From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web

Sintesi Tecnica: Dal Prompt all'Acquisto: Come le Raccomandazioni di Brand tramite IA Spostano i Consumatori sul Web Aperto

Problematica
Gli assistenti AI conversazionali (specificamente i modelli linguistici di grandi dimensioni basati su testo come ChatGPT, Claude e Gemini) sono diventati un punto di ingresso routinario per la ricerca di informazioni, eppure il loro ruolo nel percorso commerciale rimane invisibile ai comuni strumenti di web analytics. Quando un assistente raccomanda un brand, l'utente spesso lascia la chat per cercare quel brand o visitare il suo sito tramite canali organici. I modelli di attribuzione "last-click" attribuiscono queste azioni a valle alla ricerca organica o al traffico diretto, rendendo la "menzione" dell'assistente un'esposizione non registrata e non attribuita. Inoltre, gli approcci di misurazione esistenti spesso confondono le raccomandazioni genuine con riferimenti incidentali a brand con cui l'utente interagisce già (ad esempio, "il tuo download di Netflix"), portando a stime confuse dell'effettivo impatto incrementale dell'assistente.

Metodologia
Gli autori utilizzano un dataset di panel osservazionale che unisce i dati di clickstream di visualizzazione pagina (opt-in) con le conversazioni degli stessi utenti con ChatGPT, Claude e Gemini. Lo studio impiega un rigoroso framework di inferenza causale per isolare l'effetto delle menzioni di brand generate dall'IA:

• Unità di Analisi: Una riga (utente, risposta, brand) per un lessico curato di brand di consumo ad alta riconoscibilità.
• Variabili di Esito: Tre comportamenti a valle misurati su una finestra di 7 giorni post-risposta:
  1. Recall (Richiamo): Una query di ricerca su Google contenente il nome del brand.
  2. Discovery (Scoperta): Una visita al sito web proprietario del brand.
  3. Retail (Vendita al dettaglio): Una visita a una pagina prodotto di un rivenditore dove il brand è identificato nel percorso dell'URL (non solo nell'host).
• Strategia di Identificazione: Lo studio utilizza un design a placebo backward-matched, confrontando il comportamento post-risposta con il comportamento dello stesso utente nelle finestre di 14, 21 e 28 giorni precedenti.
• Controlli di De-confounding: Per separare il vero effetto di "acquisizione" dal rumore, gli autori applicano diversi filtri:
  • Condizionamento Non-Cliente: Restrizione dell'analisi agli utenti senza recente interazione osservata (ricerca, sito proprio o retail) con il brand nelle settimane precedenti.
  • Classificazione del Stance (Atteggiamento): Utilizzo di un piccolo modello linguistico per distinguere tra "raccomandazioni" e "menzioni incidentali" (menzioni neutre o cautelative).
  • Controlli Intra-Risposta: Confronto del brand nominato/raccomandato con brand della stessa categoria che la risposta NON ha nominato (brand non nominati della stessa categoria), i quali condividono lo stesso contesto di categoria e sessione ma non ricevono l'esposizione al brand.
  • Event Studies sui Pre-Trend: Verifica che il comportamento non aumenti prima della risposta (escludendo episodi di clienti esistenti).
• Misurazione Retail: Gli autori enfatizzano il matching "consapevole del percorso" (identificando il brand nel percorso dell'URL, ad esempio /Garmin-.../dp/) piuttosto che il solo matching dell'host, che hanno trovato essere un estimatore quasi nullo per le visite alle pagine prodotto.

Risultati Chiave
Lo studio isola un effetto pulito, simile all'acquisizione, dove le raccomandazioni dell'IA spostano gli utenti osservabilmente non impegnati verso la navigazione dei brand sul web aperto:

• Incremento (Lift): Per un utente senza recente interazione osservata, una raccomandazione di un brand porta a:
  • +4,3 punti percentuali (pp) di aumento nelle ricerche Google con lo stesso nome.
    te +2,4 pp di aumento nelle visite al sito proprietario del brand.
  • +1,0 pp di aumento nelle visite a pagine prodotto di rivenditori specifici del brand.
• Sensibilità allo Stance: L'effetto è dose-dipendente. Le menzioni incidentali (menzioni neutre) a non-clienti muovono il comportamento significativamente meno (+1,8/+1,1/+0,3 pp), suggerendo che l'intento della menzione è fondamentale.
• Specificità: Il lift è specifico per il brand nominato. Nella stessa risposta, i brand non nominati della stessa categoria mostrano un movimento trascurabile (+0,6/+0,3/+0,3 pp), escludendo che l'intento generale di categoria o i picchi di attività nell'intera sessione siano i driver primari.
• L'Errore del "Pooling": Il raggruppamento ingenuo (pooling) di tutte le menzioni (inclusi clienti esistenti e menzioni incidentali) produce un funnel fuorviante ma apparentemente più attraente (+2,08/+2,37/+0,52 pp). Gli event studies rivelano che, per questi gruppi raggruppati, l'attività del brand aumenta spesso prima della risposta, indicando che l'utente era già in un episodio di interazione attiva.
• Percorso di Navigazione: Il percorso a valle è principalmente mediato dalla ricerca. Gli utenti non cliccano tipicamente link all'interno della chat; leggono invece il nome del brand, lo cercano e poi navigano verso i siti proprietari o i rivenditori. La sequenza non è strettamente lineare; le visite ai siti proprietari o ai rivenditori avvengono spesso come destinazioni parallele seguendo una ricerca.
• Composizione del Pubblico: Sebbene ChatGPT mostri un lift grezzo superiore a Gemini, l'analisi intra-utente suggerisce che ciò sia dovuto alla composizione del pubblico (gli utenti di ChatGPT sono generalmente più attivi sul web) piuttosto che a una differenza causale nell'interfaccia dell'assistente.

Significatività e Rivendicazioni
Il paper sostiene di fornire la prima misurazione osservazionale di come l'IA conversazionale sposti i consumatori dal prompt all'azione adiacente all'acquisto sul web aperto. I suoi contributi principali sono:

1. Misurazione dell'Invisibile (Unlogged): Dimostra che gli assistenti creano esposizioni ai brand che i comuni log web non possono attribuire, creando di fatto un "punto cieco" nei modelli di attribuzione attuali, dove l'assistente agisce come un touchpoint a monte.
2. Decomposizione Metodologica: Offre un framework per separare i veri effetti di acquisizione dai fattori di confondimento come il comportamento dei clienti esistenti e le menzioni incidentali, utilizzando la classificazione dello stance e il condizionamento dei non-clienti.
3. Portata simile all'Acquisizione: L'effetto misurabile è concentrato tra gli utenti senza recenti interazioni osservate. Per i clienti esistenti, la menzione coincide con un episodio attivo ma non accelera chiaramente il comportamento oltre il trend esistente.
4. Implicazioni Pratiche: Gli autori sostengono che l'attribuzione last-click assegna erroneamente il credito alla ricerca organica e alle visite dirette. Pongono l'ipotesi che una visita retail "adiacente all'acquisto" (visualizzazione della pagina prodotto) sia il proxy osservabile per l'acquisto, in quanto i sistemi di misurazione devono tenere conto del ponte "prompt-to-search" per valutare accuratamente i percorsi mediati dall'IA.

Limitazioni
Gli autori notano esplicitamente che lo studio è osservazionale e non osserva transazioni; il "retail" è definito come una visita alla pagina prodotto, non come una vendita. Riconoscono che uno "shock di intenzione" specifico per il brand all'interno di una sessione (dove l'intento interno dell'utente guida sia il prompt che l'azione successiva) rimane non identificabile senza un design randomizzato. Inoltre, la definizione di "non-cliente" è comportamentale (nessuna recente interazione osservata) piuttosto che commerciale (non ha mai posseduto il prodotto), il che significa che l'effetto è un limite inferiore della reale acquisizione.