Intelligenza artificiale per l'ecommerce: dove l'AI lavora davvero e cosa serve perché funzioni

In quasi tutti gli ecommerce italiani l'intelligenza artificiale è già entrata, ma quasi sempre dalla porta di servizio. Qualcuno la usa per farsi scrivere le descrizioni dei prodotti, qualcun altro ha acceso un chatbot in un angolo del sito e non lo guarda da mesi, altri ancora hanno un fornitore che, nel canone, ha aggiunto la parola AI a una funzione che esisteva già da anni. Nel frattempo la domanda che conta davvero, cioè quali problemi del negozio l'intelligenza artificiale risolve e quanto vale risolverli, resta quasi sempre senza risposta.

Questo articolo prova a rispondere, senza entusiasmo di maniera e senza lo scetticismo di chi non ha guardato. Passa in rassegna una per una le aree dell'ecommerce in cui l'AI oggi lavora con risultati misurabili, distingue quello che arriva già incluso nella piattaforma da quello che va costruito, spiega cosa serve perché funzioni, quanto costa, come si misura il ritorno e dove sono i rischi, compresi quelli normativi che dal 2026 hanno una data sul calendario.

Una premessa di metodo, perché regge tutto il resto. L'intelligenza artificiale non è un acceleratore che si monta su qualsiasi motore, è un moltiplicatore: amplifica quello che trova. Se trova un catalogo in ordine, dati puliti e processi chiari, produce risultati notevoli in fretta. Se trova confusione, la rende soltanto più veloce.

Cos'è l'intelligenza artificiale applicata all'ecommerce

Sotto l'etichetta AI, in un negozio online, convivono tre famiglie di tecnologie che hanno origini diverse, costi diversi e problemi diversi. Confonderle è il primo modo per spendere male.

Il machine learning predittivo è la famiglia più vecchia e meno appariscente, quella che nell'ecommerce lavora da più tempo: modelli addestrati sui dati storici del negozio che stimano una probabilità o un numero, quali prodotti mostrare a chi, quanti pezzi si venderanno il mese prossimo, quale cliente sta per smettere di comprare, quale ordine ha l'aria di essere una frode. Non parla, non scrive, non conversa: calcola, ed è la parte che produce i risultati economici più diretti. È la materia di cui parliamo nel pezzo sul machine learning per l'ecommerce.

L'AI generativa è quella che ha reso il tema popolare: modelli linguistici che producono testo, immagini, traduzioni, riassunti. Nell'ecommerce serve soprattutto a comprimere il tempo del lavoro ripetitivo, le schede prodotto, le varianti di una campagna, le risposte all'assistenza, le traduzioni per un mercato nuovo. Fa risparmiare ore vere, ma raramente decide qualcosa: produce materiale, che qualcuno deve ancora scegliere e approvare.

Gli agenti sono la novità degli ultimi due anni, e la differenza sta nel verbo: non rispondono, agiscono. Un agente riceve un obiettivo in linguaggio naturale e lo scompone in azioni concrete su sistemi veri, interroga un catalogo, compone un carrello, apre un ordine, avvia un pagamento. È il livello che sta cambiando la struttura del canale, non solo la produttività di chi lavora dentro il negozio, ed è anche quello che porta con sé le domande più serie sulla responsabilità.

Dove l'AI lavora davvero, area per area

Un ecommerce non è un blocco unico, è una sequenza di problemi diversi tenuti insieme dallo stesso catalogo. Vale la pena guardarli uno per uno, perché l'intelligenza artificiale in alcuni punti è ormai infrastruttura e in altri è ancora una promessa cara.

Catalogo e contenuti di prodotto

È il punto in cui l'AI generativa dà il ritorno più immediato, e anche quello in cui si commette l'errore più comune. Un modello scrive in pochi secondi una descrizione decente per un prodotto che ha attributi completi, e non scrive niente di utile per un prodotto che nel gestionale è soltanto un codice e un prezzo. La generazione dei testi non compensa i dati mancanti, li mette in evidenza. Il lavoro serio, qui, è a monte: normalizzare gli attributi, riempire i campi, dare nomi comprensibili invece che creativi. Fatto quello, la generazione di descrizioni, titoli, testi alternativi delle immagini e traduzioni diventa una leva di produttività reale su cataloghi da migliaia di referenze, dove il collo di bottiglia non è mai stato la creatività ma il tempo.

Ricerca interna e scoperta del prodotto

Chi usa la ricerca interna di un ecommerce è il visitatore con l'intenzione d'acquisto più alta, ed è anche quello che si perde più facilmente: una ricerca a vuoto è una vendita mancata silenziosa, che nessun report mostra in prima pagina. La ricerca semantica, cioè quella che capisce il significato invece di cercare la corrispondenza esatta delle parole, regge i refusi, i sinonimi e le formulazioni storte, e restituisce il prodotto giusto anche a chi lo chiama con il nome sbagliato. È una delle applicazioni con il rapporto migliore tra sforzo e risultato, e ne parliamo nel dettaglio nel pezzo dedicato al motore di ricerca per ecommerce.

Raccomandazioni e personalizzazione

I motori di raccomandazione sono machine learning puro, e nell'ecommerce sono la più antica applicazione dell'AI che funzioni davvero: dai prodotti correlati sulla scheda al riordino dinamico di una categoria, fino alle offerte costruite sul comportamento del singolo cliente. Il vincolo è sempre lo stesso, il volume: un modello di raccomandazione ha bisogno di traffico e di storico per imparare qualcosa che valga più di una regola scritta a mano. Sotto una certa soglia, una buona regola editoriale batte un cattivo modello, e conviene ammetterlo invece di comprare la funzione. La personalizzazione dell'esperienza d'acquisto ha una sua letteratura, e vale la pena leggerla prima di attivare qualsiasi cosa.

Assistenza clienti e conversazione

È l'area dove l'AI ha fatto il salto più visibile. Un chatbot collegato ai dati veri, cioè agli ordini, al catalogo e alle politiche di reso, risponde a una quota consistente delle richieste ripetitive, dove sono le mie scarpe, posso cambiare la taglia, quando arriva il rimborso, e libera le persone per i casi che meritano una persona. Un chatbot scollegato dai dati, invece, è un centralino che fa perdere tempo e brucia fiducia, e la differenza fra i due non sta nel modello linguistico, sta nell'integrazione. Vale la stessa regola di tutto il resto: la parte difficile non è accendere il bot, è collegarlo.

Marketing, campagne e retention

Qui l'intelligenza artificiale lavora su due piani. Sul primo produce materiale, le varianti di un annuncio, gli oggetti delle email, i testi per i canali social, e comprime il tempo di produzione di una campagna. Sul secondo, meno appariscente e più redditizio, decide: quali clienti includere in un flusso, quando mandare il messaggio, quale prodotto proporre a chi ha comprato una certa cosa tre mesi fa. Le piattaforme pubblicitarie hanno spostato da tempo l'ottimizzazione dentro i loro algoritmi, e la leva che resta al merchant non è più la microgestione delle offerte, è la qualità dei segnali che manda: quali conversioni misura, quali dati passa, quali margini dichiara. Un algoritmo ottimizza quello che gli si chiede di ottimizzare, e se gli si chiede il fatturato invece del margine lo ottiene, a spese del secondo.

Previsione della domanda, scorte e prezzi

È l'applicazione meno raccontata e quella con l'impatto economico più alto, perché lavora sul capitale immobilizzato. Un modello che stima la domanda per referenza e per settimana, tenendo dentro la stagionalità, le promozioni e i tempi di riassortimento, riduce insieme le rotture di stock e il magazzino fermo, cioè le due voci che si mangiano il margine da lati opposti. Vale lo stesso per i prezzi: l'ottimizzazione dinamica esiste, funziona, ed è tanto più delicata quanto più il marchio conta, perché un prezzo che si muove troppo spesso insegna al cliente ad aspettare. Questo è il terreno su cui l'AI dà i risultati più solidi e chiede in cambio la condizione più esigente, cioè dati storici puliti e collegati al gestionale, non un foglio di calcolo aggiornato a mano.

Antifrode e gestione del rischio

I sistemi antifrode sono machine learning da prima che si chiamasse AI, e oggi arrivano quasi sempre inclusi nella piattaforma o nel fornitore di pagamento: assegnano a ogni ordine un punteggio di rischio, incrociando segnali che una persona non vedrebbe mai, e lasciano al merchant la decisione su cosa fare della soglia. La cosa da capire è che la soglia è una scelta economica, non tecnica: alzarla riduce le frodi e blocca ordini buoni, abbassarla fa il contrario. È il tipo di parametro che va tarato sui propri margini, e che invece resta quasi sempre come lo si è trovato il primo giorno.

Analisi dei dati e decisioni

L'AI conversazionale applicata ai dati aziendali promette di sostituire la dashboard con una domanda in linguaggio naturale, e in parte lo sta facendo: chiedere quali prodotti hanno perso margine nell'ultimo trimestre, e ricevere la risposta invece del grafico, cambia il tempo che passa tra la domanda e la decisione. Il limite, però, è lo stesso di sempre: la risposta vale quanto il dato che sta sotto. Se il gestionale e l'ecommerce non parlano, o parlano con definizioni diverse di cosa sia un ordine, l'AI restituirà con grande scioltezza un numero sbagliato.

Quello che arriva già incluso nella piattaforma

Una parte consistente di quello che fino a poco tempo fa richiedeva un progetto oggi è dentro il canone della piattaforma, e questo cambia il calcolo di convenienza più di qualsiasi annuncio. Su Shopify, la generazione dei contenuti di prodotto, l'assistente che opera dentro l'admin, la ricerca semantica sul negozio, la gestione conversazionale dell'assistenza e l'automazione delle campagne sono funzioni native, che non si comprano a parte e non si integrano: si accendono. Il quadro completo, funzione per funzione, è nel pezzo sull'AI nativa di Shopify.

La conseguenza pratica è controintuitiva, e conviene dirla chiaramente a chi sta valutando un investimento: se una funzione è inclusa nel canone e vale per tutti i negozi della piattaforma, non è più un vantaggio competitivo, è un pavimento. Il vantaggio si sposta un livello sopra, cioè su come quella funzione viene configurata, tarata sui propri prodotti e sui propri margini, e su quali dati la alimentano. Comprare uno strumento che il concorrente ha già gratis non differenzia nessuno.

Quando l'AI smette di essere uno strumento e diventa un compratore

Tutto quello descritto finora è intelligenza artificiale usata dal negozio. Esiste però un secondo movimento, più recente e più profondo, in cui l'AI sta dall'altra parte del banco: è il cliente, o meglio l'agente che il cliente incarica di cercare, confrontare e in alcuni casi comprare al posto suo. È il commercio agentico, e cambia le regole più di qualsiasi funzione interna, perché sposta il punto in cui la vendita accade fuori dal sito, dentro una conversazione che il merchant non controlla. Il rapporto fra ChatGPT e i negozi Shopify è il caso più concreto da cui partire per capirlo.

La cosa notevole è che il lavoro da fare per essere pronti a questo scenario è lo stesso che serve per far funzionare l'AI dentro il negozio: attributi di prodotto completi, prezzi e disponibilità aggiornati in tempo reale, politiche pubblicate e leggibili. Un agente non interpreta una fotografia suggestiva e non si commuove davanti a un aggettivo, legge dati, e raccomanda quello che riesce a capire. Chi ha messo in ordine il proprio catalogo per ragioni interne si ritrova pronto anche per il canale nuovo, senza averlo pianificato.

I dati prima dei modelli

È il punto in cui la maggior parte dei progetti di intelligenza artificiale in azienda si arena, e quasi mai per ragioni tecnologiche. Un modello ha bisogno di dati che esistano, che siano corretti, che siano collegati e che siano aggiornati, e in molte aziende almeno una di queste quattro condizioni non è vera: l'anagrafica prodotto vive per metà nel gestionale e per metà in un foglio di calcolo, il magazzino si allinea una volta al giorno, il CRM ha tre versioni dello stesso cliente e nessuno sa quale sia quella buona.

Il lavoro che rende possibile l'AI, quindi, è il lavoro meno affascinante di tutti: un'anagrafica prodotto governata, un flusso di integrazione fra ecommerce, ERP e sistemi di magazzino che gira in modo affidabile e non a strappi, definizioni condivise di cosa sia un ordine, un reso, un cliente attivo. È lo stesso lavoro che serve per fare bene un replatforming, per aprire un mercato estero o per vendere in B2B, e questo è il motivo per cui, nei progetti seri, l'intelligenza artificiale non è mai il primo capitolo: è la conseguenza naturale di fondamenta messe a posto.

Quanto costa, e come si misura il ritorno

Il costo di un'iniziativa di intelligenza artificiale in un ecommerce si compone di tre voci, e la prima è quasi sempre la meno rilevante. C'è il costo della tecnologia, cioè licenze, canoni e consumo dei modelli, che negli ultimi due anni è crollato e che, per le funzioni native, è spesso incluso nel canone della piattaforma. C'è il costo dell'integrazione, cioè far arrivare al modello i dati giusti dai sistemi in cui vivono, e questa è la voce che pesa. E c'è il costo del tempo delle persone, quello di configurare, rivedere, approvare, correggere, che nessun preventivo mostra e che nella realtà decide se l'iniziativa sopravvive al secondo mese.

Il ritorno, invece, va misurato per caso d'uso e non in generale, perché non esiste un ROI dell'intelligenza artificiale come non esiste un ROI dell'elettricità. La generazione dei contenuti si misura in ore risparmiate per referenza pubblicata. La ricerca semantica si misura nella quota di ricerche a vuoto e nella conversione di chi cerca. L'assistenza conversazionale si misura nei ticket deviati e nel tempo di prima risposta. La previsione della domanda si misura nelle rotture di stock evitate e nel valore del magazzino fermo. Se una di queste iniziative non ha una metrica prima di partire, non è un progetto, è un esperimento, e va chiamato con il suo nome e finanziato di conseguenza.

I rischi, e come si tengono

Il rischio più discusso è quello delle risposte inventate, e nell'assistenza è un rischio commerciale a tutti gli effetti: un bot che promette un reso gratuito che non esiste ha creato un obbligo verso il cliente, non un errore di sistema. Si tiene in un modo solo, ancorando il modello ai dati veri dell'azienda e definendo per iscritto cosa può dire e cosa deve passare a una persona. Il secondo rischio è la dipendenza dal fornitore, cioè costruire un pezzo di operatività su uno strumento che domani cambia prezzo, funzione o proprietario. Il terzo è il trattamento dei dati dei clienti, che con l'AI generativa smette di essere un tema teorico nel momento in cui qualcuno incolla un elenco di ordini dentro uno strumento pubblico. Un bilancio onesto fra vantaggi e svantaggi è il punto di partenza di qualsiasi decisione seria.

C'è poi il fronte normativo, che ha smesso di essere un'ipotesi. Il regolamento europeo sull'intelligenza artificiale, il cosiddetto AI Act, è in vigore dal 1 agosto 2024 e si applica in modo scaglionato: i divieti sulle pratiche inaccettabili e l'obbligo di formazione del personale valgono dal 2 febbraio 2025, le regole sui modelli di uso generale dal 2 agosto 2025, e l'applicazione generale arriva il 2 agosto 2026. Per un ecommerce il punto che morde davvero è l'articolo 50, cioè la trasparenza: quando un cliente parla con un sistema automatico deve poterlo sapere, e i contenuti generati artificialmente vanno resi riconoscibili. Il pacchetto di semplificazione approvato nel 2026 ha rinviato al 2027 e al 2028 gli obblighi più onerosi sui sistemi ad alto rischio, che quasi mai riguardano un negozio online, ma non ha spostato la trasparenza. Il dettaglio dell'articolo 50 e di cosa va etichettato merita un discorso a parte, ed è un adempimento che premia chi ha già un ordine nella gestione degli asset e punisce chi non ce l'ha.

Da dove si comincia

Non da una strategia sull'intelligenza artificiale, che è il documento che le aziende scrivono quando non sanno da dove partire. Si comincia da un problema che costa soldi e che si può misurare: le ricerche a vuoto sul sito, i ticket ripetitivi che saturano l'assistenza, le rotture di stock sui venti prodotti che fanno il grosso del fatturato, le ore che passano a scrivere schede prodotto per un catalogo che cambia ogni stagione. Si sceglie il problema più caro fra quelli che hanno già i dati disponibili, si fissa la metrica prima di accendere qualsiasi cosa, e si misura dopo sei settimane.

È un metodo poco spettacolare, e ha un vantaggio decisivo: produce un risultato difendibile davanti a una direzione, invece di una serie di pilota che non chiudono mai. Quando affrontiamo un progetto ecommerce, dell'intelligenza artificiale parliamo dopo aver messo a posto le fondamenta, mai prima, e non per prudenza: perché su fondamenta storte l'AI non fallisce in modo evidente, fallisce in modo costoso e silenzioso.

Domande frequenti

Serve un data scientist per usare l'AI in un ecommerce?

Quasi mai, e sempre meno. La maggior parte delle applicazioni utili a un negozio, dalla generazione dei contenuti alla ricerca semantica alle raccomandazioni, oggi arriva come funzione della piattaforma o come servizio configurabile. Servono invece competenze di dati e di integrazione, cioè qualcuno che sappia far parlare i sistemi e garantire che i numeri che entrano nel modello siano quelli giusti. Il collo di bottiglia è lì, non nell'algoritmo.

Conviene comprare uno strumento o costruirlo su misura?

La regola pratica è semplice: se una funzione è inclusa nella piattaforma o esiste come servizio maturo, comprarla e configurarla bene è quasi sempre la scelta giusta, perché il vantaggio non sta nel possederla. Il su misura si giustifica quando il problema è specifico dell'azienda e nasce dai suoi dati, per esempio una previsione della domanda che deve tenere conto di un ciclo produttivo o di una logica di collezione che nessuno strumento generico conosce.

L'intelligenza artificiale fa aumentare le vendite?

Non di per sé. Fa aumentare le vendite quando risolve un problema che stava frenando le vendite, per esempio una ricerca interna che non trova i prodotti, o un'assistenza troppo lenta nel momento in cui il cliente decide. Fuori da questo nesso, produce attività, non risultati. La domanda giusta non è come usare l'AI, è quale problema del negozio vale la pena risolvere per primo.

Va detto al cliente che sta parlando con un sistema automatico?

Sì, ed è un obbligo di legge, non una scelta di stile. L'articolo 50 dell'AI Act impone che l'interazione con un sistema di intelligenza artificiale sia riconoscibile, e che i contenuti generati artificialmente siano identificabili come tali. Al di là della norma, è anche una scelta commercialmente sensata: le persone accettano di parlare con un bot che risolve, non accettano di scoprire di essere state ingannate.

Che rapporto c'è fra l'AI dentro il negozio e il commercio agentico?

Sono due facce dello stesso lavoro. L'AI dentro il negozio migliora quello che il negozio fa, il commercio agentico apre un canale in cui è un'altra intelligenza artificiale a comprare per conto del cliente. La base però è identica, cioè dati di prodotto strutturati, completi e aggiornati, ed è per questo che conviene pensarli insieme e non come due progetti separati.

Un moltiplicatore, non una scorciatoia

Il modo più veloce per sprecare un budget in intelligenza artificiale è comprarne una che risolva un problema che non si è mai misurato. Il modo più veloce per ottenere qualcosa è il contrario: scegliere il punto in cui il negozio perde soldi, verificare che i dati per affrontarlo esistano e siano affidabili, e usare lo strumento più semplice che risolve, che spesso è già acceso nella piattaforma e nessuno l'ha configurato.

Vale la pena tenere in mente che l'intelligenza artificiale non premia chi la adotta per primo, premia chi ha l'azienda in ordine sotto il cofano. È una notizia meno eccitante di quelle che si leggono, e ha il vantaggio di essere vera: chi ha un catalogo governato, sistemi che si parlano e metriche condivise ottiene risultati in poche settimane con strumenti che tutti hanno. Chi non li ha, con gli stessi strumenti, ottiene soltanto errori più veloci.