Negli ultimi mesi ho passato più tempo del solito a guardare cosa succede fuori dal perimetro Adobe Commerce. Il motivo è semplice: l’AI generativa è passata, nel giro di un anno, dall’essere una curiosità da paper accademico a un tema che chi vende online farebbe bene a mettere in agenda. Non perché sia pronta a risolvere i problemi di un merchant domani mattina, ma perché la traiettoria è chiara e la velocità con cui si muove non l’avevo vista in altre ondate tecnologiche.
Provo a mettere ordine su quello che osservo, con l’onestà di chi progetta piattaforme e-commerce da oltre dieci anni e ha imparato a diffidare dell’hype tanto quanto delle liquidazioni frettolose.
Cosa è cambiato davvero nel 2022
Il 2022 è l’anno in cui l’AI generativa è diventata qualcosa che chiunque può toccare con mano. Sul fronte delle immagini abbiamo avuto tre uscite ravvicinate che hanno spostato l’asticella: DALL·E 2 di OpenAI, la disponibilità aperta di Stable Diffusion e la crescita di Midjourney. Tre approcci diversi allo stesso problema — generare immagini da una descrizione testuale — con un salto di qualità che, sinceramente, non mi aspettavo così presto.
Sul fronte del linguaggio, il riferimento resta GPT-3: un large language model che scrive testo in modo fluente a partire da un prompt. Non è nuovo del tutto, ma la sua accessibilità via API e la qualità dell’output lo hanno reso un mattoncino su cui molti stanno già costruendo prodotti.
La mia lettura è che il 2022 sia il momento in cui l’AI generativa smette di essere un tema da laboratorio e diventa un tema da roadmap. Non è ancora affidabile, non è ancora economica su larga scala, ma è utilizzabile. E questo cambia il tipo di domande che mi pongo.
Chi sono gli attori che tengo d’occhio
Il campo è più affollato di quanto sembri leggendo i titoli. Provo a fare una mappa sintetica di chi seguo.
- OpenAI è oggi il nome più visibile: DALL·E 2 sulle immagini, GPT-3 sul linguaggio, una strategia chiara di rilascio via API.
- Stability AI, con Stable Diffusion, ha scelto la strada opposta: un modello open che chiunque può scaricare e far girare in casa. È una differenza filosofica non da poco, e per chi costruisce prodotti conta parecchio.
- Midjourney ha puntato sulla qualità estetica e su una community, dimostrando che anche un team piccolo può ritagliarsi uno spazio.
- Anthropic è il nome che seguo con più curiosità: un laboratorio nato nel 2021 focalizzato sulla AI safety, cioè sul rendere questi sistemi affidabili e controllabili. In un settore che corre, un attore che mette la sicurezza al centro mi sembra un contrappeso sano.
Il punto interessante non è chi ha il modello più grande, ma il fatto che convivano due filosofie: modelli chiusi via API e modelli open da self-hostare. Per un merchant questa non è teoria: determina costi, controllo sui dati e dipendenza dal fornitore.
Gli usi realistici che intravedo per l’e-commerce
Qui provo a essere concreto e a separare ciò che vedo plausibile a breve da ciò che è ancora fantascienza. Non ho ancora messo nessuna di queste cose in produzione su un progetto serio, e lo dico apposta: sto ragionando su dove potrebbe valere la pena guardare.
1. Descrizioni prodotto e testi di catalogo. Un merchant con decine di migliaia di SKU spende risorse enormi per scrivere e tradurre schede. Un LLM come GPT-3 può produrre bozze di descrizioni a partire dagli attributi strutturati del prodotto. Attenzione: bozze, non testi finali. Il rischio di errori fattuali su misure, materiali o compatibilità è reale, e in un catalogo un errore si moltiplica.
2. Immagini e visual di supporto. DALL·E 2 e Stable Diffusion aprono scenari per banner, sfondi, mockup di categoria. Non parlo di sostituire la fotografia di prodotto — quella deve restare reale — ma di tutto il contorno visivo che oggi costa tempo e budget.
3. Supporto alla ricerca e alla navigazione. Qui vedo il potenziale più grande sul medio periodo: capire il linguaggio naturale del cliente e tradurlo in una query di catalogo sensata. È un’area dove la search tradizionale mostra da anni i suoi limiti.
4. Contenuti per il marketing. Bozze di email, varianti per A/B testing, idee per le campagne. Utile come acceleratore, pericoloso se lasciato senza revisione umana.
Il filo conduttore è che oggi l’AI generativa è un ottimo generatore di bozze e un pessimo decisore finale. Funziona dove c’è un umano che valida, fallisce dove le si chiede di essere autonoma.
I rischi che non sottovaluto
Vengo dalla parte pragmatica del mestiere, quindi guardo prima ai problemi.
Qualità e affidabilità. Questi modelli producono output plausibile, non necessariamente corretto. Generano con sicurezza affermazioni sbagliate. Su un catalogo e-commerce questo è un problema serio: un dato prodotto errato è un reso, un reclamo, a volte un rischio legale.
Diritti e provenienza. I modelli di immagini sono addestrati su enormi quantità di materiale raccolto dal web, e il dibattito su copyright e licenze è appena iniziato. Prima di usare un’immagine generata in una campagna commerciale, voglio capire su che terreno giuridico sto camminando. Oggi quel terreno non è ancora chiaro.
Dati e privacy. Mandare dati di catalogo o, peggio, dati dei clienti a un’API esterna non è una scelta neutra. È esattamente qui che la distinzione tra modelli chiusi e modelli self-hosted diventa una decisione architetturale.
Hype. È il rischio più subdolo. Ogni volta che una tecnologia diventa virale, il rischio è investire per non restare indietro invece che per risolvere un problema reale. La mia regola resta la stessa da anni: parto dal problema del merchant, non dallo strumento di moda.
Cosa faccio, concretamente, adesso
Non sto ribaltando nessuna roadmap. Sto facendo tre cose: studio i modelli con qualche prototipo interno per capirne i limiti reali, tengo d’occhio come evolve il tema dei diritti, e mi chiedo su quali processi ad alto volume — schede prodotto, traduzioni, contenuti — un acceleratore con revisione umana avrebbe senso.
La mia sensazione, a metà novembre 2022, è che siamo all’inizio di qualcosa di rilevante ma ancora immaturo. Chi vende online non deve correre, ma nemmeno voltarsi dall’altra parte. La differenza la farà, come sempre, chi sa distinguere l’uso reale dal rumore.
Mini-FAQ
L’AI generativa è pronta per l’e-commerce nel 2022?
No, non per usi autonomi. È utilizzabile come acceleratore per generare bozze — descrizioni prodotto, immagini di contorno, testi marketing — sempre con revisione umana. Non è affidabile come decisore finale.
Qual è il rischio principale nell’usarla su un catalogo?
Gli errori fattuali. Questi modelli producono output plausibile ma non verificato, e su un catalogo un errore si moltiplica su migliaia di SKU, generando resi e reclami.
Meglio un modello chiuso via API o uno open da self-hostare?
Dipende dal controllo che serve su dati e costi. I modelli chiusi (come quelli di OpenAI) sono più semplici da integrare; quelli open (come Stable Diffusion) danno controllo su dati e infrastruttura. È una decisione architetturale, non solo tecnica.
Posso usare immagini generate dall’AI in una campagna commerciale?
Con cautela. Il quadro su copyright, licenze e provenienza dei dati di training è ancora aperto a fine 2022. Prima di un uso commerciale conviene valutare il rischio giuridico.
Chi sono. Sono Fabio Canovi e progetto e gestisco piattaforme e-commerce su Magento e Adobe Commerce da oltre dieci anni. Sono tra i primi in Italia ad aver ottenuto la certificazione Adobe Commerce. Su questo blog condivido la mia lettura di ciò che accade nell’ecosistema, dal punto di vista di chi vende online.