Il 14% di conversioni promesso da Google è una media

Il dato aggregato nasconde differenze fino al 27% per chi usa keyword esatte

La nuova Google Ads API v22, arrivata lo scorso ottobre, ha portato con sé una serie di funzionalità che allargano il perimetro dell’automazione pubblicitaria. Tra queste spicca AssetGenerationService, un servizio che genera asset di testo e immagini usando intelligenza artificiale generativa, e il supporto della strategia TargetCPC per le campagne Demand Gen. Ma l’annuncio che ha catturato l’attenzione di analyst e performance manager riguarda il dato di performance di AI Max, il prodotto basato su IA per le campagne Search lanciato da Google a maggio 2025 e diventato il prodotto pubblicitario basato su IA in più rapida crescita dell’azienda. Il claim è che l’attivazione di AI Max aumenti le conversioni in media del 14% a parità di CPA/ROAS. Un numero solido, apparentemente. Peccato che quel 14% sia una media che nasconde divergenze profonde, e che la vera domanda per chi misura l’incrementalità sia un’altra.

Il paradosso del 14%

Quando Google ha pubblicato il dato a maggio 2025, il messaggio per gli advertiser era chiaro: attivare AI Max porta più conversioni senza spendere di più. Il numero aggregato è diventato rapidamente un riferimento nelle valutazioni delle campagne. Ma il rischio di prendere la media come verità assoluta è alto, soprattutto quando si parla di automazione del bidding e della creatività. Il dato completo, infatti, svela una spaccatura netta: per le campagne che usano ancora prevalentemente parole chiave exact e phrase, l’incremento tipico sale al 27%. Per tutte le altre — quelle che già usano automated targeting o parole chiave a corrispondenza generica — l’uplift è molto più basso, perché l’algoritmo ha meno spazio di miglioramento rispetto a una baseline già ottimizzata.

Il dato aggregato, insomma, è una media che dipende fortemente dalla composizione del campione di advertiser. E la composizione del campione non è nota. Chi oggi sta valutando l’adozione di AI Max dovrebbe quindi chiedersi: la mia struttura di keyword è più simile al cluster “exact e phrase” o a quello “automated”? Perché la risposta cambia le aspettative di performance di un fattore quasi doppio. E con l’arrivo di AssetGenerationService a livello API — che permette di generare asset su scala programmatica — la confusione tra automazione del bidding e automazione della creatività rischia di amplificare l’effetto alone: non tutto ciò che cresce è necessariamente attribuibile a un singolo cambiamento.

Cosa dicono davvero i dati

Per capire l’impatto reale, bisogna separare i due mondi. Da un lato, le campagne che partono da una base di parole chiave esatte e a frase: qui l’incremento del 27% è misurabile perché la struttura di targeting è ancora prevalentemente manuale. AI Max introduce un’espansione a corrispondenza generica e un bidding più aggressivo, e l’effetto è evidente perché si confronta con un controfattuale statico. Dall’altro lato, chi usa già automated targeting — o ha attivato AI Max in precedenza — vede un incremento marginale molto minore, perché gran parte del guadagno è già stato catturato dai segnali di intento e dal machine learning.

Questa dinamica non è nuova: è lo stesso pattern che si osserva ogni volta che Google introduce un prodotto di automazione. La differenza, oggi, è che l’ecosistema è più complesso. La v22 ha introdotto nuovi tipi di esperimento, tra cui ADOPT_AI_MAX (per testare l’adozione di AI Max con corrispondenza generica) e OPTIMIZE_ASSETS (per ottimizzare gli asset). Esiste anche un esperimento per confrontare le campagne Shopping con Performance Max, PMAX_REPLACEMENT_SHOPPING. Questi strumenti sono pensati proprio per isolare l’incrementalità di ciascun cambiamento. Il problema è che, se non si usano correttamente, i dati aggregati rischiano di essere fuorvianti. Per un marketing scientist, la domanda non è “AI Max funziona?”, ma “funziona per la mia specifica struttura di keyword e di asset?” e “quanto del 14% è dovuto a un vero spostamento di domanda incrementale, e quanto a un effetto di cannibalizzazione o di attribuzione last-click?”

Inoltre, AssetGenerationService estende a livello API ciò che AI Max già faceva a livello di prodotto. Il servizio, annunciato nella v22, permette di generare asset di testo e immagini con AI generativa in modo programmatico. Per le campagne Performance Max sono stati aggiunti nuovi valori AssetAutomationType per il potenziamento e l’estrazione delle immagini, insieme a nuovi segmenti di reporting. Per le campagne Demand Gen, oltre al TargetCPC, c’è l’automazione degli asset per generare varianti di design e video a partire da asset esistenti. L’intero stack si muove verso una generazione automatizzata di creatività su larga scala. Ma resta aperta la domanda: come si misura l’incrementalità degli asset generati dall’IA in un ecosistema già automatizzato, dove i segnali di conversione sono influenzati simultaneamente da bidding, targeting e creatività?

Cosa non dice l’API

Ecco cosa manca per avere una visione completa: indicatori chiari di incrementalità degli asset generati rispetto a quelli originali. L’API non fornisce oggi metriche di confronto tra asset generati da AssetGenerationService e asset inseriti manualmente, come tassi di conversione specifici per asset o test di significatività statistica. I nuovi segmenti di reporting per Performance Max migliorano la trasparenza, ma non risolvono il problema di fondo: in un sistema in cui il bidding e la generazione degli asset sono entrambi automatizzati, attribuire un miglioramento delle performance a una singola leva è tecnicamente complesso. Servono esperimenti con gruppi di controllo: ad esempio, confrontare una campagna con AssetGenerationService attivo e asset originali, misurando la differenza non solo su conversioni ma anche su metriche secondarie come impression share, tasso di click e costo per clic.

I nuovi tipi di esperimento introdotti nella v22 — ADOPT_AI_MAX, OPTIMIZE_ASSETS e PMAX_REPLACEMENT_SHOPPING — sono uno strumento potente per isolare l’effetto, ma richiedono competenza nella progettazione degli esperimenti. Un test mal progettato, con durata insufficiente o con segmenti di pubblico non bilanciati, può produrre risultati fuorvianti. E in assenza di un confronto chiaro tra asset generati e asset originali, il vero rischio è che l’automazione venga giudicata efficace semplicemente perché le performance aggregate aumentano, senza distinguere tra un reale incremento incrementale e un effetto di spostamento o di maggiore esposizione a utenti già pronti alla conversione.

Per chi deve giustificare la spesa con i numeri — analyst, marketing scientist, performance manager — la lezione è chiara. Il dato del 14% è reale, ma non universale. La nuova API offre strumenti per testare, ma la misurazione dell’incrementalità resta nelle mani di chi sa progettare un esperimento e leggere i dati con onestà. La vera innovazione, forse, non è l’automazione in sé, ma la capacità di chiedersi: cosa succederebbe se non avessi attivato questa funzione? Senza una risposta robusta a questa domanda, ogni numero aggregato è solo un’ipotesi in attesa di verifica.