Il CMO condivide come utilizzare l’intelligenza artificiale come ciclo di apprendimento e sperimentazione

Lomit Patel è un dirigente nel settore della crescita e del marketing, attualmente CMO presso TYB (Try Your Best). È anche l'autore di Lean AI.

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

Il marketing viene ridefinito

Negli ultimi 20 e più anni ho contribuito alla crescita di aziende come Roku, IMVU, TrustedID e Texture. Attualmente sono CMO presso TYB (Try Your Best), dove guido un'organizzazione di marketing snella ma ad alta velocità, costruita attorno a una convinzione fondamentale: la comunità non è un canale, è un sistema di commercializzazione.

In ciascuno di questi ruoli ho costruito costantemente sistemi che collegano le informazioni sui clienti a risultati aziendali misurabili. All'inizio della mia carriera, la crescita dipendeva in larga misura dai canali. Si ottimizzavano le campagne, si testavano i contenuti creativi e si ampliava ciò che funzionava. Ma già allora mi concentravo su qualcosa di più profondo: come utilizzare dati e sperimentazione per eliminare le congetture e aumentare la velocità decisionale lungo l'intero funnel.

Questa prospettiva si è evoluta in una visione più ampia che ho approfondito nel mio libro, Lean AI, in cui mi sono concentrato non solo sull'utilizzo dell'IA per migliorare l'efficienza, ma anche sulla riprogettazione del funzionamento dei sistemi di crescita.

In IMVU, ad esempio, siamo passati dall'ottimizzazione manuale al coordinamento basato sull'IA dei percorsi degli utenti, dei test creativi e del coinvolgimento lungo il ciclo di vita. Il mio obiettivo è sempre stato lo stesso: aumentare la velocità e la qualità dell'apprendimento, migliorando al contempo la fidelizzazione e il valore del ciclo di vita del cliente (LTV).

Oggi, in qualità di CMO presso TYB, questo cambiamento ha subito una piena accelerazione. L'IA non è più soltanto uno strumento dello stack tecnologico; sta diventando il livello operativo del marketing moderno. Stiamo passando dalla mentalità delle campagne a quella dei sistemi, in cui segnali, automazione e intelligenza creativa interagiscono continuamente in tempo reale.

Ciò che mi entusiasma di più è che il marketing viene ridefinito in modo fondamentale. Stiamo passando dall'essere operatori dei canali e narratori a diventare architetti di sistemi intelligenti di crescita, capaci di apprendere, adattarsi e amplificare l'impatto nell'acquisizione, nel coinvolgimento e nella monetizzazione.

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

L'IA ha messo in discussione tre grandi presupposti del marketing:

1. In un ambiente abilitato dall'IA, l'efficienza dei canali diventa più una base di partenza che un collo di bottiglia. A fare la differenza nelle prestazioni è il sistema che li circonda: quanto rapidamente si riescono a rilevare le intenzioni, interpretare i comportamenti, generare ipotesi e adattare i messaggi o le esperienze del prodotto in risposta.
2. L'IA ci ha mostrato che i segmenti non sono abbastanza stabili da costituire il fondamento delle strategie di marketing. I modelli tradizionali di segmentazione presuppongono gruppi di utenti relativamente fissi, a cui rivolgere messaggi coerenti. Con l'IA, ora vediamo che il comportamento degli utenti è molto più fluido. Le intenzioni cambiano rapidamente e i segmenti statici spesso non rispecchiano la realtà. Questo ci ha spinto verso raggruppamenti dinamici, basati sul comportamento e aggiornati continuamente.
3. Le campagne non sono più l'unità centrale dell'esecuzione del marketing. Le campagne presuppongono un ciclo con un inizio, una fine e una fase di valutazione. L'IA ci ha spinto verso sistemi sempre attivi, in cui gli esperimenti vengono eseguiti continuamente, l'apprendimento è incrementale e l'ottimizzazione è costante anziché episodica.

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

Come l'IA rimodella i processi di marketing

Quindi, siamo passati dalla pianificazione statica delle campagne alla sperimentazione sempre attiva e guidata dai segnali lungo l'intero sistema di marketing.

Storicamente, pianificavamo le campagne per cicli. Definivamo i messaggi, creavamo i set di contenuti, lanciavamo le campagne e poi analizzavamo i risultati dopo un ritardo significativo. Questo modello è troppo lento in un ambiente nativo dell'IA, perché il comportamento degli utenti e i segnali di intenzione evolvono rapidamente.

Abbiamo introdotto un flusso di crescita assistito dall'IA che trasforma continuamente i segnali comportamentali in tempo reale in esperimenti attivati e messaggi adattivi nei canali del ciclo di vita, dei contenuti e delle performance. Invece di aspettare la conclusione di una campagna, ora consideriamo ogni segnale significativo degli utenti, ogni comportamento durante l'onboarding, ogni partecipazione alla comunità e ogni attività dei creatori come input per informare immediatamente la migliore azione successiva.

In pratica, questo ha trasformato il modo in cui operano i team. L'iterazione creativa è più rapida perché l'IA aiuta a generare e testare continuamente varianti. Il marketing del ciclo di vita è più dinamico perché i messaggi non sono più legati a segmenti fissi, ma a cluster comportamentali in evoluzione. Inoltre, i segnali di intenzione all'interno del prodotto informano sempre più il marketing delle 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 organizzato attorno a un ciclo di apprendimento continuo in cui l'IA ci aiuta a rilevare i segnali, generare ipotesi e ampliare ciò che funziona quasi in tempo reale.

Un flusso di crescita assistito dall'IA

Lomit Shares

Invece di affidarci a profili utente statici o a fasi fisse del ciclo di vita, usiamo l’IA per identificare schemi come “ad alta intenzione ma con bassa attivazione,” “partecipanti attivi con un basso rischio di abbandono,” o “nuovi utenti che mostrano i primi segnali di comportamento da sostenitori.”

Ecco il flusso di lavoro:

1. Si parte dai segnali comportamentali in tempo reale all'interno del prodotto e del livello della comunità. Monitoriamo azioni come l'avanzamento nell'onboarding, la profondità della partecipazione, l'attività dei creatori e i modelli di coinvolgimento. Il cambiamento fondamentale è che questi segnali non sono più semplicemente presenti nei pannelli di analisi: sono input strutturati del nostro sistema di marketing. Strumenti: Segment per la raccolta e l'instradamento degli eventi, Amplitude per l'analisi comportamentale e Snowflake come base del data warehouse.
2. Successivamente, l'IA ci aiuta a raggruppare e interpretare questi segnali in segmenti dinamici basati sull'intenzione. Invece di affidarci a profili utente statici o a fasi fisse del ciclo di vita, usiamo l'IA per identificare schemi come “ad alta intenzione ma con bassa attivazione”, “partecipanti attivi con un basso rischio di abbandono” o “nuovi utenti che mostrano i primi segnali di comportamento da sostenitori”. Questi segmenti si evolvono continuamente sulla base del comportamento in tempo reale. Strumenti: BigQuery e modelli Python/ML per creare caratteristiche comportamentali, con OpenAI (GPT) usato per classificare e interpretare i modelli di intenzione emergenti.
3. Dopo aver creato questi cluster, l'IA ci assiste nella generazione di ipotesi e nella definizione della direzione creativa. Per ogni segmento, identifichiamo il messaggio con maggiori probabilità di influenzare il comportamento, e l'IA ci aiuta a generare varianti di testo, agganci e prospettive sui contenuti. Non si tratta di un risultato completamente automatizzato, ma questo aumenta drasticamente la velocità con cui esploriamo i percorsi di comunicazione. Strumenti: ChatGPT e Claude per generare prospettive sui messaggi, agganci e varianti di posizionamento, con Notion AI per organizzare e mantenere una libreria creativa in continua evoluzione.
4. In seguito, utilizziamo questi risultati per una sperimentazione sempre attiva nei punti di contatto del ciclo di vita, a pagamento e della comunità. Invece di condurre campagne isolate, implementiamo costantemente piccoli test iterativi, modificando messaggi, creatività e tempistiche sulla base dei segnali di performance in tempo reale. Strumenti: Braze per gli esperimenti del ciclo di vita, Optimizely per i test A/B del prodotto e del web e LaunchDarkly per la gestione degli indicatori delle funzionalità e dei rilasci controllati.
5. Infine, e soprattutto, il sistema chiude il ciclo con una sintesi dell'apprendimento assistita dall'IA. Non ci limitiamo ad analizzare cosa ha ottenuto risultati migliori; usiamo l'IA per evidenziare perché determinati messaggi o percorsi hanno funzionato per specifici segmenti. Questi approfondimenti informano quindi direttamente la logica aggiornata di segmentazione, le strutture di messaggistica e le decisioni di marketing basate sul prodotto. Strumenti: Amplitude per gli approfondimenti comportamentali, Looker per la reportistica strutturata e Claude per sintetizzare gli insegnamenti in narrazioni e strutture decisionali.

In che modo le revisioni dell'IA apportano vantaggi ai professionisti del marketing

Dal lato positivo, l'impatto maggiore dell'IA è stato sulla velocità e sul volume della sperimentazione. Abbiamo aumentato significativamente il numero di esperimenti creativi e del ciclo di vita che possiamo eseguire in un determinato periodo, perché l'IA riduce l'attrito nella generazione di varianti, nel test dei messaggi e nell'iterazione sulla base delle performance dei primi segnali. Questo ha portato a cicli di apprendimento più rapidi sia nei programmi di acquisizione sia in quelli di fidelizzazione.

Abbiamo inoltre osservato miglioramenti nell'efficienza di conversione, favoriti da un uso migliore dei segnali. Collegando il comportamento all'interno del prodotto e quello della comunità all'attivazione del marketing, rispondiamo all'intento molto prima nel percorso dell'utente. Questo ha migliorato la qualità del flusso dal traffico all'attivazione e rafforzato la fidelizzazione successiva, perché gli utenti ricevono punti di contatto più pertinenti al contesto.

Un altro vantaggio evidente è la ridotta dipendenza da segmentazioni rigide e analisi manuali. Il raggruppamento e la generazione di informazioni basati sull'AI ci permettono di orientarci verso definizioni dinamiche del pubblico, che riflettono meglio il comportamento degli utenti invece del modo in cui li abbiamo classificati storicamente.

Il rischio di muoversi rapidamente sulle informazioni generate dall'AI

Da un punto di vista più sfumato, abbiamo anche dovuto rivedere le aspettative riguardo al rumore dei segnali e all'eccessiva automazione.

All'inizio tendevamo ad agire troppo rapidamente sulla base di un numero eccessivo di informazioni generate dall'AI, creando frammentazione nei messaggi e un sovraccarico di sperimentazione. Abbiamo dovuto fare un passo indietro e introdurre filtri umani più rigorosi per la definizione delle priorità e la coerenza narrativa.

Abbiamo inoltre sottovalutato la necessità di disciplina nella definizione anticipata delle metriche di successo. L'AI rende molto semplice iterare rapidamente, ma se non si ancorano gli esperimenti a risultati comportamentali o di fatturato chiari, si può finire per ottimizzare il coinvolgimento all'interno di una porzione ristretta del sistema invece di ottenere un impatto aziendale significativo.

Se lo avessi capito prima, avrei dedicato meno tempo ad aumentare il volume della sperimentazione e più tempo a progettare il modello operativo intorno alle decisioni guidate dall'AI, includendo strutture più rigorose per le ipotesi, una responsabilità decisionale più chiara e un allineamento più forte tra i segnali di marketing e i risultati aziendali.

Cosa gestisce l'AI e dove gli esseri umani mantengono la supervisione

Tracciamo una linea netta tra ciò che l'AI contribuisce a comprendere e ciò di cui gli esseri umani sono responsabili, e la distinzione si riduce a una domanda: si tratta di ottimizzazione e riconoscimento di schemi, oppure di giudizio, contesto e sensibilità?

Facciamo sempre più affidamento sull'AI per l'elaborazione dei segnali, la segmentazione e la sperimentazione su larga scala. Questo include l'identificazione di schemi comportamentali nelle attività della comunità e del prodotto, il raggruppamento degli utenti in segmenti dinamici basati sulle azioni in tempo reale e la generazione e l'iterazione di varianti creative e di messaggistica. L'AI analizza inoltre in modo approfondito i dati sulle prestazioni dei diversi canali, facendo emergere informazioni non ovvie più rapidamente di quanto potrebbe mai fare una revisione manuale.

L'AI è particolarmente efficace nel comprimere il ciclo tra segnale e azione. Ad esempio, può rilevare cambiamenti nel comportamento relativo al coinvolgimento all'interno del prodotto o della comunità, suggerire ipotesi e persino generare varianti creative o del ciclo di vita degli utenti che possono essere sottoposte a test. Questo ci permette di eseguire molti più esperimenti di quanti ne potrebbe supportare una struttura di team tradizionale.

Gli esseri umani sono responsabili del posizionamento, della narrazione e della direzione creativa. L'AI può generare varianti, ma non può definire ciò che rappresentiamo o il modo in cui vogliamo presentarci sul mercato. Questo richiede una comprensione del marchio, della psicologia del pubblico e della differenziazione a lungo termine che va oltre il riconoscimento degli schemi.

Lomit condivide

Il fatto che l’AI possa far emergere decine di opportunità non significa che dovremmo agire su tutte. Decidere cosa non fare e cosa sia in linea con la più ampia tesi di crescita è ancora una responsabilità profondamente umana.

In particolare, negli ambienti guidati dalla comunità, l'AI non ha sostituito l'interazione umana autentica e la costruzione della fiducia. Può contribuire ad ampliare il coinvolgimento e a identificare schemi, ma non può replicare la credibilità che deriva dalla partecipazione reale, dalla presenza dei leader e dal giudizio umano nei momenti della comunità.

Gli esseri umani sono inoltre responsabili della definizione delle priorità e dei compromessi strategici. Come ho detto prima, il fatto che l'AI possa far emergere decine di opportunità non significa che dovremmo agire su tutte. Decidere cosa non fare e cosa sia in linea con la più ampia tesi di crescita è ancora una responsabilità profondamente umana.

Infine, gli esseri umani sono responsabili dell'interpretazione del significato. L'AI può dirci cosa sta accadendo, ma spetta agli esseri umani comprendere perché sia importante e come dovrebbe rimodellare la strategia.

Come i CMO dovrebbero affrontare la trasformazione guidata dall'AI

Condividerò quattro consigli:

1. Non considerare l’IA come un insieme di strumenti da integrare nella tua attuale macchina di marketing. Considerala un motivo per riprogettare la macchina stessa. Poiché non si tratta di produttività, il vero cambiamento avviene quando passi da modelli operativi basati sulle campagne a sistemi di crescita continui e guidati dai segnali, in cui l’IA è integrata nel modo in cui rilevi l’intento, prendi decisioni e impari in tempo reale.
2. Ripensa al significato di “scalabilità”. In passato, la scalabilità riguardava i canali e l’efficienza del budget. In un mondo guidato dall’IA, la scalabilità riguarda la velocità di apprendimento. I team vincenti non saranno quelli che realizzano il maggior numero di campagne, ma quelli capaci di trasformare i segnali in esperimenti e gli esperimenti in decisioni più velocemente di chiunque altro.
3. Sii molto intenzionale riguardo ai punti in cui le persone rimangono coinvolte. Man mano che l’IA si occupa di una parte sempre maggiore dell’esecuzione e dell’analisi, il vantaggio umano diventa più netto, non più debole. I leader devono concentrarsi ancora di più su narrazione, posizionamento e definizione delle priorità. Se tutto è misurabile e ottimizzabile, allora il giudizio diventa il principale elemento di differenziazione.
4. Investi nel pensiero sistemico invece che nel pensiero per canali. L’IA abbatte i silos tra performance, ciclo di vita, prodotto e community. L’opportunità consiste nel progettare un sistema di crescita unificato in cui i segnali fluiscono attraverso tutti questi ambiti, invece di ottimizzarli separatamente.

Segui gli aggiornamenti

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

Presto arriveranno altre interviste con esperti su The CMO Club!