Il CMO Spiega Come Usare l’IA come Ciclo di Apprendimento ed Esperimenti

Lomit Patel è un dirigente della crescita e del marketing, attualmente Chief Marketing Officer presso TYB (Try Your Best). È anche autore del libro Lean AI.

Abbiamo incontrato Lomit per scoprire come sta trasformando le operazioni di marketing in un ciclo continuo di apprendimento e sperimentazione. Ecco cosa ci ha raccontato.

Il marketing sta essendo ridefinito

Negli ultimi 20+ anni ho aiutato aziende come Roku, IMVU, TrustedID e Texture a crescere. Attualmente sono il CMO di TYB (Try Your Best), dove guido un'organizzazione di marketing snella ma ad alta velocità costruita attorno a una convinzione fondamentale: la community non è un canale, è un sistema go-to-market.

In ognuno di questi ruoli, ho sempre costruito sistemi che collegano l'insight dei clienti a risultati aziendali misurabili. All'inizio della mia carriera, la crescita era guidata principalmente dai canali. Ottimizzavi le campagne, testavi le creatività e scalavi ciò che funzionava. Ma anche allora, mi concentravo su qualcosa di più profondo: come usare dati e sperimentazione per togliere l'incertezza e aumentare la velocità decisionale lungo tutto il funnel.

Questo modo di pensare si è evoluto in una prospettiva più ampia che ho approfondito nel mio libro, Lean AI, dove mi sono concentrato non solo sull’uso dell’intelligenza artificiale per l’efficienza, ma sulla riprogettazione del funzionamento dei sistemi di crescita.

Ad esempio, in IMVU siamo passati dall’ottimizzazione manuale all’orchestrazione guidata dall’IA dei percorsi utente, dei test creativi e del coinvolgimento nel ciclo di vita. Il mio obiettivo è sempre stato lo stesso: aumentare la velocità e la qualità dell’apprendimento, migliorando allo stesso tempo la retention e il LTV.

Oggi, come CMO di TYB, questo cambiamento è completamente accelerato. L’IA non è più solo uno strumento nella pila tecnologica; sta diventando il livello operativo del marketing moderno. Stiamo passando dal pensare per campagne al pensare per sistemi, dove segnali, automazione e intelligenza creativa interagiscono continuamente in tempo reale.

Ciò che mi entusiasma di più è che il marketing viene ridefinito nelle sue fondamenta. Passiamo dall’essere operatori di canale e storyteller ad architetti di sistemi di crescita intelligenti che apprendono, si adattano e amplificano l’impatto su acquisizione, coinvolgimento e monetizzazione.

Come l’IA ha trasformato il marketing in un sistema di apprendimento in tempo reale

L’IA ha messo in discussione tre grandi assunti nel marketing:

1. In un ambiente abilitato dall’IA, l’efficienza dei canali diventa più una base di partenza che un collo di bottiglia. È il sistema intorno a questi che differenzia la performance — quanto rapidamente puoi cogliere l’intento, interpretare i comportamenti, generare ipotesi e adattare messaggi o esperienze di prodotto di conseguenza.
2. L’IA ci ha mostrato che i segmenti non sono abbastanza stabili per essere la base delle strategie di marketing. I modelli tradizionali di segmentazione presuppongono gruppi utente relativamente fissi per una comunicazione coerente. Con l’IA, ora vediamo che i comportamenti degli utenti sono molto più fluidi. L’intento cambia rapidamente e i segmenti statici spesso sono in ritardo rispetto alla realtà. Questo ci ha spinti verso cluster dinamici, comportamentali e in costante aggiornamento.
3. Le campagne non sono più l’unità centrale dell’esecuzione marketing. Le campagne prevedono un inizio, una fine e un ciclo di valutazione. L’IA ci ha spinti verso sistemi always-on in cui gli esperimenti sono continui, l’apprendimento è incrementale e l’ottimizzazione è costante piuttosto che episodica.

In altre parole, il marketing è un sistema di apprendimento in tempo reale dove la velocità di interpretazione e adattamento conta più della pianificazione statica o di un targeting perfetto.

Come l’IA rimodella i processi di marketing

Quindi, siamo passati da una pianificazione statica delle campagne a una sperimentazione always-on basata sui segnali lungo tutto il sistema di marketing.

Storicamente, pianificavamo le campagne in cicli. Definivamo il messaggio, preparavamo i set creativi, lanciavamo e solo dopo un lasso di tempo significativo analizzavamo i risultati. Quel modello è troppo lento in un contesto nativo di IA, perché i comportamenti degli utenti e i segnali d’intento evolvono rapidamente.

Abbiamo introdotto un workflow di crescita assistito dall’IA che trasforma continuamente i segnali comportamentali in tempo reale in esperimenti attivati e messaggi adattivi su tutti i canali di ciclo di vita, contenuto e performance. Invece di aspettare il termine di una campagna, ora trattiamo ogni segnale significativo dell’utente, comportamento in fase di onboarding, partecipazione nella community e attività dei creator come input per determinare immediatamente la prossima azione migliore.

Praticamente, questo ha trasformato il modo in cui lavorano i team. L’iterazione creativa è più rapida perché l’IA aiuta a generare e testare varianti in modo continuo. Il marketing di ciclo di vita è più dinamico perché la messaggistica non è più legata a segmenti fissi ma a gruppi comportamentali in evoluzione. I segnali di intento all’interno del prodotto influenzano sempre più il marketing di performance, non solo il targeting a livello di piattaforma.

Il cambiamento più grande, però, è culturale. Il marketing non è più organizzato attorno alle campagne. È strutturato su un ciclo di apprendimento continuo in cui l’IA ci aiuta a rilevare segnali, generare ipotesi e scalare ciò che funziona quasi in tempo reale.

Un workflow di crescita assistito dall’IA

Lomit Shares

Invece di affidarci a personas statiche o fasi fisse del ciclo di vita, utilizziamo l’IA per identificare pattern come “alta intenzione ma bassa attivazione,” “partecipanti attivi con basso rischio di abbandono,” oppure “nuovi utenti che mostrano segnali precoci di advocacy.”

Ecco il workflow:

1. Si parte dai segnali comportamentali in tempo reale all’interno del prodotto e della community. Monitoriamo azioni come l’avanzamento nell’onboarding, il livello di partecipazione, l’attività dei creator e i modelli di coinvolgimento. Il cambiamento principale è che questi segnali non sono più solo dashboard analitiche; vengono strutturati come input del nostro sistema di marketing. Strumenti: Segment per la raccolta e smistamento eventi, Amplitude per analytics comportamentali e Snowflake come base dati warehouse.
2. Poi l’IA ci aiuta a raggruppare e interpretare questi segnali in segmenti di intento dinamici. Invece di affidarci a personas statiche o fasi fisse del ciclo di vita, utilizziamo l’IA per identificare pattern come “alta intenzione ma bassa attivazione”, “partecipanti attivi con basso rischio di abbandono” oppure “nuovi utenti che mostrano segnali precoci di advocacy”. Questi segmenti evolvono costantemente in base ai comportamenti live. Strumenti: BigQuery e modelli Python/ML per costruire feature comportamentali, con OpenAI (GPT) per etichettare e interpretare i pattern di intento emergenti.
3. Una volta formati questi cluster, l’IA ci assiste nella generazione di ipotesi e direzione creativa. Per ogni segmento individuiamo il messaggio più efficace per influenzare il comportamento, e l’IA aiuta a generare varianti su copy, hook e angolazioni di contenuto. Non è una generazione completamente automatizzata, ma velocizza enormemente l’esplorazione delle opzioni di messaggistica. Strumenti: ChatGPT e Claude per generare messaggi, hook e varianti di posizionamento, con Notion AI per organizzare e mantenere una creative library aggiornata.
4. Questi output vengono poi utilizzati in esperimenti always-on su ciclo di vita, paid e touchpoint di community. Invece di eseguire campagne isolate, implementiamo costantemente piccoli test iterativi, modificando messaggi, creatività e tempi sulla base di segnali di performance in tempo reale. Strumenti: Braze per esperimenti sul ciclo di vita, Optimizely per test A/B su prodotto e web, e LaunchDarkly per feature flagging e roll-out controllati.
5. Infine, e più importante, il sistema chiude il cerchio con una sintesi di apprendimento assistita dall’IA. Non ci limitiamo ad analizzare cosa ha funzionato meglio; utilizziamo l’IA per individuare il motivo per cui determinati messaggi o journey hanno avuto successo in specifici segmenti. Queste insight informano direttamente nuova logica di segmentazione, framework di messaggistica e decisioni di marketing guidate dal prodotto. Strumenti: Amplitude per insight comportamentali, Looker per reportistica strutturata e Claude per sintetizzare le learnings in narrazioni e framework decisionali.

Come l’IA rivoluziona i vantaggi per i marketer

Nel concreto, il maggiore impatto dell’IA è stato la velocità e la capacità di sperimentazione. Abbiamo aumentato significativamente il numero di esperimenti creativi e di ciclo di vita gestibili in un periodo, perché l’IA riduce l’attrito nella generazione di varianti, nel testare messaggi e nell’iterare in base alle performance degli early signal. Questo si è tradotto in cicli di apprendimento più rapidi sia nei programmi di acquisizione sia in quelli di retention.

Abbiamo anche riscontrato miglioramenti nell'efficienza della conversione grazie a un uso più efficace dei segnali. Collegando il comportamento all'interno del prodotto e della community all'attivazione del marketing, rispondiamo all'intento molto prima nel percorso dell'utente. Questo ha migliorato la qualità del flusso da traffico ad attivazione e rafforzato la retention a valle perché gli utenti ricevono touchpoint più pertinenti e contestuali.

Un altro vantaggio evidente è la riduzione della dipendenza da segmentazioni rigide e analisi manuali. La clusterizzazione guidata dall'AI e la generazione di insight ci permettono di avvicinarci a definizioni dinamiche di pubblico, che riflettono meglio il comportamento reale degli utenti piuttosto che come li abbiamo storicamente raggruppati.

Il rischio di muoversi velocemente sugli insight dell’AI

Dal lato più sfumato, abbiamo anche dovuto rivedere le aspettative su rumore di fondo e iper-automazione dei segnali.

All'inizio tendevamo ad agire troppo rapidamente su troppi insight generati dall’AI, creando una frammentazione nei messaggi e un sovraccarico di sperimentazioni. Abbiamo dovuto fare un passo indietro e introdurre filtri umani più forti per la priorità e la coerenza narrativa.

Abbiamo anche sottovalutato la necessità di disciplina nella definizione preventiva dei metriche di successo. L’AI rende molto facile iterare rapidamente, ma se non si ancorano gli esperimenti a risultati chiari in termini di comportamento o ricavi, si rischia di ottimizzare il coinvolgimento su una fetta ristretta del sistema invece che ottenere un impatto aziendale significativo.

Se l’avessi compreso prima, avrei passato meno tempo a scalare il volume delle sperimentazioni e più tempo a progettare il modello operativo intorno alle decisioni guidate dall’AI, includendo framework di ipotesi più stringenti, una chiara proprietà delle decisioni e un maggiore allineamento tra segnali di marketing e risultati di business.

Cosa gestisce l’AI e dove l’umano mantiene il controllo

Tracciamo una linea chiara tra ciò che l’AI informa e ciò di cui l’uomo è responsabile, e la distinzione si riduce a una domanda: si tratta di ottimizzazione e riconoscimento di schemi, o di giudizio, contesto e sensibilità?

Ci affidiamo sempre più all’AI per gestire su larga scala l’elaborazione dei segnali, la segmentazione e la sperimentazione. Ciò include l’identificazione di schemi comportamentali tra attività di community e prodotto, il raggruppamento degli utenti in segmenti dinamici basati sulle azioni in tempo reale e la generazione e iterazione di varianti creative e messaggi. L’AI analizza in modo approfondito anche i dati sulle performance tra i canali, facendo emergere insight non evidenti molto più rapidamente di una revisione manuale.

L’AI è particolarmente potente nel comprimere il ciclo tra segnale e azione. Ad esempio, può rilevare cambiamenti nel comportamento di engagement all’interno del prodotto o della community, suggerire ipotesi e persino generare varianti creative o di ciclo di vita testabili. Questo ci consente di condurre molte più sperimentazioni rispetto a quanto sarebbe possibile con una struttura di team tradizionale.

Le persone sono responsabili di posizionamento, narrazione e direzione creativa. L’AI può generare varianti, ma non può definire ciò che rappresentiamo o come vogliamo presentarci sul mercato. Serve un contesto relativo al brand, alla psicologia del pubblico e alla differenziazione a lungo termine che va oltre il riconoscimento di schemi.

Lomit condivide

Solo perché l’AI può far emergere decine di opportunità non significa che dobbiamo agire su tutte. Decidere cosa non fare e ciò che si allinea con la tesi di crescita complessiva resta una responsabilità profondamente umana.

In ambienti guidati dalla community, in particolare, l’AI non ha sostituito l’autenticità dell’interazione umana e la costruzione della fiducia. Può aiutare a scalare il coinvolgimento e identificare schemi, ma non può replicare la credibilità che viene dalla partecipazione reale, dalla presenza di leadership e dal giudizio umano nei momenti chiave della community.

Le persone sono anche responsabili della definizione delle priorità e dei compromessi strategici. Come ho detto prima, solo perché l’AI può far emergere decine di opportunità non significa che dobbiamo agire su tutte. Decidere cosa non fare e ciò che si allinea con la tesi di crescita complessiva resta una responsabilità profondamente umana.

Infine, l’interpretazione del significato spetta sempre alle persone. L’AI ci può dire cosa sta accadendo, ma sono gli umani a dover capire perché è importante e in che modo dovrebbe riplasmare la strategia.

Come i CMO dovrebbero affrontare la trasformazione AI

Condivido quattro consigli:

1. Non trattare l’IA come un insieme di strumenti da inserire nella tua attuale macchina del marketing. Considerala invece come un motivo per riprogettare l’intera macchina. Perché non si tratta solo di produttività: il vero cambiamento avviene quando si passa da modelli operativi basati sulle campagne a sistemi di crescita continui e guidati dai segnali, in cui l’IA viene integrata nel modo in cui rilevi l’intento, prendi decisioni e apprendi in tempo reale.
2. Ripensa il significato di “scala”. In passato, la scala riguardava i canali e l’efficienza del budget. In un mondo governato dall’IA, la scala significa velocità di apprendimento. I team vincenti non saranno quelli che lanciano più campagne, ma quelli che sapranno trasformare i segnali in esperimenti, e gli esperimenti in decisioni, più velocemente di tutti gli altri.
3. Sii molto intenzionale su dove mantenere l’intervento umano. Man mano che l’IA si occupa di sempre più parti dell’esecuzione e dell’analisi, il vantaggio umano diventa più incisivo, non più debole. I leader devono puntare ancora di più su narrazione, posizionamento e priorità. Se tutto è misurabile e ottimizzabile, allora il giudizio diventa il principale elemento di differenziazione.
4. Investi nel pensiero sistemico invece che nella logica dei singoli canali. L’IA abbatte i silos tra performance, ciclo di vita, prodotto e comunità. L’opportunità è progettare un sistema di crescita unificato in cui i segnali fluiscano attraverso tutte queste aree, invece di ottimizzare ognuna singolarmente.

Segui i nostri consigli

Puoi seguire Lomit Patel su LinkedIn e sul suo blog personale. E dai un'occhiata al suo libro, Lean AI.

Altre interviste con esperti in arrivo su The CMO Club!