Il divario sull’IA non misura ciò che conta davvero

Il divario tra percezione degli inserzionisti e sentiment dei consumatori è cresciuto da 32 a 37 punti in due anni

Lo scorso gennaio, quando l’IAB ha pubblicato il primo framework del settore sulla trasparenza e la divulgazione dell’IA nella pubblicità, il numero che circolava nei briefing non era una metrica di performance. Era un divario. Secondo Sonata Insights, l’82% dei dirigenti pubblicitari era convinto che i consumatori Gen Z e Millennial avessero un’opinione positiva degli annunci generati dall’IA; solo il 45% di quei consumatori la pensava realmente così. Non è un disaccordo marginale: è un errore di misurazione.

Il divario che si allarga

L’errore non è statico. Si sta ampliando. Secondo IAB/Sonata Insights, il divario tra la percezione degli inserzionisti e il sentiment dei consumatori sull’IA è aumentato da 32 punti nel 2024 a 37 punti nel 2026. In due anni, lo scarto è cresciuto di cinque punti percentuali: non un deterioramento drammatico, ma un segnale che gli strumenti con cui il mercato misura il gradimento stanno sovrastimando la realtà in modo sistematico, non casuale.

Da un punto di vista metodologico, questo tipo di divario somiglia a un errore di selezione. I dirigenti interpellati operano in un ecosistema che premia l’adozione dell’IA: più efficiente è la produzione, più è probabile che chi valuta la tecnologia proietti sui consumatori la propria familiarità con essa. Ma il 45% è una media. E dentro quella media si nasconde una frattura che la maggior parte dei briefing non mostra.

Non tutti i giovani sono uguali

Il divario non è uniforme. Dentro la categoria “giovani” c’è una spaccatura che i dirigenti non vedono. Secondo Sonata Insights, i consumatori della Gen Z hanno quasi il doppio delle probabilità rispetto ai Millennial di sentirsi negativi verso gli annunci IA: il 39% contro il 20%. Chi progetta campagne misurando solo la media della fascia 18-43 anni rischia di confondere due segmenti con sensibilità opposte, e di interpretare il consenso del più moderato come estendibile all’intera coorte.

E qui arriva il dato che dovrebbe orientare le decisioni. Il 73% dei Gen Z e Millennial afferma che una chiara divulgazione aumenterebbe o non avrebbe alcun impatto sulla loro probabilità di acquisto. Tradotto in termini di misurazione: per la maggioranza del target, dichiarare che un annuncio è stato generato o modificato con l’IA non è un freno alla conversione. È un elemento neutro, e per una quota rilevante è addirittura positivo.

Questo rovescia l’assunzione implicita in molti trade-off operativi. Se la divulgazione non danneggia e può aumentare la fiducia, la resistenza alle etichette non è giustificata dai numeri attuali. Ma qui serve cautela: il 73% misura un’intenzione dichiarata, non un comportamento osservato. Tra ciò che un consumatore afferma in un sondaggio e ciò che fa davanti a un carrello c’è uno scarto che nessuna survey può colmare da sola. La correlazione tra divulgazione e propensione dichiarata non è una prova di incrementalità. La domanda resta: perché il settore resiste alle etichette, se i dati a disposizione non mostrano un costo?

L’arte di non etichettare

La domanda porta dritta al cuore delle scelte di settore. Il framework IAB, pubblicato lo scorso gennaio, richiede la divulgazione solo quando l’IA incide materialmente su autenticità, identità o rappresentazione in modi che potrebbero ingannare i consumatori. Nelle parole di Caroline Giegerich, si tratta di un rifiuto deliberato delle etichette generalizzate per preservare l’efficienza operativa. La logica è chiara: un’etichetta su ogni annuncio generato dall’IA aggiunge attrito alla catena produttiva, senza una contropartita evidente in termini di fiducia misurabile.

Il framework, però, stabilisce quando divulgare. Non stabilisce come misurare l’effetto della divulgazione. E qui la tensione resta irrisolta: l’efficienza operativa è una variabile facilmente rilevabile in pipeline, mentre la fiducia dei consumatori è una variabile lenta, cumulativa, che richiederebbe test geo, holdout o modelli di attribuzione incrementale. Nessuno di questi metodi è previsto, né suggerito, dalle linee guida.

Sul piano operativo, le mosse delle piattaforme vanno in direzioni diverse. Google ha introdotto l’etichettatura automatica degli annunci creati con i suoi strumenti di intelligenza artificiale, e consente agli inserzionisti di etichettare manualmente quelli realizzati con tool di terze parti. Già nel luglio 2024, il codice etico dell’ANA richiedeva trasparenza sull’uso dell’IA nelle campagne pubblicitarie. Sul fronte tecnico, lo standard C2PA, sviluppato da Adobe, Microsoft e Intel, fornisce un quadro aperto per stabilire l’origine e le modifiche dei contenuti digitali. Ma un’etichetta — automatica, manuale o condizionale — non è una misura. E la domanda vera resta: se il framework evita le etichette generalizzate per preservare l’efficienza, cosa stiamo rinunciando a misurare?

Il divario non è un problema di percezione ma di ciò che scegliamo di misurare. Non sappiamo ancora se l’assenza di etichette generalizzate costi fiducia, né se la divulgazione incrementi davvero le conversioni. La variabile da misurare non è il gradimento — il sentiment è una proxy fragile, soggetta a bias di selezione e a desiderabilità sociale — ma l’effetto incrementale della trasparenza: quanta parte della probabilità d’acquisto è attribuibile alla divulgazione, al netto di ciò che sarebbe accaduto comunque. Finché il settore continuerà a misurare la percezione invece dell’incremento, il gap resterà un errore di misurazione con un numero preciso: 37 punti.