Per anni, gli acquirenti B2B si sono lamentati della scarsità di informazioni a loro disposizione.
Oggi, invece, si trovano di fronte al problema opposto.
Grazie a ChatGPT, Claude, Perplexity e alla ricerca basata sull'intelligenza artificiale, gli acquirenti possono confrontare i fornitori, analizzare i requisiti, generare elenchi di candidati e valutare le alternative in pochi minuti anziché in settimane. Possono richiedere una panoramica del mercato, un confronto delle caratteristiche, una checklist per l'approvvigionamento o una raccomandazione sui fornitori e ottenere una risposta attendibile quasi istantaneamente.
Il risultato sembra ovvio: maggiori informazioni dovrebbero portare a decisioni migliori.
Ma è davvero così?
O forse stiamo confondendo l’accesso alle informazioni con la loro accuratezza?
Questa distinzione è più importante che mai. L’intelligenza artificiale sta cambiando il modo in cui gli acquirenti ricercano, valutano e selezionano le soluzioni. Può ridurre lo sforzo, accelerare la scoperta e rendere più comprensibili i mercati complessi. A volte, le informazioni alla base di una risposta generata dall’IA possono essere incomplete, obsolete, di parte o semplicemente ripetute così spesso da sembrare credibili. Quando ciò accade, una ricerca più rapida potrebbe non portare a decisioni migliori.
Potrebbe solo portare a decisioni prese con maggiore sicurezza.
Il ristorante che non è mai esistito
Qualche anno fa, individuare un'attività fasulla online era relativamente facile. Magari il sito web sembrava sospetto o le foto non convincevano. Oppure la presenza sui social era scarsa, o la storia non reggeva.
Oggi, però, non è sempre così.
Prendiamo ad esempio Ethos, il ristorante generato dall’intelligenza artificiale ad Austin che ha attirato grande attenzione nonostante non fosse un vero ristorante. Presentava tutti gli elementi che le persone associano alla legittimità: una presenza online, fotografie dei piatti dall’aspetto professionale, interazione sui social, attenzione da parte dei media e decine di migliaia di follower su Instagram. Diversi media hanno riportato che il ristorante non esisteva, anche se molte persone interagivano con i suoi contenuti come se fosse reale.
E sebbene possa essere facile giungere alla conclusione che le persone siano semplicemente credulone, non è questa la lezione da trarre. La lezione è che, in un mondo digitale, la visibilità viene spesso scambiata per verità.
Ethos sembrava credibile perché presentava gli elementi che siamo stati abituati a considerare affidabili: cura dei dettagli, attività, attenzione e portata. Ma quegli elementi non dimostravano nulla riguardo al ristorante, se non che si trattava di un’illusione profondamente convincente.
Lo stesso problema sta ora influenzando decisioni dalla posta in gioco ancora più alta.
L’IA non “sa” davvero
Un acquirente potrebbe supporre che, se l’IA afferma qualcosa, debba averne verificato la validità.
Ma non è così che funzionano i modelli linguistici di grandi dimensioni (LLM).
Gli strumenti di IA sono molto efficaci nel recuperare informazioni, confrontare fonti, aggregare punti di vista, identificare modelli e sintetizzare i risultati. Sono in grado di sintetizzare grandi quantità di contenuti più rapidamente di quanto qualsiasi acquirente possa ragionevolmente fare da solo.
Ciò che non sempre fanno è determinare in modo indipendente se ogni fonte sia fattualmente corretta, aggiornata, obiettiva o pertinente a uno specifico contesto aziendale.
Se un numero sufficiente di fonti ripete lo stesso punto, un sistema di IA potrebbe considerarlo credibile. Ad esempio, se un fornitore viene menzionato frequentemente in pagine di confronto, elenchi, contenuti dei partner, pagine di recensioni e post sui blog, a un modello di linguaggio di grandi dimensioni (LLM) potrebbe apparire come un leader di mercato. Oppure, se un'affermazione obsoleta compare in diversi contesti, potrebbe continuare a influenzare le risposte future anche molto tempo dopo che il mercato si è evoluto.
In breve, l’IA è eccellente nell’identificare il consenso. Ma non è sempre altrettanto eccellente nell’identificare la verità.
E questa differenza è importante, perché gli acquirenti B2B ricorrono sempre più spesso all’IA nelle prime fasi del loro percorso di acquisto.
Gartner ha rilevato che gli acquirenti di tecnologia utilizzano già l’IA per orientare le decisioni di acquisto, con l’IA generativa comunemente impiegata nelle fasi di esplorazione e valutazione. Tuttavia, l’azienda sottolinea anche un’importante distinzione: i migliori acquirenti utilizzano l’IA per prendere decisioni migliori, non solo più rapide.
Dai ristoranti fittizi ai consigli sui software
Ora immaginate la versione B2B del problema di Ethos nel settore tecnologico.
Un acquirente chiede all’IA di confrontare le piattaforme di gestione dei dati di riferimento (MDM), di consigliare la soluzione migliore per il settore retail o di stilare una rosa di fornitori per un complesso progetto di trasformazione digitale.
Decisioni tecnologiche B2B come queste comportano un livello di complessità che la maggior parte delle interazioni quotidiane con l’IA semplicemente non richiede. Scegliere un ristorante, pianificare un viaggio o confrontare prodotti spesso comporta un insieme ristretto di variabili. Ma gli acquisti aziendali coinvolgono molteplici parti interessate, priorità contrastanti, risultati aziendali a lungo termine, requisiti di integrazione, considerazioni di governance, compromessi futuri — e l’elenco potrebbe continuare. Questa complessità modifica il ruolo che l’IA svolge nel processo decisionale.
Ad esempio, supponiamo che stiate valutando soluzioni MDM. Potreste porre domande come queste:
- Quali sono le migliori piattaforme MDM?
- Qual è la soluzione migliore per il settore retail?
- Confronta il fornitore A e il fornitore B.
- Crea una rosa di candidati per la mia azienda.
Le risposte che otterrai potrebbero sembrare strutturate e convincenti. Potrebbero includere nomi di fornitori, punti di forza, punti deboli e raccomandazioni. Potrebbero persino sembrare obiettive.
Ma cosa succede se le fonti alla base di tali risposte includono informazioni obsolete sui prodotti, funzionalità non indicate, classifiche di parte, posizionamenti imprecisi, affermazioni formulate dai fornitori stessi o contenuti di confronto che non sono mai stati sottoposti a una revisione indipendente?
Un analista in carne e ossa potrebbe individuare tali punti deboli. Un consulente in materia di approvvigionamenti potrebbe mettere in discussione le ipotesi. Un esperto in materia potrebbe sapere quali affermazioni non sono più accurate.
Ma un riassunto generato dall’intelligenza artificiale potrebbe semplicemente incorporare le informazioni solo perché compaiono in fonti che sembrano autorevoli.
Ora, questo non è un motivo per evitare del tutto l’IA nel processo di acquisto. È piuttosto un motivo per comprendere i punti di forza e i limiti dell’IA, in modo da sapere in quali ambiti l’IA debba ancora guadagnarsi la vostra fiducia.
Perché, sebbene sia vero che l’IA possa velocizzare la valutazione del software, tale velocità non migliora automaticamente la capacità di giudizio. E in alcuni casi — e forse più spesso di quanto pensiamo — può contribuire a diffondere ulteriormente informazioni deboli o errate.
Il problema del ciclo di feedback
C’è un altro rischio ancora più grave nascosto sotto la superficie.
L’IA è ormai in grado di generare contenuti persuasivi su larga scala. Tra questi figurano schede prodotto, pagine di confronto, recensioni, commenti di mercato e analisi dei fornitori. Una volta pubblicati, tali contenuti possono essere citati da altri siti, indicizzati dai motori di ricerca e utilizzati dai sistemi di IA. I consigli futuri potranno quindi basarsi sulle stesse informazioni.
Nel corso del tempo, la ripetizione può iniziare ad assomigliare a competenza.
La ricerca ha già dimostrato quanto ciò possa essere difficile nei contesti di consumo. Uno studio ha rilevato che gli esseri umani non erano in grado di distinguere in modo affidabile tra recensioni autentiche e recensioni false generate dall’IA, con un’accuratezza riportata del 53,2%. Un altro articolo ha rilevato che le recensioni false sui prodotti generate dai modelli di linguaggio di grandi dimensioni (LLM) erano difficili da distinguere dalle recensioni reali sia per gli esseri umani che per le macchine, con una precisione media complessiva del 50,8% da parte degli esseri umani.
L’equivalente nel settore B2B non è difficile da immaginare.
L’IA genera contenuti, i siti web li pubblicano, altri siti li citano, i modelli di linguaggio di grandi dimensioni (LLM) li elaborano e, successivamente, i futuri consigli generati dall’IA si basano sulle stesse informazioni. Il ciclo continua all’infinito e la visibilità e la ripetizione vengono gradualmente scambiate per competenza.
Un consiglio potrebbe essere ben scritto, coerente e persino utile. Ma se è stato generato dall’IA, ciò non significa che sia fondato sulle migliori prove disponibili a sostegno di decisioni concrete.
Il che significa che qui c’è un rischio potenzialmente più pericoloso della semplice disinformazione: la fiducia mal riposta.
Perché questo è importante proprio ora
Tuttavia, rischiosa o meno, l’IA sta diventando una componente abituale della ricerca e della valutazione nel settore B2B.
Un analista ha rilevato che le decisioni di acquisto vengono ormai prese o supportate dall’IA e che l’adozione dell’IA sta diventando un imperativo strategico in tutte le iniziative, compresi i processi decisionali e l’architettura aziendale. Forrester conferma questa tendenza, segnalando che la ricerca basata sull’IA è un fattore in rapida crescita del traffico di ricerca organico nel settore B2B e che gli acquirenti utilizzano l’IA generativa in tutte le fasi del processo di acquisto, tra cui la scoperta, la valutazione e la scelta delle soluzioni.
L’IA può essere un potente strumento di acquisto, ma la fiducia nelle sue risposte deve ancora essere conquistata.
Man mano che l’IA diventa una delle prime tappe del percorso di acquisto, gli acquirenti hanno bisogno di un modo migliore per valutare non solo ciò che l’IA raccomanda, ma anche se la raccomandazione sia sufficientemente fondata da poter essere considerata affidabile.
Cinque cose che ogni azienda dovrebbe fare prima di decidere come implementare l’IA su larga scala
Questo è importante per qualsiasi acquisto assistito dall’IA. Ma lo è ancora di più quando ciò che si sta acquistando costituisce il fondamento di un’azienda governata, accurata e autonoma.
Ecco la trappola. Gli acquirenti potrebbero utilizzare l’IA per ricercare, confrontare e selezionare proprio quelle soluzioni destinate a rendere la loro futura IA più affidabile. Ma, come abbiamo visto, l’IA può confondere la visibilità con la verità e il consenso con l’accuratezza. Pertanto, se un acquirente si affida eccessivamente a un sistema che può essere palesemente errato, potrebbe scegliere le fondamenta sbagliate per ogni iniziativa di IA che seguirà.
Il risultato è che la debolezza viene incorporata proprio nel livello da cui dipende tutto il resto. Ma per questi acquirenti, il pensiero critico non è un optional. È l’essenza stessa della questione.
Quindi, prima di lasciare che una rosa di candidati generata dall’IA determini la decisione, mettete in pratica questi cinque punti.
1. Esamina attentamente la rosa di candidati prima di fidarti
Una rosa di candidati generata dall’IA può sembrare autorevole, ed è proprio per questo che merita un’attenta analisi. Potrebbe riflettere quali fornitori siano più visibili nelle sue fonti, ma non necessariamente quelli più in grado di supportare un’IA controllata, accurata e su larga scala.
Poni la stessa domanda su ChatGPT, Claude, Perplexity e altri strumenti di IA. Osserva come cambiano le classifiche. Quindi chiedi a ciascuno di essi cosa ha tralasciato, quali ipotesi ha formulato e perché alcuni fornitori sono stati inclusi mentre altri no.
Le discrepanze tra le risposte spesso rivelano più di qualsiasi singola lista ristretta. Mettono in luce dove la visibilità, la ripetizione e la disponibilità delle fonti potrebbero influenzare la raccomandazione più dell’effettiva idoneità.
2. Chiedete cosa sta realmente misurando l’IA
Quando l’IA definisce una soluzione “la migliore”, la domanda ovvia da porsi è: “La migliore in cosa?”
Molti consigli generati dall’IA sono in realtà ottimizzati, in modo discreto, in base alla popolarità, alla presenza sul mercato, all’ampiezza delle funzionalità o alla quantità di contenuti disponibili online. Questi segnali possono essere utili, ma non indicano se una soluzione sia in grado di garantire che i dati aziendali rimangano accurati, governati, contestualizzati e utilizzabili su larga scala.
Portate alla luce i criteri utilizzati. La raccomandazione si basa sulla governance dei dati? Sull’affidabilità? Sulla capacità di fornire un contesto affidabile ai sistemi di IA? Sulla coerenza tra i diversi domini? Su risultati di implementazione comprovati? Oppure si limita semplicemente a classificare i fornitori in base alla frequenza con cui compaiono nelle fonti disponibili?
Se l’IA non è in grado di spiegare cosa sta misurando, la sua raccomandazione potrebbe non misurare ciò che conta davvero.
3. Richiedere prove che un “sosia” non è in grado di fornire
Ethos sembrava credibile perché presentava molti dei segnali che le persone associano alla legittimità. Le affermazioni dei fornitori possono funzionare allo stesso modo. Un linguaggio raffinato, un posizionamento generico e frasi ricorrenti come «governato», «accurato» o «pronto per l’IA» non sono sufficienti.
Chiedete prove che un prodotto simile non potrebbe facilmente falsificare.
Ciò significa referenze di clienti aziendali identificati, casi di studio con risultati misurabili, convalida da parte degli analisti, documentazione di prodotto verificabile ed esempi chiari di come la governance funzioni nella pratica. Per una piattaforma di IA, la prova della governance è particolarmente importante: tracciabilità dei dati, controlli di qualità, modelli di proprietà, processi di convalida e verificabilità.
Qualsiasi fornitore può descrivere la fiducia, ma solo la piattaforma giusta può dimostrare come essa venga creata, mantenuta e scalata in contesti aziendali reali.
4. Verificare se la soluzione comprenda il significato, non solo i dati
Un'IA accurata richiede più che semplici dati puliti. Ha bisogno di dati dotati di contesto, relazioni e significato aziendale.
Una soluzione che si limiti a trasferire record, campi e attributi da un sistema all’altro potrebbe comunque lasciare l’IA nell’incertezza. Potrebbe infatti trasmettere le stesse ambiguità, duplicazioni e incongruenze che rendono inaffidabili le decisioni automatizzate.
Cercate il livello che coglie il significato. La soluzione è in grado di riconoscere quando due record rappresentano lo stesso cliente? È in grado di collegare un prodotto alle normative, ai fornitori, ai mercati e ai canali che ne influenzano le modalità d’uso? È in grado di mostrare come termini, entità e relazioni si integrino tra loro all’interno dell’azienda?
Quella base semantica è fondamentale. È la differenza tra un’IA in grado di ragionare partendo da un contesto ben definito e un’IA che improvvisa sulla base di dati scollegati tra loro.
5. Valuta le fondamenta, non l’elenco delle funzionalità
Le funzionalità fanno bella figura nelle demo. Le basi garantiscono la scalabilità.
È facile lasciarsi abbagliare da una singola funzionalità di IA in un caso d’uso controllato. Ma la vera domanda è se i dati governati, accurati e ricchi di contesto possano essere considerati affidabili e riutilizzati nella prossima iniziativa di IA — e in quella successiva.
Chiedetevi se ogni nuovo caso d'uso erediterà automaticamente la stessa base di fiducia, oppure se i vostri team dovranno ricostruire da zero ogni volta la governance, il contesto e la convalida. Chiedetevi se la soluzione è in grado di supportare l’IA attraverso diversi ambiti, reparti, flussi di lavoro e future iniziative autonome, non solo il caso d'uso che avete davanti oggi.
Un elenco di funzionalità mostra ciò che una soluzione è in grado di fare ora, ma sono le fondamenta a determinare se la vostra IA rimarrà affidabile man mano che si espande.
Essere meglio informati non significa sempre essere meglio preparati
L’IA può fornire agli acquirenti una rosa di candidati in pochi secondi. Ciò che non sempre è in grado di dire loro è se le soluzioni presenti in quell’elenco siano in grado di garantire le basi regolamentate, accurate e ricche di contesto necessarie per un’IA affidabile su larga scala.
Questa distinzione è importante. Soprattutto quando la decisione di acquisto non riguarda solo un flusso di lavoro, ma la qualità di ogni sistema di IA che l’azienda svilupperà in futuro.
Fare la scelta giusta significa utilizzare l’IA per accelerare il processo di acquisto senza lasciare che sostituisca il processo di valutazione. Ogni raccomandazione deve comunque essere sottoposta a un test di stress: quali prove la sostengono, quali presupposti l’hanno determinata, quale contesto manca e se la base può rendere più affidabili le future decisioni dell’IA.
Man mano che l’IA fornisce raccomandazioni in modo più rapido e sicuro, il vero vantaggio deriva dal sapere quali risposte sono sufficientemente fondate da guidare la mossa successiva.
Perché in un’epoca di raccomandazioni immediate e sicure, il vero vantaggio spetta a chi sa quali risposte meritano di plasmare ciò che verrà dopo.
