Marketing, come formare un team AI ready

L’intelligenza artificiale è entrata nei reparti marketing prima ancora che le aziende decidessero come utilizzarla. Si usa per riscrivere una mail, chi per preparare un post Linkedin, chi per sintetizzare un documento e chi le affida la prima bozza di una presentazione. Il risultato è un’adozione diffusa, ma spesso individuale, poco strutturata e soprattutto molto disomogenea.
Il rischio è confondere questa familiarità con una reale competenza nell’utilizzo dell’AI.
Saper chiedere a ChatGpt di scrivere un testo non significa infatti saper utilizzare l’intelligenza artificiale nel marketing, così come conoscere qualche funzione di Excel non significa necessariamente saper costruire un modello finanziario.
La questione è quindi come formare un gruppo marketing all’AI senza trasformare il percorso in un corso sui prompt o, all’estremo opposto, in una spiegazione tecnica sul funzionamento dei large language model. La risposta probabilmente sta nel cambiare il punto di partenza: non insegnare uno strumento, ma insegnare un nuovo modo di organizzare il lavoro.

Dalla domanda all’incarico

Uno degli errori più comuni nell’utilizzo dell’AI è considerarla una specie di motore di ricerca particolarmente intelligente. Si fa una domanda e si aspetta una risposta.
I sistemi di AI generativa funzionano molto meglio quando ricevono un incarico. La differenza può sembrare sottile, ma è sostanziale. Un incarico contiene un obiettivo, un contesto, delle informazioni, dei vincoli e una definizione del risultato atteso.
“Scrivi una campagna LinkedIn per questo prodotto” è una richiesta.
Definire il pubblico, spiegare il prodotto, indicare la value proposition, fornire informazioni sui concorrenti, specificare il tono di voce, descrivere le obiezioni del cliente, stabilire cosa non deve essere detto e indicare come verrà valutato il risultato significa invece affidare un incarico. È una competenza che precede il prompting e che rimarrà importante anche quando i modelli saranno molto più capaci di quelli attuali.

Prima competenza: capire cosa può fare l’AI

Un percorso di formazione dovrebbe quindi partire da una conoscenza sufficiente della tecnologia, senza pretendere di trasformare un marketing manager in un esperto di machine learning. È utile capire cosa sia un large language model, perché possa produrre informazioni errate con apparente sicurezza, quale differenza esista tra conoscenza del modello e ricerca di informazioni aggiornate, cosa comporti fornire ad esso documenti aziendali e perché il contesto disponibile influenzi così profondamente il risultato; allo stesso modo è necessario superare l’idea che AI generativa significhi soltanto testo.
I sistemi contemporanei possono lavorare con immagini, documenti, fogli di calcolo, presentazioni, audio e grandi quantità di informazioni. Possono effettuare ricerche, confrontare fonti, analizzare dati e, in determinati ambienti, utilizzare strumenti esterni o eseguire sequenze di operazioni. Il punto non è conoscere ogni nuova funzione. È capire quale classe di problemi può essere affidata all’AI e quale invece richiede necessariamente competenze, verifica o decisione umana.

Il prompting conta, ma meno di quanto sembri

Una parte della formazione deve inevitabilmente riguardare il modo con cui si interagisce con un modello. Ma ridurre tutto al “prompt engineering” rischia di creare una competenza destinata a invecchiare rapidamente. I modelli comprendono sempre meglio istruzioni formulate in linguaggio naturale. Diventa quindi meno importante conoscere formule particolari e più importante sapere descrivere bene un problema.
Una buona struttura può essere sorprendentemente semplice: obiettivo → contesto → materiali → vincoli → risultato → criteri di valutazione. La qualità dell’output dipende così non soltanto dalla formulazione della domanda, ma dalla qualità delle informazioni che vengono messe a disposizione del sistema. È, in fondo, qualcosa che un buon manager dovrebbe già saper fare con un collaboratore umano.

Non soltanto produzione

Nel marketing l’utilizzo più immediato dell’AI è la produzione di contenuti. Testi, headline, email, post social, presentazioni, immagini e varianti pubblicitarie permettono di ottenere rapidamente risultati visibili. È però anche l’utilizzo meno interessante se rimane isolato.

L’AI può aiutare a raccogliere e organizzare informazioni sul mercato, confrontare concorrenti, analizzare migliaia di recensioni, classificare le risposte a una survey, identificare pattern nei feedback dei clienti o sintetizzare documentazione che richiederebbe ore di lettura. Può essere utilizzata per costruire ipotesi di positioning, confrontare differenti value proposition o esplorare decine di direzioni creative prima di sceglierne alcune sulle quali lavorare.

Può inoltre intervenire dopo la produzione, per verificare una campagna, verificandone la coerenza con il brief, individuando affermazioni che richiedono una verifica o simulando le obiezioni di differenti interlocutori. Il guadagno non consiste quindi soltanto nel fare più velocemente ciò che si faceva prima. Consiste anche nel poter fare cose che, per limiti di tempo o di risorse, prima semplicemente non venivano fatte.

Usare l’AI per contraddire, non soltanto per confermare

C’è un’altra capacità particolarmente interessante per chi lavora nel marketing: utilizzare il modello come sparring partner. Normalmente chiediamo all’AI di aiutarci a migliorare un’idea. È altrettanto utile chiederle di demolirla. Una proposta può essere sottoposta al punto di vista di un cliente scettico, di un concorrente, di un responsabile finanziario che deve approvare il budget o di un consumatore che non conosce il prodotto.
Si può chiedere al modello di individuare dieci ragioni per cui una campagna potrebbe non funzionare, di cercare contraddizioni in un positioning o di costruire l’argomentazione più convincente possibile contro una decisione che abbiamo già preso. È un utilizzo dell’AI meno appariscente della generazione di immagini o testi, ma probabilmente più interessante per chi deve prendere decisioni.

Dalla chat al processo

C’è infine un passaggio che distingue l’utilizzo occasionale dall’adozione organizzativa. Un marketeer che ogni mattina apre una nuova conversazione e ricomincia a spiegare all’AI chi è l’azienda, quali prodotti vende, a chi si rivolge e quale tono utilizza sta usando uno strumento. Non ha ancora costruito un processo.
Le attività ricorrenti possono invece diventare workflow. Una campagna dovrebbe  partire dal brief, proseguire con l’analisi del mercato e dei concorrenti, generare differenti ipotesi di positioning, sottoporle a una fase critica, selezionare alcuni concept, produrre le relative declinazioni e infine verificare ogni output rispetto al brief originale.
Brief → ricerca → analisi → ipotesi → critica → selezione → produzione → verifica.

L’intervento umano non scompare. Cambia posizione.

Il professionista decide cosa chiedere, quali informazioni fornire, quali risultati approfondire, cosa scartare e soprattutto cosa approvare. La formazione dovrebbe partire dal lavoro vero. Per questo un corso aziendale sull’AI destinato al marketing dovrebbe essere soprattutto un laboratorio.

Una prima parte può fornire le basi necessarie per comprendere tecnologia, limiti, privacy, copyright e affidabilità delle informazioni, ma il resto dovrebbe utilizzare brief, campagne, dati, presentazioni e problemi reali dell’azienda. Si può prendere una campagna realizzata sei mesi prima e provare a rifarla utilizzando l’AI durante tutto il processo.

Il confronto diventa allora misurabile: quanto tempo è stato necessario, quante alternative sono state esplorate, quali attività manuali sono state eliminate, dove il risultato è migliorato e dove invece l’intervento umano continua a essere determinante. È molto più significativo che verificare se i partecipanti abbiano imparato dieci tecniche di prompting.

Costruire una competenza aziendale

Rimane infine un problema organizzativo. Se venti persone imparano individualmente venti modi differenti di utilizzare l’AI, l’azienda ha venti utenti più competenti. Non necessariamente possiede una competenza sull’AI. Le esperienze migliori devono quindi diventare patrimonio comune.

Un Marketing AI Playbook può raccogliere i workflow che hanno dimostrato di funzionare, i modelli di brief, le istruzioni riutilizzabili, le procedure di verifica, le regole relative ai dati aziendali e alcuni esempi concreti di risultati corretti e sbagliati. Non dovrebbe essere un documento statico. Modelli, strumenti e possibilità cambiano troppo velocemente; dovrebbe assomigliare maggiormente a un manuale operativo continuamente aggiornato dal gruppo.
È probabilmente qui che si misura il risultato di un buon percorso di formazione, non dal numero di persone che utilizzano quotidianamente un chatbot, né dalla quantità di contenuti che riescono a generare ma dalla capacità del gruppo di decidere quando utilizzare l’AI, quali informazioni affidarle, come guidarla, come giudicarne il lavoro e come trasformare ciò che funziona in un processo ripetibile.

Per saperne di più scarica il playbook, uno strumento pratico per impostare il lavoro: Formare un team marketing all’AI

—

*Fabrizio Albergati, giornalista e senior advisor in ambito tecnologico

© RIPRODUZIONE RISERVATA