Nel corso degli anni, progettando e gestendo store su Adobe Commerce, ho imparato a diffidare della parola “AI” quando compare nelle slide di un vendor. Non perché sia una promessa vuota, ma perché copre cose molto diverse tra loro: dal machine learning serio all’automazione con una regola vestita da algoritmo. Adobe Sensei — il framework di AI e machine learning che oggi alimenta buona parte delle funzioni “intelligenti” di Adobe Commerce — non fa eccezione. Vale allora la pena, a fine 2021, fare un bilancio onesto: cosa fa davvero Sensei nell’e-commerce, quanto di quel valore è AI e quanto è buona vecchia automazione, e dove invece siamo ancora nel territorio del marketing.
Parto da una premessa che uso sempre con i merchant. Sensei non è un cervello che “capisce” il tuo catalogo. È un insieme di modelli statistici e di machine learning applicato, addestrati su comportamenti (click, viste, acquisti) e su attributi di prodotto. Fa una cosa che gli esseri umani fanno male alla scala di un catalogo con decine di migliaia di SKU: trovare pattern e ottimizzare in continuo. Nulla di magico. Ma se lo inquadri per quello che è, inizia a fare la differenza sui numeri che contano.
Product Recommendations: qui l’impatto l’ho visto sul serio
Adobe Commerce integra Product Recommendations come servizio basato su Sensei: analizza il comportamento degli utenti sullo store e serve raccomandazioni con logiche diverse — “recommended for you”, “customers who viewed”, “bought together”, “trending”, “more like this”. La parte interessante è che non devi configurare a mano le associazioni: il modello le costruisce dai dati di traffico.
Su un merchant fashion di fascia media, dopo aver messo blocchi di “bought together” nel carrello e “more like this” nella scheda prodotto, l’AOV è cresciuto in modo misurabile nell’arco di qualche settimana, una volta che il modello aveva accumulato dati sufficienti. Non parlo di numeri da keynote: un incremento a doppia cifra bassa sul valore medio degli ordini che coinvolgevano quei blocchi. Piccolo in percentuale, tutt’altro che piccolo in valore assoluto su quei volumi.
La mia posizione: qui l’AI c’è, ed è utile. Perché il problema che risolve — capire, prodotto per prodotto e utente per utente, cosa ha senso mostrare — è genuinamente troppo grande per essere gestito con regole scritte a mano. Con un dettaglio che nessuno mette nelle slide: senza traffico, non funziona. Sui cataloghi a coda lunga o sugli store piccoli, il modello ha pochi segnali e le raccomandazioni diventano banali o vuote. Sensei è bravo quando ha da mangiare. Se il tuo store fa poche migliaia di sessioni al mese, aspettati risultati molto più tiepidi di quelli promessi.
Live Search: relevance vera, ma con dei “se”
Live Search, il servizio di ricerca on-site sempre alimentato da Sensei, è a mio avviso l’aggiunta più concreta del catalogo Adobe di quest’anno. Sostituisce la ricerca nativa di Adobe Commerce — che storicamente è stata un punto dolente — con un motore SaaS che gestisce relevance, ranking, sinonimi, faceting e AI-powered re-ranking basato sul comportamento.
Dove l’ho visto pagare: store con cataloghi grandi e utenti che arrivano con intenzione d’acquisto già definita. Chi cerca sa cosa vuole, e se la search glielo mette davanti in fretta, converte meglio. Su un progetto con un catalogo ampio e stagionale, spostando la ricerca su Live Search abbiamo ridotto in modo netto i risultati “zero-results” e migliorato il tasso di conversione degli utenti che usano la barra di ricerca — che, va ricordato, sono tra i più preziosi che hai.
Il “se”: Live Search è un servizio esterno, e questo introduce dipendenze e limiti di personalizzazione. Non è la stessa libertà di un Elasticsearch che governi tu. Per molti merchant è un ottimo trade-off — meno controllo in cambio di meno manutenzione e migliore relevance out-of-the-box. Per altri, con esigenze di ranking molto specifiche, può stare stretto. Non è una scelta neutra, e chi la vende come “attivi e vai” semplifica troppo.
Merchandising: qui l'”AI” spesso è automazione
Il merchandising basato su regole (categorie con ordinamenti automatici, pinning, ranking per attributi come margine o disponibilità) viene raccontato spesso sotto l’ombrello “AI-powered”. Sono onesto: gran parte di questo è automazione, non intelligenza artificiale. E va benissimo così. Ordinare una categoria per stock e margine, spingere in alto i best-seller, nascondere i prodotti out-of-stock: sono regole deterministiche, preziose, ma non hanno bisogno di un modello per funzionare. La parte davvero “Sensei” entra quando il ranking usa segnali comportamentali per riordinare in funzione di ciò che converte. Utile — ma è una fetta, non tutta la torta.
Il mio invito ai merchant è sempre lo stesso: quando un vendor dice “AI”, chiedete quale problema il modello risolve e con quali dati. Se la risposta è “ordina i prodotti per una regola che decidi tu”, quella è automazione. Chiamarla AI non la rende migliore né peggiore: la rende solo meno onesta.
Quanto è AI e quanto è marketing: il mio bilancio
A fine 2021 la mia lettura è questa. Sensei crea valore reale e misurabile dove il problema è di scala e di personalizzazione basata sui dati: Product Recommendations e il re-ranking di Live Search sono i due casi in cui ho visto muoversi conversione e AOV, non di poco. È automazione ben fatta, non AI, nella maggior parte del merchandising basato su regole — e non è un difetto, è solo un’etichetta gonfiata. Ed è ancora più marketing che sostanza quando viene promesso come intelligenza “chiavi in mano” a store senza il volume di dati per addestrare i modelli.
La cosa che mi porto a casa da questi progetti è controintuitiva rispetto al racconto dei vendor: il valore di Sensei non dipende tanto da quanto è avanzato il modello, quanto da quanti dati puliti gli dai e da quanto bene disegni i touchpoint in cui le sue uscite incontrano l’utente. Un modello mediocre con ottimi dati e buon posizionamento batte un modello eccellente affamato di segnali. Per questo diffido di chi vende l’AI come una feature da attivare: nel commerce è un processo, non un interruttore.
Se dovessi dare un consiglio secco a un merchant mid-market: partite da Product Recommendations e Live Search, misurate con onestà (con un vero test, non guardando il grafico e sperando), e trattate tutto il resto etichettato “AI” come automazione finché non vi dimostrano il contrario. Sensei mantiene le promesse dove ha senso che le mantenga. Il resto, spesso, è la slide.
Domande frequenti
Che cos’è Adobe Sensei?
Adobe Sensei è il framework di intelligenza artificiale e machine learning di Adobe che alimenta funzioni “intelligenti” nei suoi prodotti. In Adobe Commerce alimenta servizi come Product Recommendations e Live Search. È machine learning applicato a dati comportamentali e di prodotto, non un sistema che “comprende” il catalogo.
Adobe Sensei aumenta davvero le conversioni?
Nella mia esperienza sì, ma soprattutto attraverso Product Recommendations (impatto sull’AOV) e Live Search (impatto sulla conversione degli utenti che cercano). L’effetto è reale e misurabile quando lo store ha traffico sufficiente ad addestrare i modelli; su store a basso volume i risultati sono molto più modesti.
Product Recommendations e Live Search funzionano su store piccoli?
Meno bene. Entrambi dipendono dalla quantità e qualità dei dati comportamentali. Con poche migliaia di sessioni al mese i modelli hanno pochi segnali e le raccomandazioni tendono a diventare generiche.
Il merchandising di Adobe Commerce è vera AI?
In gran parte è automazione basata su regole (ordinamento per stock, margine, best-seller), non AI. La componente Sensei entra quando il ranking usa segnali comportamentali per riordinare in funzione di ciò che converte.
Chi sono. Mi occupo di Magento e Adobe Commerce dal 2011. Sono tra i primi in Italia ad aver ottenuto la certificazione Adobe Commerce e ho progettato e gestito store di merchant di fascia media in tutta la loro evoluzione, dalla piattaforma monolitica ai servizi cloud. Su questo blog racconto, senza slide e senza vendere nulla, cosa funziona davvero.