Dove sono i case study di AI marketing con numeri reali? In meno posti di quanto lasci credere il circuito dei convegni. La maggior parte delle «storie di successo dell'AI» conta gli output: asset generati, ore risparmiate in teoria, strumenti adottati. I pochi da cui vale la pena imparare indicano un'inefficienza specifica, la misurano, spiegano il metodo e dicono onestamente se il risultato si è già concretizzato.
L'esempio più recente è arrivato questa settimana. Campaign Middle East ha riportato che l'agenzia di performance TRKKN ha usato Meridian, il marketing mix model open source di Google, per mostrare a Faces, il retailer di bellezza, da dove provengono davvero i suoi ricavi in Arabia Saudita. Tre anni di dati, 11 canali e un aumento incrementale dei ricavi previsto dell'8,5%, oltre a un miglioramento del ROI di 10,8 punti percentuali, semplicemente spostando budget che Faces stava già spendendo.
Cosa dimostra davvero il caso Faces e TRKKN?
Qualcosa di specifico e utile. TRKKN ha implementato Meridian nell'ambiente Google Cloud già esistente di Faces, ha modellato i dati di marketing online e offline e i ricavi dal 2023 al 2025 e ha costruito curve di risposta e di saturazione per ciascun canale. Performance Max è risultato il canale più forte. Il modello ha anche mostrato dove una spesa aggiuntiva si sarebbe scontrata con rendimenti decrescenti.
Harry Lonergan, digital marketing director di Faces, parte di Chalhoub Group, ha riassunto il valore in una frase: «Meridian ci ha aiutato ad andare oltre ciò che vediamo nelle performance last click».
Due avvertenze. Primo, come chiarisce il report, l'8,5% e i 10,8 punti derivano da scenari modellati, non da risultati successivi all'implementazione. Secondo, si tratta di modellazione statistica e non di AI generativa, quindi non dice nulla sugli strumenti per i contenuti. Nessuno dei due punti indebolisce il caso. Entrambi lo rendono credibile, perché sai esattamente cosa stai guardando.
Perché la maggior parte dei case study di AI marketing è così inconsistente?
Gli economisti hanno un nome per i mercati in cui i prezzi smettono di inviare i segnali giusti: fallimento del mercato. Una causa classica è l'asimmetria informativa, quando una parte di una transazione sa molto più dell'altra. La pubblicità ci convive da decenni. Le piattaforme si danno i voti da sole. Le agenzie fatturano ore per lavori che i clienti non vedono mai. I clienti giudicano i canali su numeri last-click che premiano qualunque cosa si trovasse più vicina alla vendita.
I case study sull'AI ereditano il problema. I vendor pubblicano i successi, raramente il metodo e quasi mai la baseline. Una frase come «risparmiato il 40% del tempo di produzione» sembra una prova finché non chiedi: il 40% di cosa, misurato come, e che fine ha fatto il lavoro?
I casi utili fanno l'opposto. Affrontano un'inefficienza che il mercato ha tollerato, come la misurazione last-click o giorni di reportistica manuale, e mostrano il numero. In questo senso l'efficienza è davvero la madre dell'innovazione: non puoi reinventare un processo finché non vedi quanto costa.
Quali case study sull'AI hanno numeri verificabili?
Ecco cosa possiamo indicare oggi, inclusi i nostri clienti, valutati con lo stesso test. Dove non c'è un dato pubblicato, lo diciamo.
| Caso | Inefficienza affrontata | Il numero | Previsto o effettivo? | Cosa manca |
|---|---|---|---|---|
| Faces e TRKKN (Meridian MMM) | Una visione last-click di 11 canali | Aumento incrementale dei ricavi dell'8,5%; miglioramento del ROI di 10,8 punti | Previsto sulla base di tre anni di dati | Risultati post-implementazione |
| SAMY con Defy Agents | Reportistica manuale delle performance | Tre giorni di lavoro ridotti a uno | Effettivo nel flusso di lavoro | Il valore commerciale del tempo liberato |
| Enchant con Defy Monitor | Insight CRM e attivazione delle campagne gestiti a mano | Nessun dato pubblicato | Adottato per tutti i suoi clienti | Un risultato quantificato |
| SharkNinja con Defy Monitor | Comprendere i mercati LATAM | Nessun dato pubblicato | Usato per costruire strategie da testare e affinare rapidamente | I risultati di quei test |
| Agenzie a sprint (Beers With Friends, X&O) | Progetti di mesi e retainer | Sprint di cinque giorni; i clienti tornano più volte l'anno | Modello operativo in uso | L'AI non ha alcun ruolo nella storia |
Cosa significa «da tre giorni a uno» dentro un'agenzia?
SAMY, agenzia globale di influencer marketing, ha adottato Defy Agents per semplificare la reportistica delle performance, riducendo tre giorni di lavoro a uno. Non è un numero spettacolare. È il tipo di numero che conta, perché la reportistica è l'incombenza che ogni team clienti conosce bene: estrarre i numeri dalle piattaforme, riconciliarli, impaginare la presentazione, controllarla, inviarla, spiegarla.
I flussi di lavoro agentici sulla piattaforma Defy tolgono dalle scrivanie delle persone proprio questo tipo di delivery ripetitiva. La domanda interessante è cosa diventano gli altri due giorni. Se svaniscono in altro lavoro dello stesso tipo, il cliente non vede nulla. Se vanno in analisi, idee e confronto, il report smette di essere un costo e diventa un motivo per rinnovare.
L'analisi di Campaign US sul modello delle agenzie a sprint mostra dove porta la velocità sul piano commerciale. Beers With Friends lavora con sprint di cinque giorni. Il co-founder di X&O, Brett Banker, dice che l'agenzia ha «zero fidelizzazione dei clienti», perché i clienti tornano più volte l'anno invece di firmare contratti da agency of record. L'articolo non menziona affatto l'AI. Ed è proprio questo il punto: i clienti pagano già per velocità e focus. Una consegna più rapida rende semplicemente quel modello accessibile a più agenzie.
Come valutare un case study di AI marketing prima di prenderlo a modello
- Individua l'inefficienza. Cosa era uno spreco, o restava invisibile, prima? «Abbiamo adottato l'AI» non è un'inefficienza.
- Trova la baseline. Tre giorni di reportistica, attribuzione last-click, un progetto misurato in mesi. Senza baseline, niente case study.
- Controlla il metodo. Quali dati, in quale periodo, su quanti canali? Il caso Faces risponde a tutte e tre le domande.
- Distingui il previsto dall'effettivo. Un aumento modellato è una previsione. Trattalo come un'ipotesi da verificare, non come un risultato da citare in un pitch.
- Chiedi dove è finito il tempo risparmiato. L'efficienza conta solo se si traduce in lavoro migliore, decisioni più rapide o costi inferiori per il cliente.
- Fai un tuo progetto pilota. Un cliente, un flusso di lavoro, un mese, con la baseline messa per iscritto prima di iniziare.
Dove le prove sono ancora deboli?
Soprattutto dove le promesse sono più rumorose. Misurazione e reportistica producono numeri prima-e-dopo puliti, quindi si prestano a buoni case study. I contenuti generativi sono più difficili: produrre più asset è facile da contare, mentre dimostrare che quegli asset hanno venduto di più non lo è. Diffida di qualsiasi case study che si ferma ai volumi.
Anche la nostra tabella ha delle lacune. Enchant e SharkNinja sono implementazioni reali senza dati pubblicati, e il numero di SAMY misura il tempo, non i ricavi. Preferiamo mostrare le lacune piuttosto che nasconderle. Le agenzie che avranno successo d'ora in poi pubblicheranno il proprio metodo insieme ai propri successi, perché è l'unico tipo di case study che il direttore finanziario scettico di un cliente leggerà due volte.
