Chiudiamo questo mese con un filo che lega quasi tutto quello che abbiamo scritto nelle ultime settimane, ed è un filo scomodo: nel 2026 il marketing digitale sta adottando strumenti tecnici — motori di risposta AI, agenti autonomi, piattaforme di ascolto e personalizzazione — a una velocità che supera, e di parecchio, la nostra capacità collettiva di verificare se quegli strumenti facciano davvero quello che promettono. Non è un’impressione. È il pattern che emerge, con una regolarità che ha smesso di sembrarci casuale, da ogni fonte tecnica rigorosa che abbiamo consultato quest’anno.
Il pattern, riassunto in quattro punti
Un test di ricerca del Tow Center della Columbia University ha misurato quanto spesso i principali motori di risposta AI — ChatGPT Search, Perplexity, Gemini e altri — citano correttamente le fonti giornalistiche da cui attingono. La risposta: più del 60% delle citazioni era sbagliata. Non impreciso. Sbagliato. E gli stessi strumenti, quando sbagliavano, lo facevano con la stessa sicurezza con cui davano una risposta corretta, senza segnalare mai il proprio margine di incertezza.
Uno studio di Google e MIT ha misurato cosa succede quando si mettono insieme più agenti di intelligenza artificiale per eseguire un compito complesso. La risposta: oltre una certa soglia di successo del singolo agente, aggiungerne altri peggiora il risultato, a meno che il sistema non abbia un’architettura centralizzata capace di intercettare gli errori prima che si propaghino — un dettaglio tecnico che la maggior parte dei materiali promozionali sui sistemi multi-agente non menziona nemmeno.
Un audit indipendente della filiera pubblicitaria programmatica, condotto da PwC per conto degli inserzionisti britannici, ha scoperto che il 15% della spesa pubblicitaria non era riconducibile a nessuna voce di costo identificabile — nemmeno con accesso completo ai dati di ogni azienda coinvolta nella catena.
E per finire, uno strumento apparentemente innocuo come il social listening basa le proprie classificazioni di sentiment su modelli che, nel migliore dei casi, raggiungono un livello di accordo paragonabile a quello — imperfetto — tra esseri umani che leggono lo stesso testo e non sempre concordano su cosa significhi.
Cosa hanno in comune questi quattro casi
Non è un caso che compaiano tutti nello stesso anno. Sono tutti sintomi dello stesso squilibrio: la velocità con cui uno strumento viene adottato dal mercato non ha alcuna relazione necessaria con la velocità con cui qualcuno ne verifica in modo indipendente l’affidabilità. Un motore di risposta AI può conquistare milioni di utenti in pochi mesi. Uno studio rigoroso che ne misuri l’accuratezza richiede mesi di lavoro metodico, spesso condotto da un’istituzione accademica o da un’organizzazione indipendente senza interesse commerciale nel risultato — e nel frattempo lo strumento continua a essere usato, citato, integrato in flussi di lavoro reali, sulla sola base della fiducia che il suo aspetto sicuro di sé ispira.
Il problema non sta negli strumenti ma nel ritmo
Nessuno di questi quattro casi documenta uno strumento inutile o costruito in malafede. Un motore di risposta AI resta utile anche sbagliando sei citazioni su dieci, se chi lo usa sa di doverle verificare. Un sistema multi-agente resta prezioso, se costruito con l’architettura giusta. Il problema non è la tecnologia in sé. È l’abitudine, diffusa in tutto il settore, di trattare la velocità di adozione come se fosse una prova di affidabilità — quando le due cose non hanno alcuna relazione logica tra loro. Uno strumento può diffondersi rapidamente perché è comodo, perché è ben presentato, perché risolve un problema reale in modo imperfetto ma sufficiente — non necessariamente perché qualcuno ne ha verificato a fondo l’accuratezza prima che milioni di persone iniziassero a usarlo.
Cosa significa per chi lavora nel marketing
Il criterio che proponiamo, mese dopo mese su questa testata, non è aspettare che ogni strumento venga certificato da uno studio accademico prima di usarlo — sarebbe un consiglio inapplicabile nella pratica quotidiana di chi deve comunque lavorare con gli strumenti disponibili oggi, non con quelli ideali di uno studio futuro. È più semplice e più immediatamente applicabile: trattare la sicurezza con cui uno strumento presenta i propri risultati come indipendente dalla loro accuratezza reale. Un motore di risposta AI che non esprime mai dubbio non sta necessariamente rispondendo sempre bene — potrebbe semplicemente non essere costruito per riconoscere quando sbaglia. Un sistema di sentiment analysis che restituisce un punteggio preciso alla prima cifra decimale non sta necessariamente misurando qualcosa di preciso — potrebbe solo presentare con falsa precisione un giudizio che nemmeno due lettori umani condividerebbero fino in fondo.
Perché insistiamo su questo
Chi ci legge regolarmente riconoscerà, in questo editoriale, un tema che ricorre in molte forme diverse su questa testata: la fiducia che un settore ripone in uno strumento cresce quasi sempre più in fretta della verifica indipendente che quello strumento meriterebbe. Non è pessimismo verso la tecnologia. È la stessa domanda, posta ogni volta in un contesto diverso: prima di fidarti di un numero, di una citazione, di un punteggio, di un risultato — chi lo ha verificato, con quale metodo, e quanto tempo fa? Nel 2026, con la velocità a cui questi strumenti si diffondono, è una domanda da farsi più spesso di quanto il ritmo del settore lasci intuire.