nel 2021, chiedendo fra l'altro che rifiutare sia facile quanto accettare.

Esempio. Un negozio online vede cento conversioni nel cruscotto della piattaforma pubblicitaria e sessanta ordini attribuiti nel gestionale. Lo scarto nasce da più cause che convivono, dai cookie caduti fra un dispositivo e l'altro alle finestre di attribuzione che la piattaforma decide da sé (il periodo entro cui un ordine viene ancora contato come effetto di un annuncio), e la domanda utile riguarda quale dei due numeri entra nella riunione commerciale e chi risponde di quella differenza.

Misura l'ampiezza del pubblico raggiunto: una copertura che sale mentre il valore medio per contratto resta fermo descrive un pubblico più grande, e un mercato che compra meglio si vede su altri indicatori.

Esempio. Una direzione marketing ottimizza i contenuti per la copertura e la visibilità, e il conto lo paga la profondità: è il punto in cui l'algoritmo diventa il direttore creativo al posto di chi scrive. La copertura dice quante persone diverse hanno visto, e quanto vale quel pubblico si legge sul valore dei contratti firmati.

Il confronto che ne chiarisce la posizione è con l'automazione, dove il criterio l'ha scelto chi ha scritto la regola, e con l'agente, che sceglie da sé il passaggio successivo dentro un perimetro assegnato: qui, invece, decide la persona ogni volta. Nei testi di Enrico Giubertoni la parola compare come nome di prodotto, Bing Copilot, accanto a Search GPT e Google Gemini, fra i motori che leggono i dati strutturati di un sito per costruire le proprie risposte.

Esempio. In un punto vendita l'addetto interroga un assistente sul modello che il cliente ha in mano e riceve in tre secondi disponibilità, alternative e condizioni di garanzia. L'assistente propone, l'addetto sceglie che cosa dire e si prende la responsabilità del consiglio.

L'autore resta titolare dei diritti e concede a tutti di usare, modificare e ridistribuire l'opera, a una condizione: chi la ridistribuisce, modificata o no, deve concedere le stesse libertà alle stesse condizioni. Il nome gioca sul contrasto fra right (destra, ma anche diritto) e left (sinistra, ma anche lasciato): dal «tutti i diritti riservati» al «lasciato a tutti». La conseguenza pratica è che la libertà dell'opera si trasmette lungo la catena delle versioni derivate, e nessuno può chiuderla in un prodotto proprietario. L'esempio più noto nel software è la GPL; nelle licenze Creative Commons il corrispettivo è la clausola SA (Share Alike, cioè condividi allo stesso modo). Il copyleft si distingue dalle licenze permissive, come MIT o BSD, che chiedono soltanto di citare l'autore e lasciano libero chi riusa il codice di chiudere la propria versione.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Un laboratorio chimico universitario pubblica con licenza CC BY-SA un manuale di sicurezza; un'azienda chimica lo adatta ai propri impianti e lo diffonde ai fornitori: la versione adattata esce con la stessa licenza, perciò chiunque potrà a sua volta migliorarla.

La protezione nasce con la creazione dell'opera, senza registrazioni, e dura per tutta la vita dell'autore e per settant'anni dopo la sua morte. Il simbolo © con il nome del titolare e l'anno ricorda chi detiene i diritti; la formula «tutti i diritti riservati» dice che ogni uso va chiesto. Fra copyright anglosassone e diritto d'autore europeo c'è una differenza di impostazione. Il primo protegge soprattutto lo sfruttamento economico dell'opera; il secondo aggiunge i diritti morali, come il diritto a essere riconosciuto autore, che restano all'autore anche quando cede quelli economici. In Italia la norma di riferimento è la legge 633 del 1941, aggiornata nel 2021 per recepire la direttiva (UE) 2019/790 sul diritto d'autore nel mercato unico digitale. Il tema torna d'attualità con l'intelligenza artificiale generativa: gli articoli del sito citano «il bias dell'AI nel business e il copyright» fra le preoccupazioni dei più giovani nei gruppi di lavoro. Creative Commons offre una via di mezzo, «alcuni diritti riservati», con cui l'autore concede in anticipo alcuni usi.

Esempio. Un istituto finanziario fa scrivere a un'intelligenza artificiale generativa il testo di una brochure: prima di pubblicarla verifica che il testo non riproduca brani protetti di altri autori, ed è il rischio che gli articoli del sito associano al copyright nell'adozione dell'AI.

Contano perché entrano nella valutazione del posizionamento, e perché una pagina lenta perde il visitatore prima che il contenuto abbia avuto la sua occasione.

Esempio. Il sito di un'impresa manifatturiera ha schede prodotto ricche di immagini che continuano a caricarsi mentre la persona sta già leggendo, e il testo si sposta sotto le dita. Chi arriva da telefono se ne va prima del modulo di richiesta, e il difetto si vede nei Core Web Vitals prima ancora che nel numero di richieste ricevute.

Sono la forma classica dell'approccio one to many, uno che parla a molti, e gli articoli del sito li mettono accanto ai webinar «con ventimila partecipanti». Il loro vantaggio è il costo per persona contenuto e la possibilità di confrontarsi con chi lavora altrove. Ne consegue però un limite: siccome il programma deve valere per tutti, resta lontano dai processi e dai dati di ciascuna impresa, e in aula nessuno porta i propri problemi reali davanti a possibili concorrenti. Per questo motivo, quando l'obiettivo è cambiare un processo, si preferisce la formazione in azienda.

Esempio. Un responsabile acquisti di un'azienda manifatturiera segue un corso interaziendale sull'intelligenza artificiale accanto a colleghi di banche e di studi professionali: impara il lessico comune, ma gli esempi non toccano mai i suoi fornitori né i suoi ordini.

È insieme strategico e tattico: aiuta a fissare i fini ultimi della campagna e dà gli strumenti operativi per raggiungerli. Si fonda sul modello Pain/Gain, cioè sui punti di dolore e sui punti di guadagno della cliente, per individuare i valori e i contenuti che differenziano il prodotto e ne danno la ragione d'acquisto (reason why), da trasformare in un approccio esponenziale.

Esempio. Il caso che segue è costruito. Un marchio di solari parte dal punto di dolore della cliente, il timore della pelle lucida in città, e dal punto di guadagno che cerca, una protezione invisibile sotto il trucco. Da quei due punti ricava la ragione d'acquisto, la texture che non si vede, e sugli otto passaggi del CMP costruisce un calendario di contenuti in cui ogni pubblicazione dimostra quella sola promessa.

Preso da solo dà il prezzo dell'ingresso, e il margine che quell'ingresso porta sta in un altro numero, il valore del cliente nel tempo. I due si leggono insieme.

Esempio. In un'impresa il costo per acquisizione sale su tutti i canali nello stesso trimestre, e la prima ipotesi è che l'agenzia stia lavorando male. Quando sale ovunque insieme la causa sta di solito nella saturazione del mercato, cioè nel numero di concorrenti che comprano lo stesso spazio: si cambia il mix di canali prima della cifra.

Il prezzo lo fa un'asta, e in un'asta il prezzo dipende dal numero dei partecipanti: quanti più inserzionisti comprano lo stesso spazio, tanto più il costo sale, a parità di bravura di chi imposta la campagna.

Esempio. Un'azienda di componentistica vede il costo per clic salire da un anno all'altro, con le stesse impostazioni e la stessa agenzia. La causa sta nel numero di concorrenti entrati nella stessa asta: alzare l'offerta compra spazio già affollato, e la mossa utile è cambiare il mix dei canali.

È l'indicatore che scende più facilmente di tutti: una piattaforma pubblicitaria impostata sul numero di conversioni spinge la spesa dove le conversioni costano poco, e le conversioni che costano poco sono quasi sempre le meno preziose.

Esempio. In un'azienda il costo per contatto scende riunione dopo riunione mentre il valore dei contratti firmati resta fermo. La riga di configurazione che chiedeva al sistema di ottimizzare sul numero dei contatti stava lì da mesi, e faceva esattamente quello che le era stato chiesto.

Serve a confrontare il prezzo dello spazio pubblicitario fra canali diversi: dice quanto costa farsi vedere, e quanto vale essere visti si legge su altri indicatori.

Esempio. Una catena di negozi confronta due piattaforme e trova lo stesso costo per mille impressioni. La scelta si decide altrove: su quale delle due porta persone che poi entrano in negozio, perché il prezzo della visibilità è identico e il valore di ciò che arriva dopo è diverso.

Si usa soprattutto nella pubblicità digitale, dove spesso è anche il modo in cui si paga. Si distingue dal costo per lead, che conta i contatti, e dal costo di acquisizione del cliente (CAC), che somma tutte le spese commerciali e di marketing per ogni cliente nuovo. Un CPA basso su un'azione poco legata al fatturato è un risultato apparente.

Esempio. Una società di noleggio di macchinari spende tremila euro in pubblicità e ottiene sessanta richieste di preventivo: il CPA è di cinquanta euro. Solo sei richieste diventano contratti, e il conto che conta per la direzione è quello per contratto firmato.

Gli articoli del sito ricordano che Lessig, promuovendo l'idea di una «cultura libera», ha posto «questioni fondamentali sul diritto d'autore nell'era digitale». La risposta pratica è un passaggio da «tutti i diritti riservati» ad «alcuni diritti riservati»: l'autore resta titolare del copyright e dichiara in anticipo che cosa gli altri possono fare, così nessuno deve chiedere il permesso caso per caso. Le licenze si compongono con quattro clausole: BY (attribuzione, si cita l'autore), SA (Share Alike, le opere derivate escono con la stessa licenza), NC (Non Commercial, niente uso commerciale) e ND (No Derivatives, niente modifiche). Le sei licenze sono queste: - CC BY: si può fare tutto, anche a fini commerciali, citando l'autore; - CC BY-SA: come la precedente, e le opere derivate restano libere allo stesso modo; - CC BY-NC: uso e modifiche ammessi, solo a fini non commerciali; - CC BY-ND: si può ridistribuire, anche a fini commerciali, ma senza modifiche; - CC BY-NC-SA: niente uso commerciale, e le derivate escono con la stessa licenza; - CC BY-NC-ND: la più restrittiva, si condivide l'opera intera e citata, senza modifiche e senza guadagno. A parte sta CC0, con cui l'autore rinuncia ai propri diritti per quanto la legge lo consente e porta l'opera verso il dominio pubblico. Ogni licenza ha il suo bollino grafico con le sigle delle clausole. Le licenze Creative Commons sono pensate per testi, immagini, musica e dati; per il software la stessa organizzazione consiglia licenze dedicate come la GPL.

Esempio. Questo glossario è pubblicato con licenza CC BY-NC 4.0: chiunque può riprenderne una voce in una dispensa universitaria o nel blog di uno studio di consulenza, purché citi l'autore e non la usi per vendere un prodotto.

Aumenta il valore di ogni acquisto e sfrutta un cliente già acquisito, quindi migliora il rapporto fra ricavi e costo di acquisizione. Si distingue dall'up-selling, che propone invece una versione superiore dello stesso prodotto. Nel commercio elettronico ha preso la forma dei suggerimenti «chi ha comprato questo ha comprato anche», resi celebri da Amazon; in negozio funziona solo se il prodotto complementare è davvero disponibile, ed è qui che l'integrazione con l'ERP diventa decisiva.

Chi compra una macchina fotografica trova in negozio, già disponibile, l'obiettivo adatto e la scheda di memoria.

Il testo e la posizione cambiano il numero di clic e di conversioni, e la stessa chiamata va calibrata sull'intento di ricerca di chi arriva, cioè su ciò che quella persona voleva ottenere quando ha digitato la propria domanda: informarsi, oppure comprare.

Esempio. Su una pagina di listino «Richiedi il preventivo» funziona con chi è pronto a comprare, mentre chi arriva da una ricerca informativa risponde meglio a «Scarica il confronto fra le tre soluzioni». Rileggere le versioni archiviate delle proprie pagine, e di quelle dei concorrenti, mostra quali chiamate hanno generato clic e quali sono state ignorate.

Misura quanto il contenuto del messaggio convince chi lo ha già aperto, separandolo dall'effetto dell'oggetto. Si legge accanto al CTR (la quota di clic su tutte le email inviate) e all'open rate: un open rate alto con un CTOR basso dice che l'oggetto promette qualcosa che il testo poi non mantiene.

Esempio. Un produttore di macchine utensili vede che la sua newsletter tecnica ha un buon tasso di apertura ma pochi clic. Il CTOR mostra che il problema sta dentro il messaggio: il collegamento principale era in fondo, dopo quattro paragrafi, e spostato in alto raddoppia i clic.

Misura quanto un risultato si fa scegliere fra gli altri della stessa pagina, e negli articoli compare quasi sempre nella forma inglese. Nelle email si legge accanto al click-to-open rate, che calcola i clic sulle sole email aperte e misura la forza del contenuto separata da quella dell'oggetto.

Esempio. Secondo un'analisi di Schema App del 2023 sulle pagine dei propri clienti, le pagine che adottano i dati strutturati, cioè le etichette che spiegano ai motori di ricerca che cosa contiene la pagina, hanno registrato un tasso di click-through superiore del 40% rispetto a quelle che ne sono sprovviste. Lo stesso contenuto, mostrato meglio nella pagina dei risultati, viene scelto più spesso.

Gli strumenti, per quanto avanzati, restano al servizio di una strategia umana che li orienta; il punto è dare uguale peso all'innovazione tecnologica e alla comprensione delle persone. Le sue radici sono nella progettazione centrata sull'utente di Don Norman (La caffettiera del masochista, 1988) e nel design thinking; in Europa ha preso la forma dell'Industria 5.0, con cui dal 2021 la Commissione europea chiede un'industria centrata sulle persone, sostenibile e resiliente, un tratto dell'Identità Digitale Europea.

Prima di introdurre un assistente di intelligenza artificiale nell'assistenza clienti, un'azienda osserva quali richieste frustrano davvero i clienti e quali gli operatori vogliono delegare.

Nei testi di Enrico Giubertoni vive su due piani: quello storico, dove nasce negli anni della rete aperta e del software libero, e quello aziendale, dove indica la mentalità che decide se una trasformazione riesce, perché dove la cultura digitale interna resta ferma i processi macchinosi continuano a essere tollerati dentro l'azienda proprio quando i clienti hanno smesso di tollerarli.

Esempio. Due aziende dello stesso settore ricevono lo stesso strumento nuovo. Nella prima i responsabili chiedono di provarlo su un caso reale entro due settimane e raccontano in riunione anche i tentativi falliti. Nella seconda si aspetta l'istruzione dall'alto e si torna al foglio di calcolo: la differenza fra le due sta nella cultura digitale, prima ancora che nel budget.

Negli articoli è una conseguenza culturale prima che commerciale: le piattaforme più avanzate lasciano intatto l'abbandono dove manca una cultura del cliente. I modelli predittivi servono a vedere chi sta per andarsene mentre si può ancora parlargli.

Esempio. Un'impresa applica l'apprendimento automatico ai propri dati di vendita per prevedere quali clienti sono a rischio di abbandono, e ottiene un elenco di nomi da richiamare. L'elenco vale quanto l'organizzazione che lo riceve: con la chiamata in carico a qualcuno diventa una trattativa, altrimenti il modello ha soltanto anticipato una perdita.

Unifica ciò che è già definito, e sull'ambiguo resta impotente: se «contatto» significa due cose diverse in due reparti, la piattaforma replica quella differenza più in fretta e a costo più alto. L'ordine giusto mette prima le definizioni e poi lo strumento.

Esempio. Per il Marketing è un contatto chi ha scaricato una guida, per le Vendite è un contatto chi ha chiesto un preventivo. Finché le due definizioni convivono, la piattaforma consegna un profilo unico che i due reparti continuano a leggere in due modi, e la riunione mensile discute di nuovo su quale numero sia quello vero.

Il cliente non la vive per canali separati, la giudica come un'esperienza unica. L'idea che l'esperienza sia essa stessa un'offerta economica la formulano B. Joseph Pine II e James H. Gilmore nell'articolo «Welcome to the Experience Economy» (Harvard Business Review, 1998). Ne consegue che un difetto in un solo punto di contatto pesa sul giudizio di tutto il marchio, e che migliorarla richiede reparti che lavorano insieme.

Esempio. Un cliente trova un prodotto disponibile sul sito, va in negozio e scopre che lì non c'è. Il prodotto è lo stesso, ma l'esperienza è peggiorata, e il giudizio negativo ricade sul marchio intero.

Enrico Giubertoni lo usa anche come perimetro su cui si misurano i danni, perché un attrito in un solo passaggio interrompe il percorso intero e consegna il cliente al concorrente che in quel punto funziona.

Esempio. Un'avvocata compra su un negozio online che con il suo browser rompe il completamento automatico dei campi e poi non le mostra l'ordine. L'acquisto si perde lì, e con l'acquisto se ne va il racconto che quella cliente farà del marchio: un difetto tecnico in un passaggio diventa un problema di reputazione.

Vale per le decisioni che fa prendere: togliere un numero da un cruscotto ha spesso lo stesso valore che aggiungerne uno, e un cruscotto con quaranta voci è un cruscotto che nessuno legge.

Esempio. Un'azienda avvia tre progetti pilota di intelligenza artificiale, ciascuno con il proprio cruscotto, e alla fine del trimestre nessuna decisione è cambiata. I cruscotti descrivono, e la reportistica che si ferma alla descrizione è quella che Enrico Giubertoni chiama Analytical Inertia, l'inerzia analitica.

Una cultura data-driven ha tre condizioni: dati affidabili e accessibili a chi decide, persone capaci di leggerli, e l'abitudine di cambiare idea quando i dati lo chiedono. Il termine si è diffuso dalla fine degli anni Duemila, insieme al mestiere del data scientist (lo specialista che ricava conoscenza dai dati), e l'apprendimento automatico ne ha moltiplicato la portata. Il rischio opposto è la metrica sbagliata: guidarsi con dati che non misurano il risultato, come le vanity metric, è peggio che guidarsi con l'intuito, perché dà una falsa sicurezza.

Un'azienda smette di scegliere le promozioni in base al gusto del direttore commerciale e le decide confrontando, negozio per negozio, le vendite delle settimane in cui erano attive con quelle in cui non lo erano.

Di solito si divide in tre parti: una per l'addestramento, una per regolare il modello e una per misurarne il risultato su dati mai visti. La qualità del dataset decide la qualità del modello: dati incompleti o distorti producono previsioni sbagliate e bias algoritmici. Il caso che ha mostrato quanto conti è ImageNet, il grande archivio di immagini etichettate costruito dal 2009 dal gruppo della ricercatrice Fei-Fei Li a Stanford: su quei dati, nel 2012, una rete neurale ha dimostrato la forza dell'apprendimento profondo. In Europa l'AI Act chiede che i dataset dei sistemi ad alto rischio siano pertinenti, rappresentativi e il più possibile privi di errori.

Lo storico di tre anni di acquisti dei clienti, con l'indicazione di chi ha smesso di comprare, per insegnare a un modello a riconoscere chi sta per andarsene.

Servono a raggiungere chi non conosce il marchio, e il loro limite sta proprio nella disponibilità: li può comprare anche il concorrente, quindi il vantaggio che offrono dura il tempo di un contratto. Diventano patrimonio nel momento in cui la prima risposta entra nel gestionale dei clienti con la fonte scritta accanto e si trasforma in dato proprietario.

Esempio. Un'azienda produttrice che vuole entrare in una nuova regione compra da un fornitore una lista di aziende selezionate per codice di attività e fatturato. La lista apre la porta, e vale qualcosa solo se ogni richiamata lascia una riga nel gestionale: dopo sei mesi il valore sta in quelle righe, non più nella lista.

Sono una delle poche materie prime che un concorrente non può comprare, insieme ai casi dei propri clienti e a una posizione dichiarata su una questione controversa, e per questo decidono la distanza fra due imprese che usano lo stesso modello di intelligenza artificiale: il vantaggio si sposta su ciò che solo tu puoi dargli in pasto. L'errore ricorrente è lasciarli sparsi in sistemi separati, dove ogni reparto possiede una fetta della stessa persona e nessuno ha davanti la persona intera.

Esempio. Una rete di punti vendita tiene le vendite nel gestionale, le richieste nel modulo del sito e le telefonate su un centralino: tre archivi di dati proprietari che descrivono lo stesso cliente, e nessuno li mette in fila. Il patrimonio esiste già, il lavoro consiste nel ricomporlo prima di comprare un altro strumento.

Il vocabolario condiviso con cui si scrivono si chiama schema.org, e lo leggono sia i motori di ricerca sia gli assistenti vocali che rispondono a voce. Il difetto tipico sta a monte della pagina: quei campi nascono nel gestionale, e finché nessuno li traduce in codice leggibile il negozio conosce i propri orari mentre il motore di ricerca resta all'oscuro.

Esempio. Chiedere a un assistente vocale se il negozio è aperto adesso è già una visita al punto vendita. Se la risposta arriva da un orario scritto a mano su una pagina mentre il gestionale ne registra un altro, la rete ha comprato traffico che accompagna il cliente davanti a una porta chiusa.

La differenza con il Machine Learning classico: là una persona deve indicare al sistema quali variabili osservare, come l'età, la frequenza d'acquisto o il tipo di pelle, mentre il Deep Learning le individua da solo, e per questo sa elaborare dati non strutturati come immagini, video e voce. È la tecnologia dietro gli skin analyzer, che leggono rughe, macchie e pori da un selfie.

Esempio. Il caso che segue è costruito. Un'azienda chimica controlla con una telecamera i granuli in uscita dalla linea. Con il Machine Learning classico un tecnico deve dire al sistema che cosa misurare, come diametro e colore; un modello di Deep Learning addestrato su un archivio di immagini già classificate dai tecnici impara da solo quali dettagli separano un lotto buono da uno da scartare, comprese le crepe sottili che nessuno aveva messo nell'elenco.

Parte da una piattaforma di invio, l'email service provider, e si misura con il tasso di apertura, il click-to-open rate e le conversioni. Lavora sui grandi numeri, e per questo sta all'opposto del cold mailing, che scrive a poche persone una per una. Nella pratica italiana DEM indica soprattutto la comunicazione promozionale, mentre la newsletter porta contenuti a cadenza fissa.

Esempio. Un distributore di prodotti chimici per l'industria invia a diecimila clienti e contatti la promozione di fine trimestre. Il segmento delle aziende manifatturiere apre il doppio della media, e dalla volta successiva riceve un messaggio scritto per quel settore.

È il piano che si misura, si confronta e si scrive in un capitolato, ed è il pavimento su cui la connotazione poggia, perché il significato aggiunto regge finché il prodotto fa davvero quello che dice. Chi negozia lavora qui, chi comunica lavora un piano sopra, e i due piani vanno tenuti allineati.

Esempio. La scheda tecnica di una pompa dichiara portata, prevalenza e consumo: quella è la denotazione. Il catalogo che la chiama «il cuore silenzioso dell'impianto» lavora su un altro piano, e il venditore che confonde i due si ritrova a difendere una promessa con un numero.

Molti utenti italiani vi pubblicavano la propria homepage personale, accanto a chi sceglieva GeoCities, Xoom o Interfree. Fa parte della prima stagione della rete italiana, quella in cui pubblicare un sito era un gesto personale prima che commerciale.

Esempio. Un gruppo di amici apre su Digiland la pagina della propria squadra di calcetto, con la classifica aggiornata a mano ogni settimana.

È entrato in vigore nel novembre 2022 e si applica dal 2 maggio 2023. Nel settembre 2023 la Commissione europea ha designato i primi sei gatekeeper, Alphabet, Amazon, Apple, ByteDance, Meta e Microsoft, a cui nel 2024 si è aggiunta Booking; dal 6 marzo 2024 devono rispettarne gli obblighi. Fra questi: permettere di disinstallare le applicazioni preinstallate e di scegliere il motore di ricerca e il browser predefiniti, non favorire i propri servizi nei risultati, consentire agli utenti di portare via i propri dati e alle imprese di accedere ai dati che generano sulla piattaforma. Per un'impresa europea significa condizioni più eque sulle piattaforme da cui dipende per vendere.

Esempio. Chi accende in Europa un telefono Android nuovo trova una schermata che chiede di scegliere il motore di ricerca predefinito: è uno degli obblighi che il DMA impone ad Alphabet come gatekeeper. Per un'azienda produttrice che vende online ne discende una conseguenza pratica: una parte dei clienti cerca con un motore diverso da Google, e conviene presidiare anche Bing e gli altri motori proposti nella scelta.

Il negozio fisico smette di essere un magazzino aperto al pubblico e diventa un centro di esperienza e di logistica collegato ai canali digitali: mostra online le sue disponibilità, spedisce gli ordini web, accoglie i ritiri. È il termine generale di cui il New Retail e lo smart retail sono due declinazioni.

Un negozio che mostra online le disponibilità, spedisce gli ordini web dal proprio magazzino e fa ritirare in cassa gli acquisti fatti con l'app.

È entrato in vigore nel novembre 2022; dall'agosto 2023 si applica alle piattaforme e ai motori di ricerca molto grandi, cioè con più di 45 milioni di utenti al mese nell'Unione, e dal 17 febbraio 2024 a tutti i servizi intermediari. Le piattaforme devono permettere di segnalare i contenuti illegali e motivare le rimozioni, dire perché mostrano un annuncio e chi lo ha pagato, spiegare come funzionano i loro sistemi di raccomandazione e offrirne almeno uno non basato sulla profilazione; è vietata la pubblicità profilata rivolta ai minori o basata su dati sensibili. Insieme al Digital Markets Act forma il pacchetto con cui l'Europa ha scelto di regolare le grandi piattaforme.

Esempio. Ogni piattaforma molto grande deve tenere un archivio pubblico degli annunci: un'azienda che fa pubblicità su Instagram vi ritrova le proprie inserzioni, con chi le ha pagate e a quale pubblico sono state mostrate. Se un terzo pubblica un contenuto illegale sul suo prodotto, l'azienda lo segnala con lo strumento che la piattaforma è obbligata a offrire e riceve la motivazione della decisione.

Prima ogni paese li tutelava a modo suo; la direttiva ha dato una definizione comune e rimedi comuni contro chi li acquisisce, usa o divulga illecitamente. Un'informazione è un segreto commerciale se ha tre requisiti: è segreta, cioè non nota agli operatori del settore; ha valore economico proprio perché segreta; l'impresa ha preso misure ragionevoli per mantenerla riservata. In Italia è stata recepita con il decreto legislativo 63 del 2018, che ha aggiornato gli articoli 98 e 99 del Codice della proprietà industriale. Il terzo requisito è quello che più spesso manca: un'informazione comunicata a terzi senza un vincolo di riservatezza perde la protezione, anche se nessuno l'ha rubata.

Un dipendente incolla il listino riservato in un servizio di intelligenza artificiale gratuito, senza contratto: l'azienda rischia di non poter più difendere quel listino come segreto.

Raggiunge persone che in quel momento stanno facendo altro, quindi la misura che conta sta a valle dell'annuncio, nel comportamento che ne segue.

Esempio. Un costruttore di macchinari compra spazi grafici (i banner) sui portali di settore e li giudica sulle impressioni. Riletta sulle richieste di preventivo arrivate dal sito nelle settimane successive, la stessa spesa racconta un'altra storia, e il budget si sposta sui portali che hanno prodotto conversazioni.

Il GDPR lo rende obbligatorio (art. 28) e ne fissa il contenuto: che cosa il fornitore può fare con i dati, come li protegge, a chi può passarli e che cosa succede alla fine del rapporto. Per gli strumenti di IA il DPA è il documento che dice se ciò che si incolla può servire ad addestrare i modelli del fornitore.

Esempio. Un'azienda di componentistica adotta un servizio di IA per analizzare i reclami dei clienti. Prima del contratto verifica che il DPA del fornitore escluda l'uso dei dati per l'addestramento e indichi dove vengono conservati.

Il GDPR (il regolamento europeo sulla protezione dei dati) lo rende obbligatorio per gli enti pubblici e per le imprese che trattano dati su larga scala o dati particolari, come quelli sanitari (artt. 37-39). Il DPO consiglia e verifica: le decisioni sul trattamento restano all'azienda. Per questo, quando l'IA entra nei processi, il DPO è l'interlocutore con cui si stabilisce quali dati possono arrivare a quali strumenti.

Esempio. Una banca regionale vuole usare un assistente di IA per rispondere alle richieste dei clienti. Prima di attivarlo, il DPO verifica quali dati personali lo strumento riceve, dove li conserva il fornitore e quale accordo sul trattamento li tutela.

Per un'impresa, e anche per un sistema di imprese come quello europeo, sono due strategie di innovazione, ed entrambe sono opportunità. L'early adopter crea mondi nuovi e si assume il rischio di un mercato che ancora non esiste. Il late adopter lavora a consuntivo: qualcuno ha inventato qualcosa e ha aperto una strada, ma l'invenzione ha ancora delle pecche, perciò chi arriva dopo entra con la versione robusta, potente e perfezionata. Ne consegue che arrivare secondi è una scelta, e spesso è la scelta che conquista il mercato. Per l'Europa vuol dire che un'occasione mancata da early adopter si può riprendere da late adopter, con la propria visione del mondo e i valori dell'Unione Europea.

Esempio. Il Nabaztag, messo in vendita in Francia nel 2005, è stato un caso europeo di early adopting: era già uno smart speaker (un altoparlante intelligente che parla e ascolta) un decennio prima che il mercato lo chiedesse. Apple è spesso un late adopter: lo smartphone esisteva già con i telefoni di Research In Motion, poi BlackBerry, che avevano dei limiti, e l'iPhone ha diffuso quell'idea con una versione più robusta e più semplice da usare. Allo stesso modo Apple non ha inventato il computer, ha inventato un modo semplice di usarlo, e così ha democratizzato il digitale.

Il passaggio da applicazioni separate a ecosistema cambia il valore del prodotto: il cliente resta perché tutto è collegato, e ogni servizio in più rafforza gli altri. Google con posta, calendario e documenti, Apple con dispositivi che si riconoscono fra loro, e in Asia le super-app come WeChat ne sono le forme più compiute. Il rovescio è la dipendenza: uscire costa, ed è una delle ragioni per cui l'Europa, con il Digital Markets Act, chiede alle grandi piattaforme di lasciar portare via i propri dati.

Posta, calendario e documenti che si richiamano a vicenda: un invito in posta crea l'evento in calendario con il documento allegato.

Il nome viene dalla politica statunitense dell'Ottocento, quando il carro della banda (bandwagon) apriva i cortei elettorali e «salire sul carro» voleva dire schierarsi con chi sembrava vincere; l'economista Harvey Leibenstein lo ha portato nella teoria della domanda nel 1950. Più un'idea si diffonde, più attira nuovi seguaci, indipendentemente dalle prove a suo favore. Per un'impresa è il rischio di inseguire le tendenze del mercato senza chiedersi se servono al proprio cliente; per il marketing è una leva, parente della riprova sociale.

Un'azienda apre un canale su un social emergente solo perché lo fanno i concorrenti, senza sapere se il suo pubblico ci sia.

Serve a riportare qualcuno dove il contenuto sta, e funziona quando arriva nel momento in cui quel contenuto gli è utile: fuori contesto viene letta come rumore anche da chi si era iscritto. Comprende due pratiche diverse: la DEM (direct email marketing), cioè lo stesso messaggio a una lista ampia, e il cold mailing, cioè email individuali a persone che non conoscono ancora il mittente. Le misure di base sono l'open rate e il click-to-open rate, e l'invio passa da una piattaforma dedicata, l'email service provider.

Esempio. Un'impresa annuncia una vendita a tempo prima dell'apertura: una lettera agli iscritti con l'anteprima di ciò che sarà in vendita, i post sui social, un conto alla rovescia e la collaborazione con qualche voce del settore. L'attesa si costruisce nei giorni precedenti, e all'apertura chi si era iscritto arriva preparato all'acquisto, perché data e condizioni gli sono state comunicate con chiarezza.

Sa che cosa l'azienda possiede e dove si trova. Discende dai sistemi di pianificazione dei materiali degli anni Sessanta; la sigla ERP è stata coniata dalla società di analisi Gartner nel 1990. Il suo protagonista storico è europeo: SAP, fondata nel 1972 a Walldorf, in Germania, da cinque ex dipendenti di IBM, è ancora oggi il principale produttore mondiale. Si distingue dal CRM, che gestisce la relazione con i clienti e sa chi sono e che cosa preferiscono: l'ERP dice se il prodotto c'è, il CRM a chi proporlo, e la loro integrazione è il presupposto della Sincronia organizzativa.

Esempio. In un progetto di retail il gestionale aziendale è stato collegato al sito, alle schede di Google Maps e ai canali social, così le giacenze dell'ERP diventano la disponibilità che il cliente vede online. La vendita diventa più dinamica: i prodotti fermi in magazzino si possono spingere nel momento giusto, le giacenze si svuotano e il fatturato ne guadagna.

Brevo, Mailchimp e simili sono ESP. Oltre all'invio cura la consegna nella casella principale: autentica il mittente e controlla la reputazione degli indirizzi. Molti ESP includono funzioni di marketing automation, cioè sequenze di messaggi che partono da sole in base a ciò che fa il contatto.

Esempio. Un'azienda produttrice di attrezzature per laboratori chimici invia la newsletter dal proprio server di posta e la metà dei messaggi finisce nello spam. Passata a un ESP con il mittente autenticato, la consegna in casella principale torna sopra il novanta per cento.

L'azienda controlla progettazione, produzione e distribuzione, e i dati di vendita dei negozi tornano ogni giorno ai progettisti: l'assortimento segue la domanda invece di anticiparla. L'espressione si diffonde nel 1989, quando il New York Times la usa per raccontare l'arrivo di Zara a New York. Nell'Unione Europea il modello nasce e cresce con Inditex in Spagna (Zara, Pull&Bear, Bershka, Stradivarius) e con Mango, con H&M in Svezia e con Primark in Irlanda, quest'ultimo quasi soltanto nei negozi fisici; in Italia ne seguono il ritmo OVS e il gruppo Teddy con Terranova e Calliope. Fuori dall'Unione, nel Regno Unito, il fast fashion nato online ha i suoi nomi principali in ASOS e Boohoo. Il rovescio è l'impatto ambientale: la strategia dell'Unione Europea per prodotti tessili sostenibili e circolari, presentata dalla Commissione nel 2022, mira proprio a ridurre la moda usa e getta.

Esempio. Un capo che in una settimana vende più del previsto in alcuni negozi torna subito in produzione, mentre un altro che resta sugli scaffali esce dall'assortimento senza attendere i saldi di fine stagione.

La semiotica è la disciplina che studia come i segni (parole, immagini, oggetti, interfacce) producono significato, e Ferraro l'ha applicata al mito, al cinema, alla pubblicità, agli stili di vita e ai nuovi media. Il suo percorso si riconosce in alcune tappe: - la formazione alla scuola di Silvio D'Arco Avalle, filologo e semiologo, da cui riprende il metodo strutturalista; - gli anni Novanta, quando a Torino promuove i primi laboratori di ricerca sull'ipertesto (un testo fatto di blocchi collegati fra loro, che il lettore percorre scegliendo i collegamenti), sulla multimedialità e sulla comunicazione delle aziende sul World Wide Web; - la direzione del Centro Interdipartimentale di Ricerca sulla Comunicazione (CIRCe) dell'Università di Torino, confluito nel 2026 nel centro SERTO, Semiotic Research in Torino; - la presidenza dell'Associazione Italiana di Studi Semiotici (AISS), la società scientifica che riunisce gli studiosi italiani della disciplina; - la proposta di una «semiotica neoclassica», che ricompone in un quadro unitario gli strumenti della disciplina, esposta in Fondamenti di teoria sociosemiotica (Aracne, 2012) e in Teorie della narrazione (Carocci). Nel 2019 il Dipartimento di Filosofia e Scienze dell'educazione dell'Università di Torino gli ha dedicato il volume Semiotica 3.0.

Esempio. Nel 1997 Enrico Giubertoni discute con Guido Ferraro, relatore, la tesi «La comunicazione aziendale esterna sul World Wide Web»: il sito di un'azienda viene letto come un testo, che comunica attraverso la struttura dei collegamenti oltre che attraverso le parole.

Si costruisce con le promesse mantenute e con la trasparenza su come i dati vengono usati, e si perde in un passaggio interno gestito male, perché il cliente giudica l'azienda intera dal reparto con cui ha parlato per ultimo.

Esempio. Un cliente cambia operatore e una fattura ancora da scadere finisce al recupero crediti, con una pioggia di solleciti che sembrano un tentativo di truffa. L'incasso perso è la parte piccola del danno: quel cliente racconterà la vicenda a chiunque stia valutando quel fornitore.

Esempio. Un'impresa del settore retail aveva affidato il Retail Marketing a un'agenzia esterna, con una strategia curata, e i risultati tardavano ad arrivare, perché il lavoro restava sull'estetica e sulla comunicazione. Il blocco era nella Financial Velocity. Dopo l'analisi sono stati rimossi gli attriti strutturali, collegando l'ERP (il gestionale che tiene ordini, magazzino e fatture) dell'azienda al sito web.

Funziona perché mette insieme quattro leve: l'urgenza della scadenza, la scarsità delle scorte, l'esclusività dell'accesso e il valore percepito dello sconto. Il modello nasce in Europa: lo ha inventato Jacques-Antoine Granjon, che nel 2001 a Parigi fonda Vente-privée (oggi Veepee) per vendere ai propri iscritti le rimanenze dei marchi di moda senza svalutarne il listino nei negozi. Per l'azienda serve a liquidare l'invenduto, far crescere il database dei clienti e provare prodotti nuovi. Il rischio è l'abuso: un marchio che appare sempre in saldo fatica a vendere a prezzo pieno e attira clienti che comprano solo in sconto.

Esempio. Un'azienda produttrice di arredamento ha in magazzino la collezione della stagione precedente. Apre una vendita lampo di 48 ore riservata agli iscritti alla newsletter, con un conto alla rovescia sulla pagina: libera il magazzino, raccoglie nuovi contatti e il listino dei negozi resta intatto.

Parte dall'ascolto organizzato di ciò che serve a quelle persone in quel contesto, e finisce in risultati che si possono misurare. Un programma preconfezionato e calato dall'alto riempie l'aula e lascia i comportamenti dove erano.

Esempio. Una rete di punti vendita indipendenti deve imparare a usare gli strumenti digitali, e i titolari hanno orari, età e dimestichezza molto diversi fra loro. Una piattaforma che permette a ciascuno di seguire il modulo a negozio chiuso abbatte i costi di trasferta e porta dentro anche chi in aula non sarebbe mai arrivato.

Come dice l'articolo che la introduce, «entra in casa e lavora sui processi, sui dati e sulle opportunità di quell'impresa, con le sue persone e senza concorrenti in sala». Il confronto utile è con i corsi interaziendali, aperti a partecipanti di aziende diverse con un programma uguale per tutti. La formazione in azienda costa di più per persona, ma porta due vantaggi: - il materiale è quello vero: gli esercizi si fanno sui documenti, sui dati e sui flussi di lavoro dell'impresa, perciò ciò che si impara si applica il giorno dopo; - si parla apertamente: senza concorrenti in aula, le persone portano i problemi reali, che sono quelli da cui parte il cambiamento. Per questo motivo, quando si introduce l'intelligenza artificiale, l'articolo la mette accanto alla consulenza: la formazione dà alle persone il metodo, la consulenza aiuta a scegliere dove applicarlo.

Esempio. Un'azienda manifatturiera che vuole usare l'intelligenza artificiale per pianificare la produzione porta il corso nel proprio stabilimento: gli esercizi si fanno sui suoi ordini e sui suoi dati di magazzino, e i responsabili discutono i loro problemi senza temere che li ascolti un concorrente.

Nell'articolo che la cita sta fra gli indicatori di utilità percepita di una pagina, letta insieme al tempo medio di permanenza e alla quota di uscite.

Esempio. Le pagine di categoria di un sito aziendale ricevono traffico dai motori di ricerca e hanno una frequenza di rimbalzo alta. Il visitatore arriva e si ferma lì: la struttura interna del sito lo rimanda a ricominciare la ricerca, e la tassonomia delle categorie sta guidando male la navigazione.

Enrico Giubertoni lo usa soprattutto per mostrare dove quel percorso si rompe: chi si informa attraverso un assistente automatico attraversa le fasi in un ordine proprio, e un imbuto disegnato sull'ordine vecchio misura passaggi che il cliente ha già saltato. Le tre fasi dell'imbuto si indicano spesso con le sigle TOFU, MOFU e BOFU (parte alta, centrale e bassa), e ogni contenuto lavora su una fase precisa.

Esempio. Un servizio con versione gratuita costruisce l'imbuto sul numero di iscritti e converte in clienti paganti una quota piccola di quella base. Finché il cruscotto guarda gli iscritti, il marketing festeggia una crescita che i conti dell'azienda non registrano.

Sta all'altro capo del punto di dolore, e il lavoro consiste nel trasformare i punti di dolore emersi in punti di guadagno, concreti come contatti più qualificati e un supporto alla forza vendita, oppure emozionali come l'esperienza che il pubblico ricorda.

Esempio. Una rete di venditori lamenta contatti poco qualificati, che è il punto di dolore; il punto di guadagno corrispondente sono contatti più qualificati in arrivo, insieme allo strumento scelto per selezionarli. Nell'analisi di un gruppo di marketing i punti di dolore fotografano la situazione attuale, i punti di guadagno dicono dove si vuole arrivare.

L'espressione è stata resa nota nel 2025 dal rapporto The GenAI Divide del progetto NANDA del MIT, il Massachusetts Institute of Technology. La causa indicata non è la qualità dei modelli né la normativa, ma un'impostazione superata: sistemi che non imparano dall'uso, non trattengono il riscontro degli utenti e non si adattano al contesto, e quindi restano fuori dai flussi di lavoro critici. In un secondo senso l'espressione indica il distacco fra consumatori che usano già l'intelligenza artificiale come assistente personale e imprese che la vedono solo come strumento interno per tagliare costi.

Un'azienda compra licenze di un assistente generativo per tutti i dipendenti, ma nessun processo cambia e dopo un anno l'uso si è fermato alla scrittura di email.

Serve a legare ogni risposta a una fonte controllabile, e restringe il margine di invenzione che un modello lasciato solo con il proprio addestramento si concede.

Esempio. Il servizio clienti di un'azienda di macchinari risponde sui tempi di consegna leggendo il gestionale e i manuali caricati, e accanto a ogni risposta compare il documento da cui è stata tratta. Chi la riceve può aprirlo e controllare, e chi la firma sa su che cosa sta mettendo il proprio nome.

Negli articoli il concetto arriva prima del nome: la battaglia per la visibilità si sposta sul grounding (l'ancoraggio della risposta ai dati e ai contenuti su cui il modello si appoggia), e l'obiettivo diventa l'affidabilità del proprio marchio agli occhi del modello, perché i dati e i contenuti dell'impresa siano la base di ciò che l'assistente racconta al cliente.

Esempio. Un costruttore scopre che l'assistente consiglia tre concorrenti a chi chiede chi fornisce un certo componente, e che la propria scheda tecnica esiste soltanto come immagine. Riscritta in testo, con dati strutturati e fonti citabili, la stessa informazione diventa citabile e il nome dell'azienda entra nella risposta.

Lo fondano nel 1994 David Bohnett e John Rezner, con il nome iniziale di Beverly Hills Internet. I siti erano ordinati in «quartieri» tematici e l'indirizzo componeva quartiere, via e numero civico: ne uscivano indirizzi lunghi e bizzarri. Yahoo! lo acquista nel 1999 e lo chiude negli Stati Uniti nel 2009; una parte dell'archivio l'hanno salvata i volontari dell'Archive Team. Per il marketing è un antenato del contenuto generato dagli utenti: milioni di persone imparano lì a pubblicare, ben prima di blog e social network.

Esempio. Nel 1997 Enrico Giubertoni ed Erica Borgaro pubblicano su GeoCities il loro primo sito personale. Lo spazio gratuito era di 1 megabyte, poi portato a 5, e allora sembrava immenso.

Di solito si tratta di latitudine e longitudine, ma può comprendere anche il nome di un luogo, un indirizzo o l'altitudine. Nelle foto le coordinate si scrivono nei metadati (i dati nascosti che accompagnano il file) secondo lo standard EXIF, nato in Giappone negli anni Novanta; con la diffusione del GPS nei telefoni e con piattaforme come Flickr, che dal 2006 permetteva di mettere le foto su una mappa, è diventato un gesto automatico. Serve a ritrovare e ordinare i contenuti per luogo, e nel marketing a farli comparire nelle ricerche locali; è anche un dato personale, perché rivela dove una persona si trova, e in Europa ricade sotto il GDPR.

Uno smartphone con la localizzazione attiva registra nei metadati della foto il punto esatto dello scatto.

Il suo valore dipende da come viene compilato: un gestionale ricco di righe e povero di campi coerenti alimenta decisioni sbagliate con la stessa velocità con cui alimenterebbe quelle giuste. Il salto arriva quando i venditori smettono di essere compilatori di CRM e diventano cacciatori predittivi: la macchina processa il rumore, la persona decide su chi intervenire.

Esempio. Un direttore commerciale apre il gestionale e conta, su cento righe recenti, quante hanno il campo della fonte vuoto o scritto in grafie diverse. Quella percentuale è il tetto di ogni analisi sulle campagne, perché nessun cruscotto può ricostruire un'informazione che al momento della registrazione nessuno ha scritto.

Enrico Giubertoni la considera il contenuto vero di un progetto tecnologico, perché l'organizzazione è un sistema vivente di strutture, processi e culture, e il lavoro consiste nel creare le condizioni perché impari a evolvere da sé.

Esempio. Un assistente automatico entra nella rete vendita e produce effetti solo quando cambia anche il modo di qualificare una richiesta commerciale. Ai venditori servono competenze aggiornate per il ruolo che hanno (upskilling, il potenziamento delle abilità) e, per qualcuno, la riqualificazione verso un ruolo nuovo (reskilling). Senza quel lavoro la tecnologia si somma ai problemi che c'erano già.

Serve a spostare quei frammenti dalle mani degli sviluppatori a quelle di chi misura, quindi una modifica alla misura richiede minuti invece di un rilascio di software. Porta con sé una responsabilità precisa: chi pubblica una modifica dal gestore dei tag cambia in un colpo il dato che legge tutta l'azienda, e quel permesso va assegnato a una persona con un nome.

Esempio. Il Marketing vuole contare quante persone aprono il modulo di preventivo e lo abbandonano prima di inviarlo. Con un gestore dei tag la misura si attiva in una mattina; senza, entra nella coda degli sviluppatori e arriva dopo il trimestre di cui doveva parlare.

Le organizzazioni e i leader che ispirano comunicano dall'interno verso l'esterno, partendo dal Perché, perché le decisioni, dall'acquisto alla fedeltà a un marchio, hanno una forte componente emotiva e identitaria.

Invece di «vendiamo software gestionali», un'azienda dice «vogliamo che chi fa impresa passi il tempo a decidere, non a compilare».

Esempio. Il caso che segue è costruito. Una società di servizi finanziari stabilisce chi può caricare dati dei clienti in uno strumento di intelligenza artificiale, chi approva un uso nuovo e chi controlla ogni trimestre che le regole siano rispettate. Il documento che raccoglie queste risposte, con il nome di una persona accanto a ogni ruolo, è la sua governance: i nomi sono ciò che la trasforma da dichiarazione d'intenti in un sistema che funziona.

Assicura coerenza di tono e di qualità, evita pagine doppie o superate, e mantiene nel tempo la struttura del sito anche quando cambiano le persone. È una parte della strategia dei contenuti (content strategy), disciplina resa nota da Kristina Halvorson con il libro Content Strategy for the Web (2009).

Ogni pagina ha un responsabile e una data di revisione; alla scadenza viene aggiornata o ritirata con un rimando.

Enrico Giubertoni usa il termine per separare il governo del sistema dalla somma degli strumenti, perché un'impresa può avere il gestionale, le campagne e la rete di vendita e non avere nessuno che governa il modo in cui le tre cose si parlano.

Esempio. Marketing porta contatti e li misura in quantità, Vendite li giudica in qualità, e nessuno dei due misura quanto tempo passa fra il primo segnale e la firma. La Governance dei Ricavi comincia da quella misura, perché è l'unica che appartiene a entrambi.

Ogni canale digitale è fatto di un mezzo e di un algoritmo che, come un regista, decide quali contenuti mostrare, a chi e quando. Governarlo significa conoscerne i segnali e costruire contenuti e dati che quel regista premia, trasformando una scatola nera in un alleato. Il tema ha anche un lato pubblico: in Europa il Digital Services Act obbliga le grandi piattaforme a spiegare i criteri con cui i loro sistemi di raccomandazione ordinano i contenuti, un tassello dell'Identità Digitale Europea.

Un'azienda studia che cosa premia l'algoritmo di un social e riorganizza formati e orari invece di aumentare il budget pubblicitario.

Negli articoli si applica ai contenuti di un sito, ai dati e soprattutto all'intelligenza artificiale, e vale come architettura del ricavo più che come adempimento normativo. La strategia dice che cosa fare, la governance dice come lo si tiene in piedi.

Esempio. Un'azienda rifà il sito e nessuno stabilisce chi può aprire una nuova categoria, chi controlla i doppioni e ogni quanto si rivede la tassonomia (l'albero con cui i contenuti sono classificati). Due anni dopo tre sezioni dicono la stessa cosa: il progetto iniziale reggeva, mancava la governance che lo mantenesse.

Garantisce a chiunque quattro libertà: usare il programma, studiarne il codice sorgente (le istruzioni scritte dai programmatori), modificarlo e ridistribuirlo. La condizione è il copyleft: chi distribuisce il programma, modificato o no, deve farlo con la stessa licenza e mettere a disposizione il codice. Le licenze del software si dividono in due famiglie, ed è la distinzione che conta per un'azienda: - copyleft, che obbligano a lasciare libere anche le versioni derivate: la GPL; la LGPL (Lesser GPL), più leggera, che permette di usare una libreria dentro un programma chiuso; l'AGPL (Affero GPL), che estende l'obbligo a chi offre il programma come servizio in rete; la MPL (Mozilla Public License), con un copyleft limitato ai singoli file; - permissive, che chiedono soltanto di citare l'autore e conservare l'avviso di licenza: MIT, BSD e Apache 2.0, quest'ultima con una clausola esplicita sui brevetti. La GPL applica al software lo stesso principio che Creative Commons esprime con la clausola SA per testi e immagini; Creative Commons stessa sconsiglia però le sue licenze per il codice, perché la GPL regola aspetti che le licenze CC trascurano, come la distribuzione del codice sorgente.

Esempio. Il caso che segue è costruito, perché il termine non compare ancora negli articoli. Un'azienda manifatturiera integra in una macchina che vende un programma di controllo rilasciato con GPL e lo modifica: consegnando la macchina ai clienti distribuisce il programma, perciò deve rendere disponibile anche il codice delle sue modifiche. Se avesse scelto una libreria con licenza MIT, avrebbe potuto tenerlo chiuso.

Google lo ha presentato nel 2012, e da allora i motori di ricerca ragionano sempre più sulle cose e sempre meno sulle stringhe di testo. Il risultato più visibile è il pannello che compare accanto ai risultati quando si cerca un nome. Gli articoli del sito lo dicono così: i dati strutturati possono «contribuire ai pannelli del Knowledge Graph e migliorare la visibilità del marchio». Il grafo è di Google, perciò nessuno lo scrive direttamente e nessun marcatore lo inserisce in una pagina: lo si alimenta con fonti coerenti fra loro, cioè i dati strutturati di schema.org sul proprio sito, Wikidata, Wikipedia e i profili ufficiali. In senso più generale l'espressione indica qualunque base dati organizzata a nodi e relazioni, e anche le piattaforme di intelligenza artificiale costruiscono i propri grafi a partire dai dati strutturati delle pagine.

Esempio. Un'azienda produttrice di vernici industriali descrive sul proprio sito, con i dati strutturati, il nome, la sede, il fondatore e i profili ufficiali, e li fa coincidere con la sua scheda su Wikidata: Google collega le fonti alla stessa entità e, cercando il marchio, mostra il pannello con le informazioni corrette.

È la forma più nota del washing, ed è anche la più regolata: in Europa la direttiva sulla responsabilizzazione dei consumatori per la transizione verde (UE 2024/825) vieta le dichiarazioni ambientali generiche non dimostrabili, come «ecologico» o «sostenibile» senza una prova riconosciuta. La parola fu coniata nel 1986 dall'ambientalista statunitense Jay Westerveld, colpito dai cartelli degli alberghi che invitavano a riutilizzare gli asciugamani «per l'ambiente» mentre il vero scopo era risparmiare sul bucato. Il meccanismo generale, con le sue varianti, è descritto nella voce washing.

Esempio. Un'azienda scrive «green» sulla confezione di un prodotto perché ha cambiato il colore del tappo, mentre formula e filiera restano le stesse. Il claim non regge a una verifica, e da quel momento anche le dichiarazioni vere della marca vengono lette con sospetto.

Nasceva quasi sempre su servizi di spazio web gratuito come GeoCities, Xoom, Digiland o Interfree, scritta a mano in HTML (il linguaggio con cui si descrivono le pagine web), con contatori di visite e libri degli ospiti. È una forma arcaica di contenuto generato dagli utenti e il punto d'origine del personal branding (la cura della propria immagine professionale) in rete: blog e profili social ne hanno ereditato la funzione.

Esempio. Una studentessa di economia pubblica nel 1998 una pagina con il proprio curriculum, le foto di un viaggio e un elenco di link utili: è la sua homepage personale, ospitata gratis su GeoCities.

Esempio. Il caso che segue è costruito. In un'azienda produttrice di componenti l'intelligenza artificiale prepara la bozza di risposta a ogni richiesta d'offerta, con prezzi e tempi di consegna. Un tecnico commerciale la legge, corregge ciò che non torna, e solo allora la firma e la invia: la persona resta l'ultimo passaggio, e la responsabilità dell'offerta resta sua.

La parola viene dall'inglese, dove indica una promozione insistente ed esagerata. Negli articoli del sito l'hype compare in due modi: - come segnale da leggere: «dietro ogni hype c'è un cambio di paradigma, cioè un cambiamento che riscrive le regole del lavoro». Il rumore, perciò, indica dove guardare; - come attesa che si ridimensiona: è successo al metaverso, di cui si continua a parlare con un hype ridimensionato rispetto agli anni precedenti. Ne consegue che la scelta di un'impresa nasce dall'analisi del proprio processo e dei propri dati, e il volume del clamore resta un'informazione sul mercato. È l'invito con cui si chiude l'articolo sulla visione strategica dell'IA: andare oltre l'hype.

Esempio. Una banca legge ogni settimana che una nuova piattaforma cambierà il credito alle imprese e si chiede se deve adottarla subito. Andare oltre l'hype significa chiedersi quale processo cambierebbe, quali dati servono e come si misura il risultato, prima di firmare il contratto.

Negli articoli di Enrico Giubertoni compare per due effetti misurabili: il consumatore che ormai affianca l'IA generativa ai motori di ricerca quando cerca un prodotto, e l'impresa che resta ferma alla tattica, cioè alla ricerca della richiesta perfetta, mentre il modo in cui decide rimane quello di prima. Il rischio ricorrente è la credibilità percepita: un testo sicuro e dal tono autorevole può contenere incongruenze fattuali, invenzioni o citazioni errate, e chi legge alza la fiducia e abbassa la verifica delle fonti. La differenza con l'intelligenza artificiale analitica: quella classifica e prevede su dati esistenti, la generativa crea. La differenza con l'Agentic AI: la generativa produce un contenuto e si ferma lì, l'agente usa anche strumenti per agire.

Esempio. Il reparto Marketing di un'azienda produttrice di macchine utensili fa generare trecento schede prodotto in due settimane. La direzione vede subito le ore risparmiate e vede molto più tardi che le indicazioni di sicurezza non erano state controllate: il lavoro si è spostato dalla scrittura alla verifica, e la verifica non era assegnata a nessuno.