Gli agenti AI nella pubblicità – a cura di Anthony Katsur, CEO IAB Tech Lab
Il settore pubblicitario si trova a un punto di svolta. I large language models, le architetture transformer e le innovazioni nel campo dell’elaborazione GPU stanno cambiando radicalmente il modo in cui mettiamo in contatto gli inserzionisti con il pubblico attraverso agenti autonomi o semi-autonomi che facilitano la scoperta, la pianificazione, l’acquisto e altre funzioni relative ai media.
Ho discusso di questa evoluzione nel mio discorso di apertura a IAB Tech Lab Summit lo scorso giugno e da allora ho continuato a rifletterci. È entusiasmante. Ma in mezzo all’entusiasmo, rischiamo di perdere di vista ciò che conta di più: gli elementi costitutivi che questo ecosistema è chiamato a servire.
Prima di potenziare la nostra infrastruttura per un futuro basato sull’intelligenza artificiale, dobbiamo porci le domande giuste. Non “come possiamo rendere la pubblicità più automatizzata?”, ma piuttosto: “Di cosa hanno realmente bisogno le persone in questo ecosistema e come può l’intelligenza artificiale aiutarci a fornirlo in modo migliore?”.
Da New York alla California, da Londra a Berlino, da Sydney a Tokyo, ho trascorso gran parte degli ultimi quattro mesi ponendo questa domanda ai principali stakeholder del nostro settore.
I quattro stakeholder, le quattro verità
Ogni innovazione nel campo dell’ad tech dovrebbe essere valutata in base alla sua capacità di soddisfare quattro esigenze fondamentali:
- Gli inserzionisti vogliono far crescere la loro attività. Vogliono acquisire nuovi clienti, approfondire le relazioni con quelli esistenti, vendere più prodotti e attirare clienti più redditizi. Ecco perché fanno pubblicità. Non perché amano le impression o i click-through rate, ma perché la pubblicità è uno strumento per la crescita del business.
- Le agenzie vogliono aiutare gli inserzionisti a raggiungere tale crescita. Offrono competenze nella comprensione del pubblico, nella strategia mediatica e nell’esecuzione creativa. Il loro valore risiede nel rendere gestibile la complessità e nel trasformare i budget di marketing in risultati commerciali.
- Gli editori vogliono finanziare i contenuti che i loro utenti amano. Che si tratti di intrattenimento in streaming, giornalismo di qualità, giochi per dispositivi mobili o app per la produttività, gli editori creano valore per gli utenti e la pubblicità contribuisce a rendere accessibili tali contenuti. Le migliori pubblicità non interrompono questo scambio di valore, ma lo migliorano mettendo in contatto gli utenti con prodotti e servizi pertinenti.
- Gli utenti e gli acquirenti desiderano essere aiutati a trovare ciò che stanno già cercando. Vogliono confrontare le opzioni nelle categorie che stanno prendendo in considerazione. E, occasionalmente, desiderano essere sorpresi e deliziati dalla scoperta di qualcosa di cui non sapevano di aver bisogno. Una buona pubblicità serve a questi scopi. Una cattiva pubblicità è solo rumore.
Questi non sono principi astratti. Sono le fondamenta su cui dovrebbe essere costruito tutto il resto.
La vera opportunità offerta dall’AI
Una volta chiarito questo punto fondamentale, la domanda diventa: in che modo l’AI e i sistemi agentici possono aiutarci a soddisfare meglio queste esigenze?
La risposta non è “automatizzare tutto ed eliminare gli esseri umani dal processo”. La risposta è: lubrificare i punti di attrito che impediscono il flusso di valore tra queste parti interessate.
Consideriamo cosa succede oggi quando un media planner vuole lanciare una campagna CTV. Ha una profonda conoscenza dei clienti del proprio marchio, acquisita in anni di direct mail, programmi fedeltà e first-party data. Ha segmentato attentamente questo database. Ha elaborato un brief accurato su come desidera raggiungere nuovi clienti.
Ora deve abbinare questa intenzione all’inventario dell’editore. Utilizzerà i DSP per accedere ai dati demografici. Selezionerà programmi, app e canali che ritiene possano raggiungere il suo pubblico di riferimento. Lancerà la campagna, analizzerà i dashboard tabulari, risegmenterà in base a ciò che funziona e ripeterà il processo.
Ogni fase richiede uno sforzo manuale, la traduzione dei dati e comporta una perdita di informazioni. Il brief nella mente del pianificatore non si traduce completamente nei parametri di targeting disponibili nel DSP. Il ricco contesto dei contenuti di un editore non emerge completamente nei feed di inventario standardizzati. Il ciclo di feedback dalle prestazioni della campagna alle informazioni di pianificazione è lento e soggetto a perdite.
È qui che l’IA crea valore reale
Un agente AI con una profonda conoscenza dell’inventario degli editori, delle tassonomie del pubblico e del contesto dei contenuti può aiutare ad abbinare le intenzioni degli inserzionisti alle opportunità in modo molto più preciso. Le interfacce in linguaggio naturale sono in grado di cogliere sfumature che i menù a tendina non riescono a cogliere. Gli LLM possono mettere in luce connessioni tra i segmenti di clientela di un marchio e la composizione del pubblico di un editore che richiederebbero settimane di lavoro umano per essere scoperte.
Ma ecco l’intuizione fondamentale: questa creazione di valore dipende interamente da standard precisi e deterministici che ne sono alla base.
Perché gli standard esistenti sono più importanti in un mondo agentico, non meno
Quando gli esseri umani sono coinvolti in ogni fase, l’ambiguità può essere risolta attraverso il giudizio, la conversazione e l’intuizione. Quando gli agenti orchestrano flussi di lavoro complessi su più sistemi, l’ambiguità diventa catastrofica.
Immaginate un agente che negozia un accordo programmatico su tre diversi SSP. Se ogni SSP rappresenta il “video inventory” in modo diverso, con definizioni leggermente incompatibili dei metodi di riproduzione, della misurazione della visibilità o delle categorie di contenuti, l’agente fallirà silenziosamente o produrrà risultati che nessuno avrebbe voluto.
Abbiamo già visto cosa succede quando i sistemi di AI operano senza basi deterministiche: hanno allucinazioni. Confondono i concetti. Generano assurdità che sembrano sensate. Nella pubblicità, questo significa confondere il pubblico, travisare i posizionamenti, classificare erroneamente i contenuti e creare opportunità di frode su larga scala. Definizioni condivise, interfacce trasparenti e governance applicabile consentono fiducia e responsabilità. E la fiducia deve essere integrata nei sistemi agentici.
La soluzione non è rallentare l’adozione dell’AI. La soluzione è garantire che i sistemi agentici siano costruiti su modelli oggettivi e tassonomie che forniscono precisione semantica. Quando un agente dice “impressione video con riproduzione automatica senza audio su un sito di notizie che raggiunge adulti di età compresa tra 25 e 54 anni interessati alla cucina”, ogni termine di quella frase deve risolversi in una definizione specifica e concordata dal settore.
Basarsi su ciò che funziona
Ecco perché l’approccio di IAB Tech Lab al futuro degli agenti parte dagli standard esistenti. Non perché siamo restii al cambiamento, ma perché questi standard rappresentano il sapere compresso del settore, affinato attraverso miliardi di transazioni.
- AdCOM fornisce oggetti di dominio canonici: che cos’è un posizionamento? Che cos’è un’impressione video? Quali sono gli attributi di un dispositivo o di un utente?
- OpenRTB gestisce le aste in tempo reale su larga scala con una semantica collaudata. Si sovrappone ad AdCOM, supportando i “rails” in OpenRTB.
- OpenDirect gestisce i flussi di lavoro programmatici garantiti per l’acquisto diretto di media. Supporta anche l’OOH ed è predisposto per la TV lineare!
- L’Ad Management API standardizza i flussi di lavoro di invio e approvazione dei contenuti creativi tra acquirenti e venditori.
- Il Deals API standardizza la sincronizzazione dei metadati dealID.
A legare il tutto sono le tassonomie standardizzate di Tech Lab, tra cui le nostre tassonomie Audience, Content e Privacy che forniscono un linguaggio comune per descrivere quale pubblico viene targettizzato, in quale contesto (i vostri parametri di targeting), garantendo al contempo la conformità alla privacy mentre gli agenti scambiano e abbinano i dati dei consumatori.
È fondamentale sottolineare che tutti questi elementi condividono in gran parte gli stessi modelli oggettivi sottostanti. Un’impressione video ha lo stesso significato sia che si esegua un’offerta in tempo reale sia che si imposti un accordo programmatico garantito. Questa coerenza semantica è esattamente ciò di cui gli agenti hanno bisogno per operare in modo affidabile in una miriade di flussi di lavoro.
Questo è il “linguaggio” del nostro settore.
Il livello di innovazione, dove avvengono la scoperta, la negoziazione e l’orchestrazione, può essere costruito su protocolli come A2A (Agent2Agent), che fornisce il coordinamento agentico delle primitive, o MCP (Model Context Protocol), che fornisce un’interfaccia standardizzata per l’AI per accedere in modo sincrono a strumenti e fonti di dati all’interno di una singola sessione o contesto applicativo. Il termine “contesto applicativo” è fondamentale in questo caso, poiché questi livelli di coordinamento dovrebbero fare riferimento agli schemi e agli oggetti di dominio ampiamente adottati e concordati che il settore ha già definito e sta attivamente utilizzando in migliaia di applicazioni pubblicitarie oggi, piuttosto che reinventarli.
Pensate ai mercati finanziari. L’high-frequency trading non ha richiesto una ridefinizione di cosa sia un titolo azionario o cosa significhi un’operazione di trading. Ha richiesto un’infrastruttura di esecuzione più veloce costruita sulla base di definizioni consolidate. I trader algoritmici più sofisticati al mondo si affidano a modelli di oggetti standard. Semplicemente operano su di essi in modo più rapido e con maggiore intelligenza. E il deep learning nell’high-frequency trading non è solo per i day trader; i più grandi investitori istituzionali nel mercato dei servizi finanziari sfruttano oceani di dati sulle transazioni e l’elaborazione AI su larga scala per comprendere meglio i loro investimenti a lungo termine e prendere decisioni di investimento a lungo termine.
Non fidatevi solo della nostra parola
Il Tech Lab non sostiene l’uso di schemi, modelli oggettivi e tassonomie già collaudati perché vogliamo essere i papà severi della classe, che puntano il dito contro il settore e dicono: “Fate così!”. Sia MCP che A2A sono fondamentalmente basati su schemi. Chiedete a Claude:
“I protocolli MCP e A2A sono fondamentalmente basati su schemi?”
“Senza OpenDirect, AdCOM, OpenRTB, gli schemi e le tassonomie correlate di IAB Tech Lab, la negoziazione programmatica da agente ad agente sarebbe impossibile. Gli schemi sono il protocollo condiviso che consente l’automazione. Ecco perché concentrarsi sugli standard Tech Lab e sui protocolli degli agenti è così importante. Basarsi su schemi consolidati piuttosto che inventarne di nuovi significa interoperabilità immediata con l’infrastruttura ad tech esistente”.
Cosa stiamo costruendo
IAB Tech Lab ha sviluppato una roadmap agentica basata su questi principi fondamentali e sui nostri standard esistenti. Il nostro approccio è graduale: partiamo dalle funzionalità di base e ci espandiamo man mano che il settore acquisisce fiducia nei flussi di lavoro agentici.
L’obiettivo a breve termine è quello di concentrarsi sulle applicazioni con il valore più elevato e il rischio più basso: aiutare le agenzie e gli inserzionisti a scoprire in modo più efficiente l’inventario degli editori, abbinando i brief alle opportunità attraverso il linguaggio naturale e accelerando la configurazione di accordi diretti che attualmente richiedono un coordinamento manuale tra più sistemi.
Man mano che questi modelli si dimostreranno efficaci, passeremo a flussi di lavoro più semi-autonomi, sempre con un’adeguata supervisione umana, supportati da standard deterministici che forniscono le basi semantiche per prevenire allucinazioni e frodi.
Stiamo creando agenti campione e implementazioni di server MCP non come prodotti, ma come architetture di riferimento che dimostrano come i sistemi agentici dovrebbero interagire con l’infrastruttura tecnologica pubblicitaria esistente. L’obiettivo è aiutare il settore a creare agenti interoperabili e conformi agli standard che lavorino insieme invece di frammentare ulteriormente l’ecosistema.
Il percorso da seguire
Il futuro della pubblicità è davvero entusiasmante. L’intelligenza artificiale può aiutare gli inserzionisti a trovare il pubblico giusto in modo più preciso. Può aiutare le agenzie a ottenere risultati migliori in modo più efficiente. Può aiutare gli editori a monetizzare i propri contenuti in modo più efficace. Può aiutare gli utenti a vedere annunci pubblicitari che soddisfano effettivamente le loro esigenze, anziché interrompere la loro esperienza.
Ma per realizzare questo potenziale è necessario costruire su basi solide. Il settore ha impiegato quindici anni per sviluppare una precisione semantica sul significato degli oggetti pubblicitari. Questa precisione è esattamente ciò di cui i sistemi di AI hanno bisogno per funzionare in modo affidabile.
L’opportunità non è quella di ricostruire da zero l’infrastruttura pubblicitaria. È quella di accelerare e facilitare lo scambio di valore tra inserzionisti, agenzie, editori e utenti, utilizzando il linguaggio che già parlano, arricchito da un’intelligenza a cui non hanno mai avuto accesso prima.
Non siamo solo entusiasti del futuro degli agenti. Lo stiamo costruendo, in modo sistematico, sulla base di principi fondamentali che mettono le esigenze degli inserzionisti, delle agenzie, degli editori e degli utenti al centro di tutto ciò che facciamo.
Il futuro degli agenti pubblicitari è davvero entusiasmante, ma è anche importante riconoscere la realtà. Lo stiamo imparando tutti man mano che procediamo. I protocolli fondamentali come MCP e A2A hanno appena un anno di vita e i modelli per l’applicazione dei sistemi di agenti all’acquisto di spazi pubblicitari sono ancora in fase di definizione. Si tratta di un territorio nuovo per tutti e non esistono scorciatoie per farlo funzionare correttamente.
L’intelligenza artificiale può e deve accelerare la creazione di valore in tutto l’ecosistema, ma solo se rimaniamo disciplinati, umili e ancorati agli standard deterministici esistenti concordati dal settore, ai modelli oggettivi condivisi e alla semantica. L’opportunità che ci attende non è una reinvenzione fine a se stessa, ma un’evoluzione ponderata che preservi l’interoperabilità, la fiducia e la scalabilità man mano che queste tecnologie maturano.
Consideriamo gli approcci agentici come un potenziamento e un’evoluzione del settore dei media, non come una sostituzione. Stiamo ristrutturando la cucina e aggiungendo un nuovo garage, non demolendo la casa. L’obiettivo è quello di costruire su ciò che già funziona utilizzando l’AI per ridurre gli attriti, migliorare i risultati e rafforzare lo scambio di valore tra inserzionisti, agenzie, editori e consumatori.
Lo scopo degli standard sta cambiando. L’ecosistema pubblicitario necessitava di modelli oggettivi, schemi e API standardizzate per supportare l’interoperabilità. Ora, questi stessi standard sono necessari per il contesto, in modo che gli agenti possano basarsi su di essi ed essere addestrati a eseguire azioni richieste in linguaggio naturale con una precisione ripetibile milioni di volte. Questo è il nostro obiettivo presso l’IAB Tech Lab.
Questi temi verranno approfonditi durante il webinar di IAB Tech Lab che si terrà il 28 gennaio alle 17:00 CET, dove condivideremo la roadmap, l’approccio architettonico e i primi prototipi.
