Come aumentare l’adozione delle funzioni AI


“Per favore, riscriveteci testi che funzionano.” Inizia così quasi ogni progetto di Content design di Officina Microtesti, ed è così che è iniziato anche quello che raccontiamo in questo articolo.

TS, la più grande software house italiana aveva aggiunto da poco al suo gestionale alcune funzioni di intelligenza artificiale che svolgono al posto dell’utente operazioni di contabilità molto delicate. Le persone però non le usavano e i messaggi scritti per convincerle non funzionavano.

La richiesta del cliente era questa: prima sistemare i contenuti, poi costruire una skill AI che continuasse a scriverli in automatico, senza sforzo del team, per tutti i clienti e garantendo un alto livello di efficacia. Tradotto: “prima create dei contenuti che funzionano e poi costruite una scintillante bacchetta magica“.

Questo articolo non racconta come si costruisce la bacchetta magica (e se qualcuno lo ha scritto, vi prego di condividerlo).

Parla di come si passa dalla richiesta della bacchetta magica alla progettazione di Content Ops, cioè dei processi di creazione del contenuto, che funzionano.

Parla di cosa dobbiamo fare e sapere prima di iniziare a scrivere: chi sono le persone che usano il prodotto che promuoviamo, cosa ci fanno davvero, come misuriamo se un messaggio ha funzionato.

Racconta un lavoro di test su centinaia di aziende clienti, con risultati che a volte ci hanno dato ragione e a volte no, e spiega come dare un valore in euro a questo tipo di lavoro.

In fondo trovi cinque domande da farsi prima di chiedere “testi migliori“.

Il caso: funzioni gratis oggi, a pagamento domani

Il software su cui abbiamo lavorato è una suite usata da studi professionali e aziende per fare operazioni contabili complesse. Le nuove funzioni AI fanno due cose:

  • automatizzano operazioni ripetitive;
  • creano analisi e commenti sintetici su documenti lunghi e complessi.

Fanno risparmiare tempo ma lavorano su dati sensibili e se sbagliano, l’errore può causare controlli e multe.

A rendere il lavoro ancora più delicato ci sono due elementi:

  1. Oggi le nuove funzioni AI sono comprese nell’abbonamento ma a breve diventeranno a pagamento. I clienti non sanno ancora nulla del cambio di tariffa.
  2. Il cliente non scriveva i messaggi dentro la sua suite di gestione contabile. Usava un software dedicato all’onboarding e al coinvolgimento degli utenti, che crea messaggi posizionati «sopra» il gestionale, in finestre che compaiono mentre la persona lavora.

Questo scenario complica il nostro compito in tre modi.

Il primo è una difficoltà tecnica: non potevamo modificare il software di gestione, ma solo un livello superiore indipendente.

Il secondo è un obiettivo più ambizioso di un buon onboarding. Non bastava spiegare le funzioni: dovevamo rendere evidente il loro valore, far abituare le persone a usarle e cambiare un modo di lavorare spesso consolidato da anni. Il valore doveva diventare irrinunciabile prima dell’entrata in vigore delle nuove tariffe, così che a pagamento fosse già chiaro e riconosciuto. In questo contesto un messaggio che non funziona non rallenta solo l’introduzione dell’innovazione nel lavoro quotidiano: porta a una perdita di ricavi al momento della monetizzazione. L’efficacia del messaggio ha un effetto diretto sul conto economico del cliente.

Il terzo è che i risultati ottenuti fino a quel momento erano deboli: i messaggi già prodotti venivano portati a termine solo dal 4% al 12% delle persone che li vedevano (il tasso di completamento). Il cliente si aspettava un miglioramento sostanziale e stabile.

Prima il contesto: la sbornia AI

Una domanda che viene spontanea in casi come questo è: “se le funzioni AI sono un vantaggio così grande per gli utenti, come mai non le usano? E soprattutto, come mai le abbandonano dopo averle provate qualche volta?“

Questa domanda nasceva da alcune esperienze recenti con altri clienti, che avevano sviluppato funzioni AI nuove che nessuno usava o lanciato prodotti “powered by AI” che fallivano già prima di essere lanciati.

Per capire il motivo dobbiamo guardare il contesto in cui è nato il progetto.

Ogni giorno i manager aprono i giornali, la mail o LinkedIn e trovano almeno un articolo che spiega loro che introdurre l’intelligenza artificiale in azienda non è una questione di innovazione, ma di sopravvivenza.


In Italia come nel resto del mondo, l’intelligenza artificiale ha influito in modo radicale sul lavoro delle aziende.

Nel 2025 il mercato italiano dell’AI ha raggiunto circa 1,8 miliardi di euro, con una crescita del 50% rispetto all’anno precedente (Osservatorio Artificial Intelligence del Politecnico di Milano, febbraio 2026). È raddoppiata anche la quota di imprese con almeno 10 addetti che usano almeno una tecnologia di AI: dall’8,2% del 2024 al 16,4% del 2025 (Istat).

L’adozione è però molto sbilanciata a seconda della dimensione aziendale: la usa il 53,1% delle grandi imprese contro il 15,7% delle PMI (Istat, dicembre 2025). Nella stessa direzione, l’Osservatorio del Politecnico segnala che il 71% delle grandi imprese ha avviato almeno un progetto di AI nel 2025, contro l’8% delle PMI.

Questa “sbornia” ha in Italia caratteristiche particolari rispetto ai Paesi con una maggiore alfabetizzazione digitale: si nota una distanza tra la narrazione, l’hype tecnologico, e la capacità del sistema di assorbire davvero questa tecnologia. Osserviamo tre dinamiche, di natura più psicologica e culturale che tecnica.

La scorciatoia miracolistica. Quando mancano una cultura solida dei dati e processi codificati, l’AI generativa è stata vista da molti manager, professionisti e media come un modo per saltare i passaggi intermedi e recuperare anni di ritardo con uno strumento pronto all’uso. È l’effetto bacchetta magica di cui parlavamo prima.

La FOMO da vertice. La paura di restare fuori dal mercato (“se non facciamo qualcosa con l’AI siamo finiti“) ha spinto molti decisori a finanziare demo di facciata o abbonamenti a pioggia, senza capire né come funzionano né a cosa servono davvero.

La mancanza di pensiero critico tecnologico. Senza alfabetizzazione digitale è difficile distinguere un modello linguistico da un motore di ricerca, capire cosa sono le allucinazioni, o capire perché automatizzare un processo disordinato non migliora la produttività ma forse confonde ancora di più le cose. Tra le imprese che non usano l’AI, il 58,6% indica proprio la mancanza di competenze adeguate come ostacolo principale (Istat).

A proposito di produttività, a livello internazionale il rapporto The GenAI Divide del programma NANDA del MIT (2025) stima che circa il 95% dei progetti pilota di AI generativa nelle aziende non produca un impatto misurabile sul conto economico. Il dato si basa su circa 150 interviste a dirigenti, un sondaggio su 350 dipendenti e l’analisi di 300 implementazioni pubbliche.

L’ansia non è una buona consigliera: tanti progetti nascono più dalla paura di restare indietro che da una vera progettazione e valutazione d’impatto.

Nello sviluppo software, accelerare per introdurre nuove funzioni AI porta a saltare passaggi necessari, come l’ascolto del target per capire i comportamenti e i bisogni delle persone.

Quando un manager apre i giornali o LinkedIn trova almeno un articolo che gli dice che introdurre l’intelligenza artificiale in azienda è una questione di sopravvivenza.

Si rischia così di creare funzioni pensate sulla sola convenienza aziendale e non richieste da chi le userà: magari sono quelle che l’azienda riesce a produrre più in fretta o con meno spesa, e non quelle davvero risolutive per chi usa il software. Oppure le funzioni sono utili, ma manca un progetto chiaro per farle entrare nelle abitudini di chi lavora.

Quel progetto toccava a noi costruirlo a posteriori: creare messaggi che dessero senso all’automazione e spiegassero come si integra con le abitudini già consolidate.

Prima di scrivere: persone, comportamenti, ipotesi

Riscrivere quei messaggi sarebbe stato come lanciare una nuova esca nello stesso stagno. I copy non erano scritti male: la cosa principale era capire il comportamento, cioè fare una Behavioral Analysis.

Ecco cosa facevano le persone con le funzioni AI secondo i dati d’uso del gestionale. Circa 2 clienti su 3 non avevano usato nessuna funzione AI. Tra chi la usava, quattro su dieci si limitava alle funzioni più familiari: il commento ai report e la chat con un agente.

Altri provavano le automazioni una volta, poi non si fidavano e modificavano i dati proposti dall’AI. Solo una piccola minoranza usava l’AI e si fidava pienamente del suo operato.

A ogni comportamento serve una spiegazione che tenga conto di bisogni, emozioni e opportunità. In Officina Microtesti usiamo uno strumento di analisi ispirato al lavoro di Aaron Beck, uno dei padri della psicoterapia cognitiva.

In poche parole, Beck ha mostrato che il comportamento è influenzato da tre cose: uno stimolo esterno (qualcosa che vedo o sento) o interno (un bisogno o una sensazione), una valutazione cognitiva (come interpreto lo stimolo) e una reazione emotiva (come mi fa sentire).

Per capire perché una persona fa una certa cosa dobbiamo ricostruire questa catena. Per farlo usiamo una griglia che chiamiamo SEPA: Stimolo, Emozione, Pensiero, Azione. Il modello è spiegato in dettaglio nel libro Emotion driven design (Di Michele e Fiacchi, Apogeo, 2020).

Il risultato dell’analisi SEPA è una previsione probabilistica di ciò che farà l’utente, tanto più affidabile quanti più dati abbiamo per sostenerla.

La nostra ipotesi ha questa forma:

Se [si trova di fronte a questo stimolo o situazione], allora [la persona potrebbe interpretarlo in questo modo] e [potrebbe provare questa emozione], quindi [proviamo questo intervento] e lo misuriamo [con questo strumento e con questi dati].

Facciamo un esempio dal progetto.

Se un professionista è concentrato sul suo lavoro e vede comparire all’improvviso una finestra che blocca lo schermo, allora la chiude subito, prima di leggerla, per non essere infastidito e non perdere l’attenzione.

Quindi proviamo con una barra discreta, che può leggere quando vuole, e misuriamo quante persone usano poi la funzione.

Cose che sapevamo del target

Per lavorare bene servirebbero più fonti di informazione: interviste ai clienti, chiamate all’assistenza, studi di usabilità sugli utenti target, focus group. Noi avevamo i dati d’uso dell’AI nel software e qualche intervista non strutturata ai clienti del servizio. Non abbiamo parlato con le persone, perché la fase di ricerca è sempre la grande assente dai progetti.

Questa mancanza dice qualcosa anche sul modo in cui i servizi sono stati progettati. Per quali persone sono stati pensati? Chi è l’utente target? A quale bisogno dichiarato rispondono le funzioni AI? Quali sono i vantaggi veri? Se queste risposte non esistono, il messaggio finale deve compensare un buco che sta a monte. E senza ricerca quello che costruiamo sono ipotesi e non verità: per questo ogni ipotesi andava messa alla prova sul campo.

Come funziona il processo di Content design di Officina Microtesti

In questo progetto, come in quelli in cui c’è un forte drop-off durante la navigazione, siamo partiti da un audit approfondito dei contenuti e delle persone. Abbiamo creato le assunzioni (le ipotesi di lavoro) insieme al team del cliente e solo dopo abbiamo iniziato a riscrivere, secondo regole di neurodesign e best practice internazionali di content design e UX writing. Questo flusso di lavoro è alla base del nostro servizio CHIARO/m® Claritas. 

Gli step sono stati questi:

  1. Partiamo dall’analisi delle persone e dei comportamenti, e proviamo a dare loro una forma.
  2. Creiamo possibili personas.
  3. Costruiamo la tabella SEPA.
  4. Formuliamo le ipotesi, cioè le assunzioni.
  5. Sulla base delle assunzioni analizziamo i messaggi precedenti e proponiamo le riscritture.
  6. Testiamo i nuovi messaggi.
  7. Valutiamo i risultati.
  8. Se il risultato è positivo, inseriamo le nuove regole. Se è negativo, le scartiamo e ne proponiamo di alternative.

Il patto con i team: lavoriamo sulle Content Ops

Le informazioni che ci servivano esistevano, nessuno aveva nascosto niente, ma stavano in posti diversi. Il marketing non sapeva bene alcune cose che il software faceva davvero, perché le avevano costruite gli sviluppatori. Chi gestiva gli engagement non conosceva la strategia commerciale pensata dal marketing. E la domanda più semplice del progetto, cioè cosa fa davvero l’AI nel software, cosa possiamo raccontare oggi e cosa domani, non aveva un posto dove trovare risposta.

Succede in quasi tutte le organizzazioni strutturate e di rado per cattiva volontà. Succede per come funziona la nostra mente e per come facciamo circolare le informazioni tra gruppi: ogni team ragiona con le informazioni che ha davanti e le tratta come complete. Questa convinzione ha un nome che sembra uno scioglilingua: l’euristica WYSIATI.

Daniel Kahneman la descrive in Pensieri lenti e veloci (2011) e il nome è un acronimo: What You See Is All There Is, quello che vedi è tutto quello che c’è. È la tendenza della mente a costruire in fretta la storia più coerente possibile con le informazioni che ha a disposizione, senza chiedersi cosa manchi. Per la mente conta la coerenza della storia, non la sua completezza: meno informazioni abbiamo, più è facile che la storia sembri coerente, e quindi sicura.

L’esperimento classico, che Kahneman riporta, è di Brenner, Koehler e Tversky (1996). Ad alcune persone viene fatto leggere il caso di una controversia legale, ma solo gli argomenti di una delle due parti. Altre leggono entrambe le versioni. Chi ha letto una versione sola si dichiara più sicuro del proprio giudizio di chi ha letto tutto.

Se la applichiamo ai gruppi di lavoro (non è un risultato dei loro studi ma un’estensione per analogia), gli sviluppatori vedono il software, il marketing vede le promesse che si possono fare, chi gestisce gli engagement vede i messaggi e i numeri. Ognuno decide bene sulla sua parte e nessuno sente un buco.

L’euristica però è utile: non possiamo aspettare di sapere tutto per decidere. Diventa un errore quando l’informazione che manca è proprio quella che decide, come un formato che non si può pubblicare o una promessa che non si può fare.

Il conto di questo meccanismo è arrivato presto: un messaggio può essere scritto benissimo per un formato che non si può pubblicare, promettere una cosa che il marketing non vuole dire o citare un dato che il software non registra. Per questo, prima di scrivere, abbiamo dovuto fare un passo indietro e risolvere due problemi di Content Ops.

1. La circolazione delle informazioni

La conoscenza sul prodotto e sulla strategia di vendita doveva diventare patrimonio comune. Le sole riunioni non bastano: in riunione ognuno racconta quello che gli sembra importante, cioè quello che vede, e nessuno sa cosa non sta dicendo. Serve qualcosa di scritto, che tutti possano leggere e correggere. Altrimenti il rischio è lavorare tanto per fare molto poco. Nel nostro software i vincoli erano di due tipi: tecnici (molte componenti non si potevano usare) e commerciali (non si potevano dire tante cose e non si potevano fare promesse). Scoprirli a messaggio scritto costa settimane, scoprirli prima costa una conversazione.

2. La cultura del metodo sperimentale

Senza un metodo è sempre difficile capire cosa funziona e cosa no, e si va avanti e indietro senza trovare mai uno stile efficace. Il metodo richiede metriche definite prima, valutate con attenzione, e decisioni prese in base a quello che dicono i dati.

Il patto che abbiamo proposto ai team è stato questo: ogni convinzione sugli utenti si scrive e diventa un’ipotesi. Lo strumento è un registro delle assunzioni comportamentali, in cui per ognuna ci sono il gruppo di clienti a cui si riferisce, il problema osservato, la spiegazione, l’intervento proposto e la priorità, con due misure: una di ingaggio (clic, chiusure) e una di comportamento, cioè cosa fa la persona dopo. Da quel momento un’opinione è una riga che tutti possono leggere, discutere, mettere alla prova e, se serve, cancellare.

La behavioral analysis: dai dati a una persona

Come si passa dai dati d’uso a una persona? Lo mostriamo su un caso: i clienti che usano le automazioni ma poi cancellano le previsioni dell’AI e reinseriscono i dati a mano. La persona che vedrete è inventata, ma costruita sui comportamenti osservati nel progetto.

1. Partiamo dal comportamento osservato. Nei dati d’uso un gruppo di clienti, che chiamiamo adopter parziali, chiede all’AI una previsione (il conto, il codice IVA) e poi la sovrascrive. Non rifiutano la funzione: la usano e poi non si fidano.

2. Ricostruiamo la catena con la griglia SEPA. Sono ipotesi di lavoro, non fatti:

PassaggioCosa pensiamo che accada
StimoloNella schermata di registrazione compare un codice IVA già proposto dall’AI, senza indicare su che base è stato scelto
EmozioneDiffidenza e un po’ di ansia: se il dato è sbagliato, controlli e sanzioni sono affar suo
Pensiero“Non so da dove arriva. Rifarlo io mi costa due minuti, sbagliare mi costa molto di più“
AzioneCancella la previsione e reinserisce il dato a mano

3. Individuiamo bisogni e vincoli. Il bisogno è controllare senza perdere tempo. Il vincolo è che un errore costa caro. L’opportunità è mostrare la base su cui l’AI ha fatto la proposta.

4. Sintetizziamo tutto in una persona, così che tutto il team parli della stessa persona e non di un utente astratto.

Marta, 41 anni, commercialista in uno studio con sei persone (persona di esempio)

Contesto. Registra decine di fatture al giorno e usa l’AI da qualche settimana per i codici IVA.
Obiettivo. Chiudere le scadenze senza errori.
Paura. Una sanzione per un dato registrato male e non verificato.
Comportamento. Accetta il suggerimento dell’AI solo dopo averlo ricontrollato. Se non capisce da dove viene, lo rifa a mano.
Cosa potrebbe farle cambiare comportamento. Vedere su quali dati si basa la proposta e sapere che nulla viene registrato senza la sua conferma.

Per costruire le personas ci aiutiamo anche con i pattern FILO, schemi di comportamento raccolti in anni di analisi, a cui dedicheremo un altro articolo. Resta il limite di cui abbiamo parlato: senza ricerca sul campo la persona è un’ipotesi e vale finché i test non la smentiscono.

Dall’analisi alle ipotesi

Una persona come Marta ci mostra dove nella catena SEPA possiamo intervenire: sullo stimolo (cosa vede), sul pensiero (come lo interpreta) o sull’emozione (cosa prova). Da lì nasce l’ipotesi, scritta con la stessa formula. Due esempi.

Dalla persona. Se Marta vede una previsione senza sapere su che base è stata calcolata, allora pensa di non poterla controllare e teme di sbagliare. Quindi spieghiamo in modo semplice su quali dati si basa e misuriamo quanti clienti usano poi la funzione. È la trasparenza radicale.

Dal sovraccarico di testo. Se una persona concentrata vede una guida in tre passaggi piena di testo, allora ne sente il peso (leggere tutto richiede memoria e attenzione) e la chiude al primo passaggio. Quindi proviamo versioni con meno testo o meno passaggi e misuriamo quanti clienti usano la funzione.

Da dieci ipotesi a sei test. Noi abbiamo proposto dieci ipotesi, in particolare su chi non adottava affatto le automazioni, chi era appena stato abilitato alle nuove funzioni e chi adottava solo le funzioni più familiari e meno impegnative. Ma la lista finale non è la nostra: è uscita dal lavoro con i team, in base a due domande. Cosa possiamo dire? E cosa possiamo fare? Su dieci ipotesi, sei erano testabili.

ChiProblema osservatoAssunzioneIntervento propostoEsito
Persone che non adottano l’AIChiudono il messaggio al primo passaggioUn’interruzione fastidiosa crea un filtro attentivo (attentional tunnel)Non interrompere: proposta pull e non push, con formati discreti e non bloccantiTest possibile
Persone che adottano solo i chatbotSovrascrivono le previsioni dell’AIOpacità del calcolo e avversione alla perditaTrasparenza radicale: cosa fa l’AI, su quali basi, da quali datiTest possibile
Persone recentemente abilitate al servizio AIAbbandonano l’assistente durante l’onboardingMancano informazioni, ci sono dubbi o problemi di competenzaPrima capire in quale fase avviene l’abbandonoTest non possibile

Quattro ipotesi sono rimaste sulla carta, e le ragioni non riguardano il testo ma le Content Ops.

  • Formati non disponibili. Molti formati richiedevano il supporto degli sviluppatori, che la divisione con cui lavoravamo non aveva, e i formati contestuali (quelli che compaiono nel punto esatto in cui servono) non erano utilizzabili. Un test pensato per ruotare i canali ha potuto confrontare solo due formati.
  • Promesse bloccate. Il marketing bloccava alcune promesse, proprio quando cosa si può dire oggi e cosa domani è la questione. Il test sulla reversibilità è diventato un messaggio generico, che non permette di capire se l’assunzione è giusta.
  • Dati che non circolavano. Gli sviluppatori non registravano i dati d’uso nel software e quindi non li comunicavano alla piattaforma di engagement. Niente numeri concreti da mostrare nei messaggi, niente trigger per i messaggi di consolidamento, nessuna analisi di dove si abbandona.
  • Campioni piccoli. Da 41 a 97 aziende per versione: pochi per fare molti test e ottenere risultati statisticamente solidi.

Ogni dipendenza non risolta limita quante domande possiamo fare ai clienti. Qui quattro ipotesi su dieci sono rimaste senza risposta alla vigilia del passaggio a pagamento, e il lavoro di chi sviluppa, fa marketing e gestisce gli engagement pesa quanto quello di chi scrive.

Le riscritture: tre esperimenti, poi altri tre

Solo a questo punto abbiamo riscritto i messaggi. Lo abbiamo fatto con test A/B: due gruppi di clienti simili vedono due versioni diverse dello stesso messaggio e si guarda quale porta più persone a usare la funzione. I sei test sono stati condotti in sessioni separate a un mese di distanza.

Qualche esempio di cosa abbiamo cambiato.

  • Formato. Lo stesso messaggio, in una barra discreta al posto di una finestra che blocca lo schermo.
  • Parole. Dal promozionale «Guadagna tempo!» a un messaggio che spiega come funziona la registrazione automatica. L’ipotesi era aprire con un dato concreto («[N] codici IVA già calcolati: verifica e conferma»), ma quel dato il software non lo registrava.
  • Trasparenza. Accanto al suggerimento dell’AI, una riga che dice che i valori sono proposti in base allo storico delle fatture dello stesso tipo, che la persona controlla e conferma e che la riga resta modificabile.
  • Struttura delle guide. La guida originale a tre passaggi contro una versione con un solo passaggio e una a tre passaggi con meno testo.

Per ogni test abbiamo misurato l’efficacia: tra le aziende che ricevono le previsioni dell’AI, e che quindi possono usare la funzione, quante hanno poi usato davvero una funzione AI contabile o IVA. Non quante hanno cliccato fino in fondo.

Quattro test su sei vanno nella direzione attesa, ma solo due, trasparenza e canale, sono abbastanza solidi da fidarsi. Il formato merita una nota a parte: la barra batte la finestra in due test indipendenti (Test 1 e 4) e, messi insieme, 47,9% contro 36,5%. Spiegare cosa fa l’AI porta l’efficacia dall’85,3% al 98,2%. E il Test 6 ha prodotto un errore evitato: la guida a un solo passaggio sulla carta sembrava la migliore, perché il completamento è del 100%, ma avrebbe fatto perdere 5,4 punti di efficacia rispetto all’originale.

Quanto vale tutto questo?

Eccoci alla domanda che interessa a chi guida un’azienda: se ho speso tempo e budget per capire e testare i messaggi, cosa ho guadagnato in euro? La risposta sta in una misura semplice, che si calcola in tre passaggi.

Passaggio 1: contare chi usa davvero. La misura di partenza è la quota di adozione, la stessa che abbiamo chiamato efficacia: tra i clienti che hanno visto il messaggio, quanti hanno poi usato la funzione. Se 100 clienti vedono il messaggio e 30 usano la funzione, la quota è il 30%. È la misura giusta perché è vicina al denaro: chi usa la funzione oggi, quando sarà a pagamento ha un motivo per tenerla.

Passaggio 2: trasformare i punti percentuali in clienti. Una differenza di 22 punti percentuali tra due messaggi è difficile da immaginare. Tradotta in clienti, diventa concreta: se il messaggio migliore porta 22 adozioni in più ogni 100 clienti raggiunti, e i clienti raggiunti sono 5.908, i clienti in più sono circa 1.300.

Passaggio 3: dare un prezzo. Ogni cliente che adotta una funzione ha un valore all’anno: con il passaggio a pagamento è quello che l’azienda incasserà se il cliente la tiene. Ma non tutti quelli che provano una funzione gratuita la pagheranno, quindi serve un fattore di prudenza: la quota di chi, una volta arrivato il prezzo, resta. Messe insieme, le tre cose danno questa formula:

Valore annuo = N × (A nuovo − A vecchio) × c × V

Dove:

  • N è il numero di clienti che il messaggio può raggiungere.
  • A nuovo e A vecchio sono le quote di adozione con il messaggio nuovo e con quello di partenza.
  • c è la quota di chi, quando la funzione diventa a pagamento, la tiene.
  • V è il valore annuo di un cliente che paga.

Un esempio con numeri inventati

Prendiamo N = 5.908 clienti, una quota che resta a pagamento molto prudente c = 50% e un valore V = 300 euro all’anno per cliente. I numeri sono a titolo di esempio.

Facciamo uno scenario prudente con un nuovo messaggio che porta solo 5 punti in più di adozione. Valore: 5.908 × 0,05 × 0,5 × 300 = circa 44.000 euro l’anno.

C’è poi un valore meno visibile: gli errori che non abbiamo fatto. Senza i test avremmo scelto delle forme di engagement che portano alcuni punti di efficacia in meno (39,0% contro 44,4%). Su 5.908 clienti sono circa 320 adozioni perse, che con le stesse ipotesi valgono circa 48.000 euro all’anno. È una misura di costo evitato e si calcola come la prima, con la differenza al contrario.

Oggi le funzioni sono gratuite, e questo è il momento in cui testare costa meno perchè se un messaggio non funziona non perdiamo un incasso.

Cinque domande prima di chiedere “contenuti migliori”

Formato, trasparenza e metriche hanno contato più delle parole. Non significa che i testi non contino: significa che, prima di scriverli meglio, ci sono domande a cui rispondere. Se la prossima volta qualcuno vi chiede «fateci dei testi che funzionano», queste sono le cinque da fare per prime.

  1. Chi sono le persone che non rispondono e cosa fanno davvero? Non cosa pensiamo che facciano: cosa mostrano i dati d’uso.
  2. Quale azione vogliamo misurare? Se la risposta è “il clic” o “il completamento”, probabilmente non è quella che conta per l’azienda.
  3. Tutti quelli a cui parliamo possono fare quello che chiediamo? Se metà del gruppo non può, il messaggio non è il problema.
  4. Cosa possiamo dire e cosa possiamo fare, e lo sa chi scrive? Vincoli tecnici, commerciali e di dati vanno scritti prima del testo, non scoperti dopo.
  5. Quanto vale in euro un cliente in più, e quanto costa mandare a tutti il messaggio sbagliato? Con queste due cifre ogni test diventa una decisione.

In questo progetto, rispondere a queste domande ha spostato il lavoro dal testo al processo: dall’analisi dei comportamenti alla revisione dei flussi, fino al supporto ai team, che oggi sanno cosa misurare e perché. I testi sono arrivati dopo e sono stati più semplici da scrivere.

Hai lo stesso problema in azienda, con funzioni nuove che fatichi a introdurre e monetizzare? Scrivici.

Nei prossimi articoli racconteremo la skill AI e come abbiamo costruito, non una bacchetta magica, ma uno strumento molto efficace per supportare il team di scrittura e design.