L’IAB prova a mettere ordine tra venti metodologie diverse

Framework: 4P della visibilità e 2 standard dati, ma Google AI Overviews varia dal 18% al 43%.

Lo scorso 3 agosto IAB ha pubblicato linee guida “Measuring Visibility in the AI Era” per standardizzare la misurazione della visibilità di brand e publisher nelle piattaforme di scoperta basate sull’AI. Il tema è quantitativamente rilevante: più di 20 aziende vendono attualmente strumenti di misurazione della visibilità dell’IA, ciascuna con metodologie diverse, e per lo stesso brand o editore possono produrre risposte differenti. Non si tratta di una disputa accademica tra vendor: la mancanza di una metrica comune rende difficile confrontare i risultati, spostare budget in modo coerente e capire se una strategia di visibilità nell’AI discovery stia funzionando.

Le “4 P” e la qualità dei dati

Il framework introduce una gerarchia comune di metriche chiamata “4 P” della visibilità AI, pensata per uniformare la lettura della visibilità tra brand e publisher. Accanto alle metriche, IAB individua due standard di qualità dei dati: “Decision-Grade” e “Directional”. La differenza non è solo nominale: un dato Decision-Grade dovrebbe essere sufficientemente robusto da sostenere decisioni operative, per esempio spostare budget o rivedere accordi con i publisher, mentre un dato Directional va usato come segnale di tendenza, non come base per scelte a valle. Il framework fa parte di Project Eidos.

Per chi lavora nella supply chain pubblicitaria, la distinzione Decision-Grade/Directional richiama la differenza tra dati su cui si può costruire una campagna e dati che servono solo a orientarsi. E, come nel programmatic, la qualità del dato ha un impatto diretto sul prezzo e sulla fiducia tra le parti: se un editore presenta una metrica direzionale come se fosse decisionale, il rischio è di allocare budget su inventario o contesti che non sono realmente visibili. Lo standard IAB non forza un unico fornitore, ma prova a stabilire un vocabolario comune per classificare ciò che si sta comprando.

Numeri che non coincidono: il caso Google AI Overviews

Il problema di fondo emerge confrontando le rilevazioni disponibili. Similarweb ha misurato la frequenza di Google AI Overviews al 43% delle ricerche negli Stati Uniti, mentre Adthena ha registrato il 18%. Lo stesso oggetto — la presenza delle AI Overviews nelle query statunitensi — produce valori molto distanti a seconda del fornitore e della metodologia di rilevazione. Per un brand o un publisher, passare dal 18% al 43% cambia radicalmente la fotografia del fenomeno e la decisione su quanto investire per presidiare la ricerca generativa.

I dati di contesto mostrano perché la misurazione non è un esercizio neutro. Secondo Chartbeat, i piccoli editori hanno perso circa il 60% del traffico di riferimento dalla ricerca in due anni, i medi il 47% e i grandi il 22%. McKinsey stima inoltre che i ritardatari nell’adattamento all’AI potrebbero vedere cali di traffico fino al 50% dalla ricerca tradizionale. Eppure, stando ai sondaggi CMO di McKinsey, solo il 16% delle aziende monitora in modo sistematico la visibilità nella ricerca AI. La forbice tra la portata del cambiamento e la capacità di misurarlo è ampia, e in parte spiega la corsa dei vendor a offrire soluzioni anche molto diverse tra loro.

Chi perde, chi guadagna e il nodo della consolidazione

I numeri di Chartbeat indicano una distribuzione molto diseguale del danno: i piccoli editori, spesso la long tail con cui lavorano le SSP e le piattaforme di supply, hanno perso molto più traffico dei grandi. Tradotto in programmatic, chi dipende dalla search referral per alimentare la propria inventory e i propri dati di prima parte è più esposto, mentre i grandi publisher hanno margini più ampi per assorbire il calo o costruire relazioni dirette con i motori di risposta. Per i fornitori di strumenti di misurazione, invece, la frammentazione è per ora anche un’opportunità commerciale: più di 20 aziende vendono tool, ognuna con la propria metodologia e i propri numeri. Secondo Caroline Giegerich, la consolidazione tra i fornitori di visibilità AI non avverrà presto. Questo significa che brand ed editori dovranno convivere ancora a lungo con più fonti, più metriche e, probabilmente, più costi. Il framework IAB può aiutare a confrontare le metodologie e a stabilire cosa è decisionale e cosa è solo direzionale; ma la convergenza dei dati resta, per ora, un obiettivo lontano.