Intelligenza quotidiana, un field report

Lavorare con l'AI nel Marketing B2B: progetti, deleghe e decisioni

Ottobre 2026

A settembre ho pubblicato un field report sui nostri primi tre anni di AI nel Marketing B2B. Ho raccontato come siamo passati dall'utilizzare l'AI per singole attività a costruire un sistema di lavoro condiviso, con progetti, istruzioni, competenze e strumenti collegati.

Da allora sono passate poche settimane ma sono successe diverse cose interessanti:

• alcune attività che nel report erano ancora agli inizi hanno preso forma, soprattutto la GEO
• abbiamo automatizzato controlli che prima facevamo a mano
• abbiamo iniziato a lavorare su dati che fino a poco tempo fa non avevamo le risorse per analizzare

Nel frattempo ho anche fatto parecchi passi indietro con Claude, che sembra "rimbambito".

La cosa interessante di questo periodo secondo me sono alcune decisioni che mi sono trovata a prendere lavorando con l'AI ogni giorno:

• quanti progetti ha senso avviare
• quali attività delegare
• quando conviene fermarsi anche se tecnicamente si potrebbe andare avanti
• quanto ci si può fidare delle analisi che riceviamo

Credo che alcune questioni siano comuni a chi gestisce un team e sta cercando di capire fin dove spingersi con l'AI.

1. Avviare progetti ben organizzati grazie all'AI

Con l'AI posso fare i setup dei progetti in poco tempo e molto bene. Il rischio è di avviarne troppi, più di quanti possiamo poi portare avanti.

Una delle differenze che sento maggiormente nel mio lavoro di Marketing Manager è la facilità con cui oggi posso avviare un progetto.

Parto da un'idea, ne parlo con l'AI, ragioniamo sugli obiettivi, sulle risorse necessarie, sulle persone da coinvolgere e sui passaggi operativi. In un tempo relativamente breve posso arrivare a un progetto strutturato, con attività assegnabili, documenti di lavoro, istruzioni e una sequenza di cose da fare.

Prima questa fase richiedeva molto più tempo. È un vantaggio importante: riesco a preparare lavori più precisi e a passarli ai collaboratori in una forma già utilizzabile, invece di affidare loro un'idea ancora da sviluppare.

Il problema è che la mia capacità di avviare progetti è cresciuta molto più della nostra capacità di portarli avanti.

Possiamo avere dieci progetti molto ben impostati, ma il tempo disponibile per eseguirli è sempre quello, per quanto l’AI aiuti anche nell’operatività. Spesso il lavoro “vero” comincia proprio quando la fase con l'AI è finita: bisogna coinvolgere colleghi, fare verifiche, confrontarsi con fornitori, aspettare risposte.

Mi capita quindi di impostare lavori che poi non partono immediatamente.

All'inizio rischiavo di farmi trascinare dalla facilità con cui riuscivo a concretizzare le idee. Se un progetto può essere impostato rapidamente, è facile farsi prendere dall'entusiasmo e passare subito ad avviare il successivo. Il rischio, per chi gestisce un team, è ritrovarsi con tanti lavori aperti e collaboratori che non sanno più a quali dare precedenza.

Sto cercando di sfruttare meglio questo vantaggio che l'AI ci dà: posso avviare tutti i progetti che mi interessano, per non perdere l'entusiasmo, ma avendo sempre molto chiaro quando saremo effettivamente in grado di concretizzarli, e gestendo l'avvio di conseguenza.

Ovvero, se so che un progetto verrà preso in mano operativamente tra un mese, mi accerto che il contesto, le istruzioni, i primi passaggi già completati eccetera siano estremamente chiari sia per chi ci lavorerà sia per me che ci rimetterò testa tra qualche settimana. Diverso è il caso in cui ci si mette all'opera subito.

In questo modo sto cercando di salvare capra e cavoli, preservare la velocità di avvio ma mantenere le priorità e l'ordine.

Per riuscirci è vitale aver organizzato il lavoro: avere sott’occhio cosa è in corso, cosa è in attesa, chi se ne deve occupare e quando dovremo riprenderlo (ovviamente, l’AI aiuta anche in questo).

↑ Torna all'indice

2. Automatizzare le analisi dei siti e delle campagne

Ho affidato all’AI due lavori che prima facevamo a mano e meno frequentemente.

Un altro cambiamento concreto riguarda le attività di controllo e analisi.

Nei piccoli team di Marketing ci sono molte analisi che sappiamo essere utili ma che facciamo meno spesso di quanto vorremmo per mancanza di tempo e risorse. Si tende a dare priorità ai numeri che ci aiutano a prendere le decisioni vitali tralasciando le sfumature, che invece sono così interessanti. Se il tempo per estrarre questi dati si dimezza o addirittura si annulla, ecco che lo scenario cambia. Attenzione, continua a servire il tempo per leggerli e capirli questi dati.

2.1 Analisi delle campagne e ottimizzazione del targeting di LinkedIn

Ogni lunedì ricevo una review delle campagne impostata come mi serve. L’AI può proporre interventi, ma non modifica una campagna senza il mio consenso.

Fino a poco tempo fa facevo analizzare all'AI le campagne pubblicitarie quando ne avevo bisogno: settimanalmente o mensilmente. Le analisi erano utili, tanto che ho deciso di renderle periodiche.

Ora ricevo ogni lunedì mattina una review delle campagne impostata esattamente come mi serve. Mentre lo scrivo mi sembra banale, ma il beneficio che mi sta dando è maggiore di quanto mi aspettassi.

Ho ragionato su come impostare l’analisi e fatto alcuni test: mi trovo bene a leggere nella prima parte dell'analisi una sola priorità evidente e una raccomandazione concreta che l'AI dà secondo le mie istruzioni, e a seguire tutta l'analisi completa.

L’AI tende a proporti sempre dei recap in cui però sceglie lei cosa mettere e cosa tenere fuori, come dicevamo nel precedente “episodio”, e invece preferisco leggere tutto e decidere cosa approfondire e cosa no.

Il vantaggio non è soltanto il tempo risparmiato: le review settimanali mi portano davanti agli occhi aspetti che prima tendevo a trascurare, magari affrontandoli solo durante l'analisi mensile più approfondita.

E in alcuni casi quelle indicazioni hanno già portato a interventi seguiti da miglioramenti delle performance.

Per esempio, abbiamo rivisto il pubblico di una campagna Thought Leader Ads su LinkedIn dopo averne analizzato i risultati con l'AI. Il CTR è cresciuto sensibilmente nel periodo successivo: da 5,4 a 7% (sempre una gioia le TLA di LinkedIn).

Volendo può farlo direttamente un agente nella tua dashboard ma io per ora ho stabilito un confine: l'AI può proporre qualsiasi intervento ma non può modificare una campagna senza il mio consenso esplicito. Per ora mi trovo bene così ma non escludo di automatizzare alcuni interventi in futuro.

2.2 Audit tecnici mensili dei siti web

Ogni mese l’AI prepara un report sui problemi tecnici dei siti. Lo leggiamo prima noi del Marketing, decidiamo le priorità e poi lo giriamo agli sviluppatori, già scritto in “tecnichese”.

Abbiamo applicato una logica simile alla manutenzione dei siti web.

Prima facevamo controlli tecnici periodici, ma troppo sporadici. Molti problemi venivano risolti quando qualcuno li notava.

A ottobre abbiamo fatto una prima revisione tecnica dei nostri siti con ChatGPT e abbiamo impostato un controllo mensile. Il risultato è un documento operativo che raccoglie i problemi rilevati, indica le priorità e prepara le richieste per chi dovrà intervenire.

La cosa interessante è che inizialmente pensavo di far arrivare queste segnalazioni direttamente agli sviluppatori.

Poi ho cambiato idea.

Il report deve arrivare prima a noi del Marketing, perché sappiamo quali altri lavori abbiamo già richiesto al reparto IT, quali problemi sono davvero urgenti e quali interventi possono aspettare.

Siamo noi a decidere cosa fare e in quale ordine.

Una volta fatta questa valutazione, però, possiamo girare agli sviluppatori una documentazione già scritta in tecnichese, con indicazioni comprensibili per chi deve mettere mano al sito.

È un doppio vantaggio: non dobbiamo fare ogni volta un controllo tecnico completo e non dobbiamo nemmeno tradurre le nostre esigenze nel linguaggio degli sviluppatori. Che sono lieti di riceverle in una forma per loro più agevole.

Il sistema mensile è appena stato impostato, quindi dovremo ancora vedere quanto sarà efficace nel tempo. Intanto abbiamo reso possibile un controllo regolare che prima faticavamo a sostenere.

Stiamo sperimentando qualcosa di simile anche sull'analisi dei dati che arrivano da newsletter e CRM. Dopo una configurazione iniziale, riusciamo a incrociare informazioni che prima avrebbero richiesto un lavoro di analisi sproporzionato per le nostre risorse. È un progetto pilota, svolto nel rispetto dei permessi e delle finalità di raccolta dei dati, su cui dobbiamo ancora lavorare un po’ prima che abbia senso raccontarlo.

↑ Torna all'indice

3. Configurare i tracciamenti con l’AI

Con l’aiuto dell'AI ho configurato in autonomia dei tracciamenti mediamente complessi. Ci ho messo una mattina: a uno specialista sarebbe bastata più o meno un’ora. Poterlo fare non vuol dire che sia sempre conveniente.

Una delle attività in cui ho sperimentato maggiormente i limiti del lavoro con l'AI è stata la configurazione di alcuni tracciamenti web.

Non sono una specialista di web analytics. Eppure, guidata dall'AI, sono riuscita a impostare dei tracciamenti mediamente complessi che oggi funzionano.

Potrei considerarlo un successo, e per certi versi lo è. Prima non avrei nemmeno provato a fare quel lavoro da sola.

Il problema è quanto tempo ci ho messo e come posso “annusare” eventuali debolezze.

A un certo punto ChatGPT ha iniziato a farmi eseguire una lunga serie di controlli. Alcuni non mi convincevano, ma non avevo le competenze per capire immediatamente se fossero necessari oppure se ci stessimo perdendo.

Ho continuato a seguire le istruzioni per parecchio tempo, prima di decidere che qualcosa non tornava e passare a Claude per proseguire.

In diversi momenti mi sono ritrovata semplicemente a eseguire operazioni senza capire fino in fondo cosa stessi facendo.

È una situazione che non mi piace.

Se hai competenza in un’area, puoi valutare quello che l'AI ti propone e farti sveltire il lavoro. Se non ce l'hai, rischi di seguire un percorso sbagliato senza accorgertene. E quando qualcosa non funziona, il problema diventa ancora più grande: devi chiedere all'AI di aiutarti a capire un errore che non sei in grado di diagnosticare autonomamente.

Un professionista di web analytics avrebbe probabilmente affrontato quel lavoro molto più rapidamente. Non ho misurato con precisione i tempi, ma a spanne direi che ho usato una mattina per un lavoro che uno specialista avrebbe fatto in un’ora e soprattutto l’avrebbe fatto con sicurezza, mentre io l’ho finito con la sensazione che fosse tutto molto debole.

C'è anche un ragionamento economico da ricordare: il mio tempo ha un costo e il fatto che oggi possa svolgere personalmente un'attività non significa che sia conveniente farlo.

Questo vale anche per lo sviluppo web: come già dicevo, questo sito l'ho sviluppato autonomamente con Claude Code e per me questa possibilità è stata preziosa. È un sito relativamente semplice e riesco a gestirlo con l'aiuto dell'AI. Non mi metterei invece a realizzare da sola un e-commerce complesso, anche se probabilmente l'AI potrebbe guidarmi attraverso buona parte del lavoro.

3.1 Costruire una dashboard per l’analisi dei dati

Stiamo raccogliendo nella dashboard Stella tutti i dati del Marketing, compresi budget e risultati. Se le interpretazioni dell’AI resteranno superficiali, Stella mostrerà solo i numeri e la lettura resterà a noi.

Ho accennato che avere dei dati non significa saperli interpretare. Questa riflessione sta entrando in un progetto ancora più ambizioso.

Stiamo costruendo quella che abbiamo chiamato Stella in onore di Stella Cunliffe, prima donna a presiedere la Royal Statistical Society nel 1975: una dashboard che raccoglie in un unico ambiente tutti i dati del nostro Marketing, non solo quelli provenienti dalle attività - come newsletter, campagne pubblicitarie, blog, siti web - ma anche risultati e investimenti.

La piattaforma è in costruzione. Abbiamo realizzato le prime viste e stiamo lavorando alle integrazioni, usando come connettore Windsor AI. A breve vorrei sostituirlo con un connettore sviluppato internamente, insieme al nostro reparto IT. Anni fa un fornitore mi aveva proposto un progetto di analisi e reportistica da circa centomila euro. Non sto dicendo che Stella farà lo stesso lavoro, né che i due progetti siano confrontabili. Ma sono abbastanza convinta che arriveremo a qualcosa. E quel qualcosa potrebbe già essere molto utile.

La prima utilità di una dashboard così è rendere più facile ciò che facciamo oggi. Invece di preparare periodicamente report per raccogliere informazioni distribuite in piattaforme diverse, potremmo consultarle direttamente in una dashboard.

La seconda, che mi interessa ancora di più, è riuscire finalmente a vedere dati che finora abbiamo trascurato perché era troppo complicato recuperarli.

In aziende più grandi alcune analisi sono già abituali. Noi non abbiamo un team dedicato alla data analytics e non possiamo investire grandi budget su ogni approfondimento. In diversi casi eravamo consapevoli dell'esistenza di informazioni interessanti, ma non avevamo le risorse per estrarle e analizzarle.

Ora estrarle sta diventando molto più semplice.

Poi la seconda parte del gioco sarà capire come usare questi dati. L'AI aiuterà solo in parte in quella fase. La capacità di analizzare quei dati e trasformarli in decisioni utili richiede competenza, attenzione e tempo. E qui ho un dubbio ancora aperto:

vorrei che Stella fosse capace non soltanto di mostrarmi i numeri, ma anche di individuare anomalie, interpretarle e propormi azioni sensate, conoscendo i nostri obiettivi, lo storico delle campagne e i vincoli del reparto. Con una configurazione seria lo farebbe certamente, ma non so se sarà alla nostra portata.

Nonostante la Knowledge Base di cui ho parlato e che continuiamo ad alimentare perché l’AI ci conosca il più possibile, dalle prime prove in cui abbiamo chiesto all'AI di leggere dati e proporre considerazioni i risultati mi sono sembrati talvolta banali, altre volte poco pertinenti e, in alcuni casi, potenzialmente fuorvianti.

Il rischio per chi ha meno esperienza

Il rischio maggiore lo vedo per chi ha meno esperienza.

Un'analisi scritta in modo convincente può sembrare corretta anche quando non lo è. Se io ricevessi un report tecnico da uno sviluppatore su un tema che non conosco, rischierei di prendere per buono quello che mi dice, semplicemente perché non ho gli strumenti per valutarlo.

Un collega junior potrebbe trovarsi nella stessa situazione davanti a un'interpretazione dei dati prodotta dall'AI.

Per questo voglio lavorare molto sulla preparazione dello strumento, sulle istruzioni, sugli esempi e sulle verifiche.

Se riusciremo a ottenere raccomandazioni davvero utili, sarà un risultato importante. Se invece continueranno a essere superficiali o fuorvianti, preferirò che Stella mostri i dati senza suggerire cosa farne.

È un esperimento ancora aperto.

↑ Torna all'indice

4. Lavorare con due LLM

Da fine settembre Claude mi ha soddisfatta sempre meno e ho ricreato progetti, istruzioni e skill anche su ChatGPT. Oggi lavoro su tutti e due, ma non è una soluzione comoda.

Nel primo field report raccontavo che avevamo scelto Claude come strumento principale del nostro sistema AI.

Era una scelta fatta soprattutto per mantenere continuità fra progetti, istruzioni, documenti e conoscenza accumulata. Lavorare sempre nello stesso ambiente ci aveva permesso di costruire qualcosa di molto più utile di una raccolta di conversazioni separate.

Poche settimane dopo la pubblicazione del report mi sono trovata a rimettere in discussione quella scelta.

Dalla fine di settembre ho iniziato a essere sempre meno soddisfatta dei risultati che ottenevo da Claude.

A volte erano output molto deboli rispetto al lavoro che avevamo sviluppato insieme. Una volta gli ho chiesto delle slide e il risultato non coglieva nemmeno il punto centrale del progetto.

Altre volte erano le spiegazioni a essere incomprensibili: lunghe, barocche, piene di giri di parole, anche se nelle istruzioni avevo chiesto esplicitamente di evitarli.

In altre occasioni rimaneva bloccato su un'obiezione o un controllo, anche quando gli avevo già detto che potevamo procedere.

Ho aspettato alcune settimane, sperando che la situazione migliorasse, ma ho continuato a ottenere risultati insoddisfacenti.

La cosa curiosa è che non tutti stanno vivendo la mia stessa esperienza. Mi sono confrontata con persone che preferiscono nettamente Claude e sono deluse da ChatGPT, esattamente il contrario di quanto sta succedendo a me. Anche tra i colleghi le esperienze sono differenti.

Non ne ricavo quindi una valutazione generale sulla qualità dei due strumenti. So soltanto che, per il mio modo di lavorare e nel periodo che sto raccontando, la situazione era diventata molto scomoda.

All'inizio ho cominciato a utilizzare ChatGPT per singole attività. Poi mi sono resa conto che non bastava. Se volevo lavorare davvero con ChatGPT, avevo bisogno dello stesso contesto che avevo costruito in Claude: progetti, istruzioni, skill, documenti e informazioni aziendali.

Ho quindi iniziato a ricreare anche lì il mio ambiente.

Oggi sto letteralmente tenendo i piedi in due staffe. Ho progetti attivi su entrambe le piattaforme, alcuni li ho iniziati in Claude e li sto proseguendo con ChatGPT. Mi aiuta molto la base condivisa di documenti su Notion e Drive che serve a mantenere continuità fra i due ambienti, ma comunque è scomodo. Richiede attenzione per non duplicare inutilmente il lavoro e per non perdere decisioni prese in una conversazione che l'altro strumento non conosce.

Per ora è il modo che ho trovato per continuare a lavorare.

Nel frattempo sto verificando se il calo di Claude dipenda da un eccesso di contesto. Studiando ho letto che può essere questa la causa, quindi ho cancellato le istruzioni permanenti e disattivato le skill. La memoria invece non me la sono ancora sentita di cancellarla tutta: il test lo faccio per gradi.

Questo episodio mi ha fatto sperimentare qualcosa che nel primo report avevo soltanto ipotizzato: quando costruisci buona parte della tua organizzazione del lavoro dentro un LLM, cambiare strumento non equivale più ad aprire una chat diversa ma devi portarti dietro anche il sistema che hai costruito.

E quanto più quel sistema ti è diventato utile, tanto meno è immediato spostarlo.

↑ Torna all'indice

5. GEO: i primi risultati della nostra analisi condotta in autonomia

Dai primi risultati pare che Reverse sia presente su Copilot e AI di Google ma molto poco su ChatGPT e Claude: approfondiamo questo punto prima di proseguire col lavoro.

Uno dei progetti che ho trasferito da Claude a ChatGPT è quello sulla GEO, cioè il lavoro per capire come Reverse compare nelle risposte dei motori AI.

Nel primo field report raccontavo che stavamo costruendo una baseline: un insieme di prompt da sottoporre a diversi strumenti per osservare quando Reverse compare, come viene descritta, quali concorrenti vengono suggeriti e quali fonti vengono utilizzate.

A ottobre abbiamo completato l'analisi della prima raccolta.

Abbiamo trovato diversi risultati interessanti, ma uno in particolare ci ha fatto cambiare il programma di lavoro:

nelle domande che chiedevano una selezione di società di Headhunting senza nominare Reverse, la nostra azienda compariva molto più frequentemente nelle risposte di Google AI Overview e Gemini, e abbastanza anche in Copilot, che in quelle di ChatGPT e Claude.

Nel campione analizzato, per esempio, Reverse compariva in una risposta su 36 di ChatGPT e in 5 su 36 di Claude.

È un risultato che merita attenzione, soprattutto perché stiamo cercando di capire come i potenziali clienti possano arrivare a conoscere un fornitore attraverso questi strumenti.

Non sappiamo ancora quanto quel risultato sia rappresentativo: le domande sono state scelte da noi, non sono i prompt effettivamente utilizzati dagli utenti. Inoltre le risposte possono cambiare a seconda del modello, del contesto della conversazione, dell'account utilizzato e del fatto che venga svolta o meno una ricerca sul web.

Avevamo previsto di utilizzare la baseline per individuare gli interventi prioritari sul sito e sui contenuti. Ci siamo invece fermati su questa anomalia e abbiamo deciso di verificare meglio.

Abbiamo quindi preparato un secondo ciclo di test dedicato a ChatGPT e Claude.

Per ogni domanda eseguiamo due versioni. Nella prima utilizziamo il prompt così com'è, senza istruzioni aggiuntive, per osservare come il modello risponde spontaneamente. Nella seconda chiediamo esplicitamente di cercare sul web e citare le fonti.

Abbiamo previsto tre ripetizioni su giorni differenti, sempre in conversazioni nuove, annotando modello, condizioni dell'account, ricerca effettivamente osservata, risposta integrale e fonti.

Lo stiamo facendo in queste settimane. Prima di attribuire un problema al posizionamento dell'azienda voglio essere ragionevolmente sicura che non dipenda, almeno in parte, dal modo in cui abbiamo eseguito il test.

Nel frattempo stiamo ragionando anche su altri interventi che potrebbero contribuire alla nostra visibilità, in primis la revisione dei video pubblicati su YouTube e Vimeo, dato che sono una fonte particolarmente tenuta in considerazione dagli LLM.

↑ Torna all'indice

6. Conclusioni: l'AI ci porta a prendere molte più decisioni veloci

Con l’AI possiamo attivare molti più progetti, quindi ho più decisioni da prendere, e sempre più in fretta.

Quando ho pubblicato il primo field report mi sembrava di essere arrivata a una fase abbastanza matura: avevamo costruito un sistema condiviso e iniziato a utilizzarlo stabilmente nel lavoro quotidiano.

A distanza di poche settimane, una parte di quel sistema l'ho già ricostruita su un'altra piattaforma. Abbiamo avviato progetti che prima non avremmo potuto sostenere, delegato nuovi controlli e iniziato a discutere di quanta autonomia dare agli strumenti.

Alcune cose stanno funzionando bene. Su altre sono ancora molto scettica.

La parte che sento cambiare maggiormente nel mio lavoro è la quantità di attività che oggi posso realisticamente prendere in considerazione. Molte idee che prima avrei accantonato per mancanza di tempo, competenze o budget possono almeno essere esplorate e strutturate.

Questo aumenta le possibilità, ma anche il numero delle decisioni da prendere.

Devo scegliere quali progetti meritano davvero di partire, cosa affidare ai collaboratori, cosa fare personalmente, quando coinvolgere uno specialista e quali raccomandazioni dell'AI siano sufficientemente affidabili da entrare nel nostro processo di lavoro.

Su alcuni di questi temi ho già preso delle decisioni. Su altri sto ancora sperimentando.

Probabilmente è questa la cosa che vorrei continuare a documentare: non soltanto quello che l'AI ci consente di fare, ma le scelte che facciamo mentre cerchiamo di utilizzarla nel lavoro di tutti i giorni.

Il perimetro di questo report è esclusivamente il Marketing: non sto raccontando come Reverse usa l'AI nei processi di selezione, né il trattamento di CV, dati di candidati o informazioni dei clienti.

Per il percorso precedente: Tre anni di AI in un reparto Marketing B2B.