AI nel marketing: budget, ROI e rischio di AI slop

Investimenti AI e realtà dei risultati

L’Intelligenza Artificiale ha superato la fase in cui bastava avviare un progetto pilota per dimostrare di essere innovativi. Nel 2026 il problema per i CMO è diventato molto più concreto: quanti valore sta generando tutto ciò che l’azienda ha comprato, integrato e sperimentato negli ultimi anni?

Secondo il Gartner 2026 CMO Spend Survey, i responsabili marketing destinano in media il 15,3 % del proprio budget alle iniziative di AI. Il 70 % considera fondamentale diventare un leader nell’adozione dell’Intelligenza Artificiale. Tuttavia, soltanto il 30 % dichiara capacità di AI readiness mature o pienamente sviluppate, mentre sette organizzazioni su dieci ammettono che i propri processi interni non sono ancora abbastanza maturi per implementare e scalare efficacemente l’AI.

Il rovescio della medaglia è evidente: un CMO su tre sta ottenendo dall’AI i ritorni attesi. Il rischio è quello di misurare soprattutto velocità e ore risparmiate, senza riuscire a collegare l’automazione a crescita, margini, Customer Experience o altri risultati di business.

Budget stabile, pressione sulla performance

Nel 2026 i budget marketing complessivi rappresentano in media il 7,8 % dei ricavi aziendali, praticamente invariati rispetto al 7,7 % del 2025. Più della metà dei CMO ritiene di non avere abbastanza budget o risorse per realizzare la propria strategia. L’AI sta quindi conquistando una quota crescente di una torta che rimane sostanzialmente stabile: ogni euro destinato a una piattaforma, un modello o un progetto di automazione deve essere sottratto, direttamente o indirettamente, ad altre attività.

Gartner richiama esplicitamente data foundation, processi, governance e competenze come elementi necessari per scalare l’AI. La principale barriera alla generazione di efficienza, secondo un’altra rilevazione del 2026, è la mancanza di expertise e talento interno, indicata dal 38 % dei CMO.

L’AI Readiness Gap: una metrica di controllo

Per leggere la situazione in modo più concreto, si può introdurre una metrica concettuale utile per i CMO: l’AI Readiness Gap, cioè la distanza tra quanto un’organizzazione investe in AI e quanto è realmente pronta a trasformare quell’investimento in valore.

Non è un indicatore contabile standard, ma un modo semplice per mettere in relazione due variabili che spesso vengono gestite separatamente:

• AI Readiness Gap = intensità dell’investimento AI − capacità organizzativa di generare valore dall’AI

La capacità organizzativa può essere letta attraverso quattro dimensioni:

• Qualità dei dati
• Maturità dei processi
• Competenze interne
• Capacità di misurare i risultati

Quando l’investimento cresce rapidamente e queste quattro dimensioni restano indietro, il rischio aumenta. L’azienda può ritrovarsi con molte licenze, molti pilot e molti output, ma pochi casi d’uso realmente scalabili.

Quadri di rischio e opportunità

Le combinazioni di investimento e readiness generano quattro scenari:

• Alto investimento + bassa readiness: elevato rischio di spreco.
• Alto investimento + alta readiness: condizioni favorevoli per scalare.
• Basso investimento + alta readiness: potenziale ancora non sfruttato.
• Basso investimento + bassa readiness: prima vengono le fondamenta.

Questa lettura aiuta a interpretare il dato Gartner: le organizzazioni più mature non spendono meno, anzi destinano circa il 21,3 % del budget marketing alle iniziative AI, contro il 15,3 % medio. La differenza è che dispongono di una struttura più pronta a trasformare la spesa in risultati.

AI generativa nel content marketing e il fenomeno dell’AI slop

Nel marketing uno dei punti di ingresso più immediati dell’AI generativa è stato il content marketing. Testi, post social, descrizioni prodotto, newsletter, immagini, traduzioni e varianti pubblicitarie possono essere realizzati in una frazione del tempo necessario in passato.

In uno studio su 900 mila nuove pagine web in lingua inglese individuate nell’aprile 2025, Ahrefs ha rilevato che il 74,2 % conteneva almeno una componente generata dall’AI. Solo il 2,5 % veniva classificato come completamente generato artificialmente; la quota principale combinava invece contributi umani e AI.

Il dato non dimostra che tre quarti del web siano diventati contenuti di bassa qualità, ma mostra quanto rapidamente gli strumenti generativi siano entrati nei normali processi editoriali.

AI slop: definizione e impatti

Il problema compare quando la riduzione del costo marginale di produzione viene trasformata in un incentivo a moltiplicare la quantità. Più output, però, non equivale automaticamente a più attenzione, autorevolezza o domanda. È qui che nel 2026 si è affermato il termine “AI slop”. LinkedIn utilizza esplicitamente l’espressione per indicare contenuti probabilmente generati con l’AI, realizzati con poco sforzo e caratterizzati da scarsa sostanza, genericità, ripetitività o mancanza di un punto di vista riconoscibile.

LinkedIn dichiara di accogliere l’uso dell’AI quando aiuta a esprimere esperienza e competenza, mentre tende a distribuire meno i contenuti generici, riciclati o progettati principalmente per catturare attenzione. Nel settembre 2026 la piattaforma ha quantificato gli effetti delle proprie contromisure: gli interventi introdotti avevano già ridotto del 40 % le visualizzazioni dei contenuti classificati come AI slop. Più di un milione di membri aveva inoltre utilizzato, nelle prime settimane, il nuovo feedback “Seems like AI slop”.

Strategie per trasformare la produttività in valore reale

Per i marketer, la lezione è chiara: l’economia della produzione sta cambiando, ma anche i sistemi di distribuzione stanno reagendo. Se tutti possono produrre dieci volte più contenuti allo stesso costo, la scarsità si sposta altrove: competenza, originalità, dati proprietari, punti di vista riconoscibili e fiducia.

Un team che prima realizzava dieci contenuti mediocri al mese può improvvisamente produrne cinquanta. Il costo unitario scende e la produttività, vista dalla dashboard interna, esplode. Tuttavia, il cliente potrebbe non percepire alcun miglioramento, anzi potrebbe percepire una diminuzione della qualità.

Le organizzazioni devono quindi:

• Allineare gli investimenti AI alla maturità dei processi, garantendo dati puliti, taxonomie coerenti e CRM consolidati.
• Definire metriche di valore che vadano oltre il tempo risparmiato, includendo crescita di fatturato, margini, tassi di conversione e soddisfazione del cliente.
• Rivedere i flussi editoriali prima di introdurre strumenti generativi, inserendo checkpoint di revisione umana per assicurare originalità e coerenza.
• Formare talenti interni o attrarre competenze specializzate, riducendo la lacuna di expertise indicata dal 38 % dei CMO.

Solo così l’AI potrà passare dall’essere un “costo di sperimentazione” a una fonte di vantaggio competitivo sostenibile.

Conclusioni

La nuova sfida per i CMO non è più adottare più AI, ma capire dove l’AI crea davvero valore. Misurare il AI Readiness Gap, investire nella maturità dei dati e dei processi, e combattere l’AI slop con criteri di qualità sono passi imprescindibili per trasformare gli investimenti in risultati concreti. In un contesto di budget stabili, la capacità di trasformare ogni euro speso in AI in crescita reale sarà il vero discriminante tra leader di mercato e organizzazioni che rimangono intrappolate in progetti pilota senza impatto.