Tre articoli pubblicati su Metrica.Press descrivono altrettanti strumenti statistici (Marketing Mix Modeling, multi-armed bandit e modello BG/NBD) che hanno una cosa in comune, raramente resa esplicita: più sono efficaci nel proprio compito, meno chi li usa ogni giorno riesce a spiegare, in una frase semplice, perché hanno preso una decisione specifica. Un modello di marketing mix bayesiano restituisce un intervallo di credibilità, non un numero secco — più onesto sull’incertezza, ma più difficile da riassumere in una slide. Un algoritmo Thompson Sampling sposta budget da una variante all’altra campionando da una distribuzione di probabilità che cambia a ogni round — più efficiente di un test A/B fisso, ma impossibile da spiegare a un collega con un grafico lineare. Un modello BG/NBD assegna a ogni cliente una probabilità individuale di essere ancora “vivo”, calcolata incrociando due distribuzioni statistiche diverse — più preciso di una media aggregata, ma opaco a chiunque non abbia già familiarità con le distribuzioni Beta e Gamma su cui si fonda.
Non è un caso isolato limitato a questi tre strumenti. È la direzione in cui l’intera disciplina della misurazione di marketing si sta muovendo, e coincide, non casualmente, con un tema che ha attraversato anche la cronaca di oggi: l’appello di Dario Amodei, sottoscritto in poche ore da Sam Altman ed Elon Musk, a rallentare lo sviluppo dell’intelligenza artificiale proprio per il rischio di costruire sistemi il cui comportamento diventa, oltre una certa soglia di complessità, difficile da prevedere e da controllare pienamente anche per chi li ha progettati. La scala è ovviamente diversa — un modello di allocazione budget non minaccia l’umanità — ma il meccanismo di fondo è lo stesso: un sistema statistico sufficientemente sofisticato da produrre risultati migliori di un umano diventa, quasi per definizione, meno immediatamente comprensibile a un umano.
Questo non è un argomento contro la sofisticazione statistica. I tre strumenti descritti oggi producono, con buone probabilità, decisioni migliori di quelle che un calcolo più semplice permetterebbe — un intervallo di credibilità bayesiano comunica onestamente un’incertezza che una stima puntuale nasconderebbe, un algoritmo bandit riduce concretamente lo spreco di budget rispetto a un test A/B rigido, un modello probabilistico di CLV distingue clienti che una media aggregata tratterebbe come identici. Il problema non è la qualità tecnica di questi strumenti. È la distanza crescente tra chi li costruisce e chi, in azienda, deve fidarsi del loro output senza poterne verificare la logica interna passo per passo.
Questa distanza produce un rischio specifico, distinto da quello puramente tecnico: la delega senza comprensione. Un responsabile marketing che approva un budget riallocato da un algoritmo bandit, senza capire perché quell’algoritmo abbia scelto proprio quella variante in quel momento, non sta prendendo una decisione informata — sta firmando una decisione presa da qualcun altro, fidandosi che il sistema sottostante funzioni come promesso. È lo stesso tipo di fiducia cieca che il pezzo sulla campagna pubblicitaria negoziata da un agente AI ha messo in discussione, a proposito di numeri di performance dichiarati da un fornitore senza metodologia verificabile: la sofisticazione tecnica di uno strumento non sostituisce mai la necessità di capire, almeno nelle sue linee essenziali, come quello strumento arriva alle proprie conclusioni.
Tornare a metodi più semplici solo perché più comprensibili non è la strada giusta — sarebbe un passo indietro ingiustificato, che rinuncerebbe a un miglioramento reale nella qualità delle decisioni per il solo conforto di capirle più facilmente. C’è però una distinzione più utile, applicabile a ciascuno dei tre strumenti descritti oggi e a molti altri che il marketing dati-driven continuerà a produrre: separare la comprensione dei principi generali di uno strumento — cosa sta effettivamente ottimizzando, quali assunzioni sta facendo, quali sono i suoi limiti noti — dalla pretesa, spesso irrealistica, di seguire ogni singolo calcolo interno passo per passo. Un responsabile marketing non deve saper derivare a mano le equazioni di un modello Gamma-Gamma. Deve però sapere che quel modello assume l’indipendenza tra frequenza e valore di acquisto, e sapere cosa succede alla stima finale se quell’assunzione, nel proprio settore specifico, non regge.
È la stessa distinzione, applicata ad una scala diversa, che sta al centro del dibattito sulla sicurezza dell’intelligenza artificiale citato all’inizio: non pretendere di comprendere ogni singolo parametro di un sistema sempre più complesso, ma insistere che chi lo costruisce mantenga, e renda verificabile a chi lo usa, una comprensione sufficiente dei suoi principi di fondo e dei suoi limiti reali — la differenza tra usare uno strumento potente con consapevolezza, e delegargli solo la decisione sperando che “funzioni” bene.