Dati ortogonali: cosa l’IA non può indovinare sui tuoi prodotti

Su ChatGPT, Gemini o nella modalità IA di Google, gli utenti non cercano più un “maglione in cashmere”, ma un “maglione in cashmere che non fa i pallini”. Le tradizionali pagine di prodotto non sono più sufficienti per rispondere a questo tipo di richiesta. Il vantaggio competitivo si sta spostando verso un’altra categoria di informazioni: dati che l’IA non può né dedurre né inventare, ovvero i dati ortogonali. Ecco perché.

Chiedi a un assistente IA “un maglione in cashmere che non fa i pallini”. Ti proporrà con sicurezza alcune opzioni. Ma su cosa basa la sua risposta? Nessun brand dichiara sulla propria pagina di prodotto che il suo maglione “non fa i pallini” e nessuno fa promesse su come la maglieria resisterà nel tempo.

In assenza di informazioni ufficiali, il modello si adatta. Attinge a recensioni dei clienti, thread di Reddit e blog, in altre parole, a dati aneddotici e casuali. Nella migliore delle ipotesi, ragiona a partire dalle specifiche tecniche, laddove disponibili: diametro e lunghezza della fibra, origine (il cashmere della Mongolia Interna è noto per fare meno pallini) e lavorazione a due fili.

Per quindici anni, l’e-commerce si è basato su dati di prodotto strutturati. Con la sua tassonomia e i suoi campi (titolo, categoria, prezzo, brand, colore, taglia, materiale, disponibilità, ecc.), il feed di Google Shopping è diventato lo standard minimo de facto. E a ragione: per la maggior parte delle aziende e-commerce mature, migliorare l’affidabilità di questo feed rimane uno degli investimenti con i più alti rendimenti marginali, perché viene utilizzato su tutti i canali e ogni miglioramento ha un effetto a cascata.

Uno dei punti di forza di questo modello è che si adatta perfettamente alle tradizionali query “nome + aggettivo”, come “maglione in cashmere”, “maglione grigio” o “siero SPF 15”. Ma l’arrivo dei motori di ricerca basati sull’IA sta cambiando lo scenario.

L’IA ora può estrarre questi attributi da sola. Se una descrizione recita “maglia fine in 100% cashmere”, un LLM identifica il materiale anche se il campo dedicato non è stato compilato. Se il titolo menziona la tonalità, il colore viene dedotto. Google Shopping compila automaticamente in misura sempre maggiore i campi mancanti, e nuove piattaforme pubblicitarie come ChatGPT Ads estrapolano tutto ciò che può essere dedotto. In altre parole, la cura e la precisione di base del feed dei dati di prodotto rimangono un prerequisito, ma non sono più sufficienti per distinguersi.

Un altro cambiamento, ancora più profondo, merita l’attenzione dei team di marketing ed e-commerce: con l’IA conversazionale, le query stesse stanno cambiando. Secondo Google, le domande poste in modalità IA sono, in media, tre volte più lunghe rispetto alle tradizionali query di ricerca.

Potrebbe sembrare che gli utenti stiano semplicemente mettendo in fila più aggettivi. Ma non è così: stanno passando da un approccio “nome + aggettivo” a un approccio “concetto + vincoli”. Ad esempio, quando utilizzano l’IA, gli utenti non cercano più “un fondotinta in siero cruelty-free SPF 15”, ma “il fondotinta in siero cruelty-free più economico con un SPF superiore a 15”. Non cercano più “stivali in pelle nera”, ma “un paio di stivali in pelle nera abbastanza comodi da poterci camminare tutto il giorno e resistenti alla pioggia”.

A una query convenzionale si può rispondere leggendo i campi, mentre una query “concetto + vincoli” richiede ragionamento: trovare il prezzo più basso, accettare un’intera gamma di valori SPF, riconoscere che un’etichetta come “Leaping Bunny” indica “cruelty-free” e, nel caso di “comodi tutto il giorno”, cercare informazioni che semplicemente non esistono sulla pagina del prodotto. Eppure, i sistemi di IA preferiscono dare una risposta scadente piuttosto che nessuna risposta, quindi gli utenti si stanno abituando a queste query complesse anche quando i dati mancano.

Per rendere i risultati dell’IA più affidabili, Google ha iniziato a rispondere aggiungendo attributi conversazionali a Merchant Center, incluso un campo di Domande e Risposte (Q&A). Questa è una soluzione utile, ma non è ancora sufficiente. Senza un metodo per identificare cosa dovrebbe essere inserito in queste domande e risposte, la maggior parte delle aziende ricicla ciò che pubblica già. Farebbero meglio a concentrare i propri sforzi sulla costruzione di database di dati di prodotto ortogonali.

I dati ortogonali sono informazioni che non possono essere dedotte, estrapolate o inferite da ciò che è già stato pubblicato su un prodotto. Sono una novità per i consumatori, così come per gli LLM, i motori di ricerca e tutti gli altri strumenti di scoperta.

Esiste un semplice test per determinare se i dati sono veramente ortogonali: un modello di IA potrebbe ricavare queste informazioni dalla mia attuale pagina di prodotto? Se sì, non sono ortogonali. Materiale, colore o taglia, ad esempio, possono essere dedotti. Ma la resistenza all’abrasione di un paio di pantaloni, il livello di rumore di un cuociriso o la larghezza della porta necessaria per far passare un divano no.

Questi dati offrono ai brand diversi vantaggi: riducono le allucinazioni degli assistenti IA, ampliano la gamma di query a cui un prodotto può rispondere e migliorano la visibilità nei motori di ricerca conversazionali e nelle nuove interfacce di ricerca. Soprattutto, per i concorrenti sono molto più difficili da replicare!

Sfortunatamente, i dati più utili sono spesso non disponibili, costosi da raccogliere o impossibili da pubblicare per il brand stesso a causa di problemi di reputazione o responsabilità legale.

Tuttavia, sono disponibili diverse opzioni. Per i brand, un primo passo è portare finalmente alla luce i dati che giacciono inattivi nei loro sistemi interni (PIM, DAM, ERP, CMS). I rivenditori, nel frattempo, devono intensificare gli sforzi quando aggiungono prodotti ai loro cataloghi. Alcuni utilizzano già la computer vision (visione artificiale) durante i servizi fotografici dei prodotti per identificare caratteristiche che i produttori non forniscono.

Allo stesso tempo, le partnership editoriali possono essere un altro modo per arricchire le informazioni sui prodotti, in particolare nei settori con media specializzati e community di appassionati. I siti specializzati che testano, misurano e descrivono i prodotti nel dettaglio possiedono informazioni particolarmente preziose: alcuni tagliano le scarpe da ginnastica per misurare lo spessore e la densità della suola; altri monitorano la temperatura di un materasso durante la notte, registrano il suono dei tasti di una tastiera o ne valutano il feedback aptico… Queste sono tutte misurazioni che nessuna pagina di prodotto include e nessun modello può dedurre.

Un’altra opzione sono i contenuti generati dagli utenti, che sono ancora troppo spesso sottoutilizzati. Rappresentano il modo ideale per far emergere informazioni molto richieste, ma che il brand non può dichiarare in prima persona. Fare un uso migliore dei contenuti generati dagli utenti può assumere diverse forme: aggregare i motivi dei resi e le richieste al servizio clienti per arricchire la pagina del prodotto (“questo modello veste stretto”), premiare i clienti che documentano l’uso del prodotto attraverso foto o video, raccogliere informazioni verificate dai clienti e così via.

Tutti questi approcci meritano un posto in una roadmap per il 2027. Poiché l’IA non può indovinare ciò che non sa, i dati ortogonali sono diventati il nuovo campo di battaglia nell’e-commerce. E tutti hanno un ruolo da svolgere. Da soli, i brand possiedono gran parte di queste informazioni sui propri prodotti. I rivenditori multimarca, d’altra parte, sono gli unici in grado di rimanere neutrali e coprire l’intera gamma di prodotti, compresi i dati che aiutano a distinguere tra due prodotti… e quindi a identificare quello inferiore, cosa che nessun brand farà mai con i propri articoli.

Contattaci