Un’intelligenza artificiale può costruire un piano media da 30.000 euro al mese e contribuire a raggiungere un obiettivo commerciale reale?
Per rispondere abbiamo affidato a Claude AI il brief di una catena retail del settore food con 80 punti vendita, un budget pubblicitario annuale di 360.000 euro e un obiettivo ambizioso: aumentare del 30% il numero di scontrini.
Non ci siamo fermati alla presentazione prodotta dall’AI. Abbiamo valutato il piano, corretto le parti meno realistiche e attivato le campagne. Nei primi mesi sono stati investiti oltre 75.000 euro tra Google Ads e Meta Ads, oltre a un test iniziale su TikTok. Nei negozi interessati dalle campagne è emerso un primo incremento del 17% degli scontrini rispetto al periodo di confronto.
In questo articolo vediamo come creare un piano media con Claude AI, quali proposte si sono rivelate valide, dove è stato necessario l’intervento di un media buyer e quali dati servono per trasformare un documento strategico in risultati misurabili.
Piano media con Claude AI: il brief di partenza
Il cliente reale è stato anonimizzato per tutelare informazioni commerciali e dati sensibili. Settore, dimensioni, obiettivi e valori riportati sono però rappresentativi del progetto.
| Elemento | Dato di partenza |
|---|---|
| Settore | Retail alimentare |
| Punti vendita | 80 negozi di proprietà |
| Distribuzione geografica | Lombardia, Veneto, Emilia-Romagna, Piemonte e Trentino-Alto Adige |
| Scontrini annuali | 2.400.000 |
| Scontrini medi mensili | 200.000 |
| Scontrino medio | 18 € |
| Obiettivo | +30% di scontrini |
| Incremento annuale richiesto | 720.000 scontrini aggiuntivi |
| Budget mensile | 30.000 € |
| Budget annuale | 360.000 € |
| Canali disponibili | Google Ads, Meta Ads e TikTok Ads |
La rete partiva già da una crescita degli scontrini vicina al 10%, ottenuta con un investimento di circa 20.000 euro al mese prevalentemente su Meta e TikTok. L’AI non doveva quindi inventare una strategia da zero, ma individuare come aumentare l’efficienza, introdurre nuovi canali e distribuire 10.000 euro mensili aggiuntivi.
La complessità principale derivava dall’assenza di un e-commerce. Il risultato finale non era una vendita online facilmente attribuibile, ma l’aumento degli acquisti in 80 negozi fisici.
Come abbiamo configurato Claude per il progetto
Il lavoro non è stato svolto in una chat generica. Abbiamo creato un Progetto Claude dedicato e caricato:
- il brief del cliente;
- i risultati delle attività precedenti;
- la distribuzione geografica dei negozi;
- il calendario delle promozioni mensili;
- gli obiettivi commerciali e i KPI;
- i canali pubblicitari disponibili;
- le istruzioni sul formato delle risposte.
Le istruzioni chiedevano all’AI di comportarsi come un media buyer, produrre risposte concise e operative, mostrare i passaggi dei calcoli complessi, evitare di inventare dati e utilizzare esempi pertinenti.
Secondo la documentazione ufficiale di Anthropic sui Progetti Claude, è possibile aggiungere una base di conoscenza con file e contenuti, oltre a istruzioni che vengono applicate alle conversazioni del progetto. Questo permette di fornire un contesto più stabile rispetto a un singolo prompt isolato.
Il prompt operativo chiedeva di costruire un piano marketing capace di produrre un aumento del 30% degli scontrini, includendo anche un’analisi dei concorrenti e tutte le strategie utili a generare visite e acquisti nei punti vendita.
Perché il prompt da solo non è sufficiente
La qualità della risposta dipende soprattutto dalla qualità degli input. Senza dati storici, distribuzione dei negozi, stagionalità, promozioni e obiettivi numerici, anche un modello avanzato può produrre un piano formalmente convincente ma poco applicabile.
Le indicazioni di Anthropic sul prompt engineering raccomandano di fornire istruzioni chiare, struttura ed esempi, oltre a richiedere la verifica delle fonti quando vengono utilizzate informazioni esterne.
Nel nostro test, la documentazione caricata è stata più importante della lunghezza del prompt.
La distribuzione del budget proposta dall’intelligenza artificiale
Claude ha suggerito questa ripartizione iniziale dei 30.000 euro mensili:
| Canale | Quota | Budget mensile indicativo | Ruolo nel piano |
|---|---|---|---|
| Google Ads | 35% | 10.500 € | Intercettare domanda consapevole e supportare la misurazione delle visite in negozio |
| Meta Ads | 45% | 13.500 € | Raggiungere pubblico freddo e promuovere prodotti e offerte locali |
| TikTok Ads | 20% | 6.000 € | Ampliare la copertura sui segmenti più giovani e utilizzare contenuti creator |
La distribuzione è stata considerata una buona base di partenza. In particolare, Google Ads non era presente nel mix precedente: quasi tutto l’incremento di budget è stato quindi destinato al nuovo canale.
Le percentuali non sono state trattate come regole definitive. Un piano media serve a formulare un’ipotesi iniziale; i dati raccolti nei mesi successivi devono determinare se spostare budget tra canali, aree e campagne.
Il calcolo che ha evidenziato la vera difficoltà dell’obiettivo
Il passaggio più utile del piano è stato trasformare il “+30% di scontrini” in un problema economico misurabile.
La rete doveva passare da 2.400.000 a 3.120.000 scontrini annui, generandone 720.000 in più. Con 360.000 euro di investimento annuale, il costo medio teorico per ogni scontrino incrementale doveva scendere verso:
360.000 € ÷ 720.000 scontrini aggiuntivi = 0,50 € per scontrino incrementale
I dati precedenti indicavano invece un costo superiore, vicino a 1,14 euro. L’incremento del budget, da solo, non poteva quindi raggiungere il risultato: bisognava aumentare sensibilmente l’efficienza.
L’AI ha individuato due leve:
- acquisire meglio, introducendo Google e ottimizzando il mix di canali;
- aumentare la frequenza di acquisto, facendo tornare più volte gli stessi clienti.
La seconda leva è particolarmente importante. Se una persona raggiunta dalla pubblicità compra più volte, il costo media non deve essere sostenuto nuovamente per ogni singolo scontrino.
Che cosa Claude ha fatto bene nel piano media?
1. Ha collegato il budget a un risultato aziendale
Il piano non si è limitato a impression, click o visualizzazioni. Ha tradotto l’obiettivo in scontrini incrementali e costo necessario per generarli.
È lo stesso principio alla base dei 7 KPI fondamentali del marketing: gli indicatori pubblicitari devono essere collegati a clienti, vendite e valore economico.
2. Ha introdotto Google Ads nel media mix
Google consentiva di intercettare persone che stavano già cercando prodotti, punti vendita o categorie pertinenti. Per una rete con molte sedi e volumi elevati offriva inoltre la possibilità di osservare le conversioni “visite in negozio”, quando l’account risultava idoneo.
Google specifica che le conversioni relative alle visite in negozio richiedono sedi in paesi idonei, asset di località attivi, punti vendita verificati e volumi sufficienti di interazioni e traffico fisico. I dati sono modellati e devono quindi essere letti insieme agli scontrini effettivi.
Per approfondire il collegamento tra pubblicità online e visite fisiche puoi leggere anche la nostra guida sul proximity marketing per portare clienti in negozio.
3. Ha distribuito il budget in base alla stagionalità
Claude ha incrociato i dati mensili con il calendario promozionale. La rete presentava un minimo stagionale a febbraio e una crescita progressiva fino ai picchi di fine anno.
La distribuzione proposta non era quindi uniforme: teneva conto delle promozioni, della domanda e della possibilità di acquisire contatti nei primi mesi per riattivarli successivamente via email.
4. Ha suggerito l’utilizzo di creator su TikTok
Per produrre contenuti più credibili e adatti alla piattaforma, il piano consigliava di coinvolgere creator con un pubblico coerente. Il suggerimento è stato applicato: un influencer ha realizzato video utilizzati anche nelle campagne, contribuendo alle attività di acquisizione dei coupon.
5. Ha presentato ipotesi verificabili
Canali, percentuali e costi attesi potevano essere trasformati in test. Questo è uno dei vantaggi più concreti dell’AI nella pianificazione: velocizzare analisi e produzione di scenari, lasciando al team il compito di verificarli sul mercato.
Dove il piano di Claude doveva essere corretto?
1. Il percorso basato sul coupon era troppo rigido
Gran parte della strategia presumeva una sequenza lineare:
- l’utente vede la pubblicità;
- scarica un coupon;
- visita il negozio;
- effettua l’acquisto;
- riceve un secondo coupon per tornare.
Il coupon è utile perché crea un segnale misurabile, ma non rappresenta tutto il comportamento generato dalla pubblicità. Un prodotto alimentare semplice può essere ricordato e acquistato in negozio senza alcun download intermedio.
Obbligare ogni utente a passare dal coupon avrebbe introdotto attrito e sottostimato l’effetto reale delle campagne.
2. Il secondo coupon non era supportato da dati sufficienti
Claude proponeva automaticamente un nuovo coupon valido per 14 giorni dopo il primo acquisto. L’idea di stimolare la ricorrenza era corretta, ma durata, incentivo e sostenibilità non erano dimostrati.
Prima di adottare una meccanica del genere bisogna analizzare frequenza naturale di riacquisto, margini, categorie acquistate, tasso di utilizzo e rischio di concedere sconti a persone che sarebbero tornate comunque.
3. L’attribuzione appariva più completa di quanto fosse realmente
Tra mancata accettazione dei cookie, più dispositivi, visite offline e acquisti non accompagnati dal coupon, non è possibile ricostruire perfettamente il percorso di ogni cliente.
In un progetto retail bisogna lavorare con più livelli di evidenza:
- coupon scaricati e riscattati;
- visite in negozio modellate da Google;
- scontrini per sede e periodo;
- test geografici o temporali;
- andamento rispetto all’anno precedente;
- correlazioni tra pressione pubblicitaria e vendite.
La misurazione non deve fingere una precisione che i dati non permettono.
4. Il piano non poteva prevedere tutte le dinamiche operative
Disponibilità dei prodotti, qualità delle creatività, promozioni locali, concorrenza, meteo, differenze tra negozi e capacità di ottimizzazione cambiano i risultati. Sono elementi che emergono soltanto durante l’esecuzione.
Nel complesso, la valutazione del documento è stata positiva: circa l’85% delle indicazioni era utile o applicabile, mentre la parte restante richiedeva correzioni, test o dati aggiuntivi.
I risultati dopo oltre 75.000 euro investiti
Il piano, inizialmente pensato per il 2027, è stato testato in anticipo nei mesi strategici di fine 2026.
Dal 1° agosto all’8 ottobre sono stati investiti:
- circa 25.000 euro su Google Ads;
- 51.594 euro su Meta Ads;
- un budget iniziale più contenuto su TikTok Ads.
L’investimento osservato su Google e Meta supera quindi 75.000 euro.
Nel confronto tra il 2025 e il 2026, la curva degli scontrini ha iniziato a divergere dopo l’introduzione di Google e l’aumento degli investimenti. Nei punti vendita raggiunti dalle campagne, il primo test ha registrato una crescita vicina al 17% degli scontrini.
Il dato è promettente, ma va interpretato con cautela:
- l’obiettivo finale è +30%, quindi il percorso non è concluso;
- tra esposizione pubblicitaria e visita in negozio può trascorrere del tempo;
- un confronto annuale può essere influenzato da promozioni, calendario, assortimento e altri fattori;
- una correlazione temporale non dimostra da sola che tutto l’incremento sia causato dalle campagne.
Per questo il risultato deve essere consolidato attraverso test, segmentazione geografica e osservazione nel tempo.
Claude può sostituire un media buyer?
Il test mostra che Claude può svolgere molto bene alcune attività:
- analizzare rapidamente un brief articolato;
- elaborare scenari di budget;
- eseguire calcoli e rendere visibili le ipotesi;
- confrontare canali e strategie;
- individuare incoerenze tra obiettivi e risorse;
- produrre una prima versione strutturata del piano;
- raccogliere fonti e stimolare nuove domande.
Non può però assumersi la responsabilità economica del progetto, accedere automaticamente a tutte le informazioni mancanti o verificare sul campo che le ipotesi siano corrette.
Il ruolo umano rimane decisivo per:
- valutare qualità e completezza dei dati;
- riconoscere strategie formalmente corrette ma poco realistiche;
- configurare campagne, tracking e processi;
- gestire privacy, consenso e limiti dell’attribuzione;
- decidere quando aumentare o ridurre il budget;
- interpretare segnali deboli e fattori esterni;
- rispondere dei risultati davanti al cliente.
Il valore non deriva quindi dall’AI che “gestisce” autonomamente 30.000 euro, ma dalla combinazione tra capacità di analisi del modello e competenza di chi trasforma il piano in attività operative.
Come utilizzare l’AI per costruire un piano media
1. Parti da un brief numerico
Descrivi business, offerta, pubblico, aree geografiche, storico, canali, budget, stagionalità, margini e risultato finale. Evita obiettivi generici come “aumentare la visibilità”.
2. Definisci il KPI aziendale
Stabilisci se il risultato è una vendita, uno scontrino incrementale, una visita, un contratto o un margine. Il KPI deve essere misurabile e collegato al budget.
3. Crea un progetto con istruzioni e documenti
Centralizza i materiali e specifica come l’AI deve rispondere. Chiedi di indicare ipotesi, passaggi dei calcoli, dati mancanti e fonti.
4. Richiedi più scenari
Un unico piano nasconde l’incertezza. Fai elaborare uno scenario prudente, uno obiettivo e uno aggressivo, chiarendo costi, volumi e condizioni necessarie.
5. Controlla la fattibilità
Verifica che strumenti, tracciamenti, creatività, team e processi possano sostenere quanto proposto. Una strategia non applicabile non diventa valida perché è ben presentata.
6. Attiva un test controllato
Prima di estendere il piano su tutta la rete, prova campagne, territori e messaggi in un perimetro definito. Stabilisci in anticipo durata, budget e criterio di successo.
7. Confronta dati pubblicitari e risultati reali
Non fermarti ai KPI di piattaforma. Collega campagne, visite, coupon, scontrini e vendite. La checklist dei 10 controlli sulle campagne online aiuta a verificare accessi, spesa, obiettivi, conversioni e attività di ottimizzazione.
8. Aggiorna continuamente il piano
Le quote di budget iniziali sono ipotesi. I risultati devono alimentare un ciclo continuo di analisi, test, riallocazione e controllo.
AI per il media buying: i rischi da evitare
- Caricare dati incompleti: l’AI può produrre una risposta precisa partendo da assunzioni sbagliate.
- Confondere autorevolezza e correttezza: un documento ben scritto può contenere strategie non verificate.
- Nascondere le ipotesi: ogni calcolo deve indicare da quali numeri deriva.
- Usare benchmark generici: i dati del cliente hanno più valore delle medie di mercato quando sono affidabili.
- Automatizzare direttamente budget elevati: modifiche e pubblicazioni richiedono controlli e responsabilità chiare.
- Valutare soltanto click e coupon: bisogna arrivare fino a visite, scontrini, vendite e margine.
- Ignorare la privacy: documenti e dati caricati devono essere trattati secondo policy aziendali, contratti e normativa applicabile.
- Non registrare le decisioni: è necessario distinguere proposte dell’AI, correzioni umane e risultati effettivi.
Se vuoi approfondire l’evoluzione degli strumenti pubblicitari basati sull’intelligenza artificiale, puoi leggere anche l’articolo dedicato a ChatGPT Ads in Italia.
Domande frequenti sul piano media con Claude AI
Claude può decidere come distribuire un budget pubblicitario?
Può analizzare dati, proporre percentuali e motivare una distribuzione. Le decisioni devono però essere validate da una persona responsabile, soprattutto quando il budget è elevato o i dati sono incompleti.
Quali documenti bisogna fornire all’AI?
Servono almeno brief aziendale, obiettivi, storico delle campagne, vendite, stagionalità, promozioni, pubblico, aree geografiche, margini, canali disponibili e vincoli operativi.
Claude può accedere direttamente agli account pubblicitari?
Non attraverso un semplice documento o una chat. L’accesso operativo richiede strumenti e integrazioni specifiche, autorizzazioni limitate e controlli. Per la pianificazione descritta in questo caso sono stati caricati dati e documenti, mentre configurazione e gestione delle campagne sono rimaste al team.
Come si misura l’effetto delle campagne sui negozi fisici?
Si possono combinare visite in negozio modellate da Google, coupon, dati degli scontrini, test geografici e confronti temporali. Nessuna singola metrica ricostruisce perfettamente il percorso di tutti i clienti.
Quanto è stato preciso il piano prodotto da Claude?
Nel test, circa l’85% delle indicazioni è stato giudicato corretto o utile. Le criticità principali riguardavano un’eccessiva dipendenza dai coupon e alcune ipotesi sulla ricorrenza non supportate da dati sufficienti.
Quali risultati ha ottenuto il test?
Dopo oltre 75.000 euro investiti su Google e Meta, oltre a un’attività iniziale su TikTok, i negozi coinvolti hanno mostrato una crescita degli scontrini vicina al 17%. È un primo risultato positivo, ancora da consolidare rispetto all’obiettivo finale del 30%.
Conclusioni
Claude ha prodotto un piano media solido: ha collegato budget e obiettivi, introdotto Google Ads, distribuito gli investimenti secondo la stagionalità e suggerito strategie applicabili.
Non tutto era corretto. Il funnel basato sui coupon era troppo rigido e alcune proposte di riacquisto non disponevano di evidenze sufficienti. È stato quindi necessario un professionista capace di distinguere una buona intuizione da una soluzione realmente sostenibile.
La conclusione non è che l’AI possa sostituire un media buyer. È che un media buyer può utilizzarla per analizzare più velocemente, esplorare scenari e rendere esplicite le ipotesi, dedicando più tempo a validazione, misurazione e ottimizzazione.
I risultati vanno poi dimostrati con dati reali, come nei casi studio documentati di UpManage.
Se investi budget rilevanti e vuoi verificare strategia, tracking e aree di inefficienza dei tuoi account, puoi richiedere un audit gratuito con il team UpManage.
Articolo aggiornato a ottobre 2026.
