L’intelligenza artificiale è ormai considerata una componente essenziale della relazione con i clienti, ma per gran parte delle aziende resta difficile trasformarla in attività concrete. Il 2026 Global Engagement Index di Emarsys mostra infatti che il 78% delle imprese ritiene l’AI indispensabile per il customer engagement, mentre il 77% dichiara di non riuscire a renderla operativa in modo efficace. Tra ambizione e applicazione quotidiana rimane quindi una distanza quasi intatta.
La ricerca della società del gruppo SAP si basa sulle risposte di 10.000 consumatori e 4.800 decisori aziendali distribuiti in sei Paesi. Il quadro che emerge non segnala una mancanza di interesse verso la tecnologia, ma una fragilità nelle fondamenta informative necessarie per utilizzarla. Molte organizzazioni dispongono di dati e strumenti avanzati, senza però riuscire a collegarli abbastanza rapidamente ai processi che determinano l’esperienza effettiva del cliente.
Il primo ostacolo è l’accessibilità delle informazioni. Il 54% delle imprese non riesce ad accedere e utilizzare dati in tempo reale, mentre il 60% possiede “dark data”, cioè informazioni raccolte ma mai attivate. A questo si aggiunge un ulteriore problema qualitativo: per il 55% delle aziende, i dati disponibili sono troppo poco strutturati per essere impiegati efficacemente. L’AI può quindi trovarsi a lavorare su una rappresentazione incompleta, frammentata o già superata del cliente.
La criticità riguarda soprattutto il collegamento tra le piattaforme di marketing basato sull’AI e i dati operativi dell’impresa. Livelli delle scorte, stato degli ordini, tempi di evasione e attività del servizio clienti sono informazioni decisive per stabilire quale messaggio inviare e in quale momento. Se questi elementi restano separati dai dati su navigazione, acquisti e interazioni con le campagne, il sistema può comprendere le preferenze di una persona senza sapere che cosa l’azienda sia realmente in grado di offrirle.
Le conseguenze diventano immediatamente visibili nell’esperienza dell’utente. Un cliente può ricevere una promozione relativa a un prodotto già acquistato, una raccomandazione per un articolo non disponibile oppure un’offerta in contrasto con una transazione recente. In questi casi la personalizzazione perde precisione e il messaggio automatizzato rischia di apparire incoerente. Per retailer e marchi, il dato operativo rappresenta dunque il livello necessario per estendere l’AI oltre la semplice ottimizzazione delle campagne.
Il customer engagement alimentato dall’intelligenza artificiale può combinare machine learning, AI predittiva, AI generativa e agenti AI. Queste tecnologie permettono di riconoscere schemi di comportamento e scegliere interazioni pertinenti lungo il ciclo di vita del cliente. La differenza rispetto alla marketing automation convenzionale risiede nella capacità di interpretare i segnali e modificare le decisioni quando cambia il comportamento, invece di limitarsi a seguire regole e attivatori stabiliti in anticipo.
Questa capacità resta però vincolata alla qualità e alla completezza delle informazioni disponibili. Collegare i dati comportamentali con inventario, commercio, logistica e assistenza consente di bilanciare ciò che il cliente probabilmente desidera con ciò che il retailer può davvero consegnare. Con l’espansione dell’AI nelle customer journey e nell’automazione del marketing, la sfida si sposta così dall’adozione degli algoritmi alla costruzione di connessioni affidabili tra i dati. Senza questa base, anche i sistemi più sofisticati restano strumenti di promessa più che motori operativi.