Pinterest porta l’AI in Ads Manager: Business Assistant, MCP e shopping conversazionale

Pinterest ha annunciato Business Assistant, Pinterest Model Context Protocol e nuove capacità creative Performance+, oltre all’esperimento Ask Pinterest negli Stati Uniti. Business Assistant è un collaboratore AI visuale in Ads Manager e mobile, inizialmente in beta chiusa negli USA: combina dati dell’inserzionista e segnali della piattaforma per mostrare trend, grafici e Pin da promuovere. Il Pinterest MCP punta a rendere disponibili a strumenti e agenti esterni dati pubblici della piattaforma in modo strutturato. Performance+ amplia selezione e generazione delle varianti creative, insieme a controlli di revisione e report più dettagliati. Ask Pinterest sperimenta invece decisioni di acquisto conversazionali e multi-step basate sul Taste Graph. Per i brand italiani molte funzioni non sono ancora accessibili, ma la direzione è già chiara: feed, creatività e dati devono essere pronti a essere interpretati da sistemi automatici, non solo sfogliati da persone.

Quando l’AI propone prodotti, seleziona Pin o genera variazioni, descrizioni vaghe e cataloghi incoerenti limitano il risultato. Titoli prodotto, disponibilità, prezzo, materiale, occasione d’uso e immagini devono raccontare la stessa realtà. Questo non significa scrivere per una macchina: significa eliminare ambiguità che danneggiano anche l’utente. La componente visuale resta decisiva; servono fotografie capaci di mostrare contesto, scala, dettaglio e varianti, non semplici duplicati con sfondo diverso. Business Assistant può accelerare la lettura, ma i suggerimenti derivano dai dati disponibili e dagli obiettivi impostati. Un team deve quindi distinguere un pattern robusto da un picco stagionale e proteggere posizionamento, margine e inclusività. L’automazione ottimizza ciò che le viene chiesto: se l’unico obiettivo è il clic, potrebbe privilegiare asset accattivanti ma poco coerenti con acquisto e brand.

Esegui un audit del catalogo partendo dai prodotti che generano più margine: correggi attributi mancanti, URL, disponibilità, varianti e immagini. Crea una libreria creativa con diritti, data, prodotto, angolo, stagione e risultati, così persone e strumenti possono riutilizzarla in modo controllato. Definisci guardrail per generazione e selezione: colori, claim consentiti, rappresentazione del prodotto, mercati e approvazione umana. Verifica Tag e Conversions API e documenta la deduplicazione degli eventi. Quando le nuove funzioni arriveranno, avvia un test su una categoria, confrontando varianti AI e controllo umano a parità di pubblico, budget e finestra. Valuta ROAS, margine, nuovi clienti e tasso di reso, non soltanto CTR. Infine prepara domande precise per l’assistente: chiedere “come migliorare” produce genericità; chiedere quali Pin sostengono conversioni incrementali in una categoria offre una base decisionale più utile.

Titoli, descrizioni, categorie, disponibilità, prezzi e immagini alimentano scoperta e raccomandazioni. Campi incompleti o varianti confuse limitano sia il motore sia il team. Il feed viene validato con regole su formati, aggiornamento, duplicati e immagini. Le tassonomie interne vengono mappate alle categorie della piattaforma senza perdere attributi utili al pubblico.

Le immagini devono rappresentare correttamente il prodotto e rispettare diritti e policy. Varianti creative possono essere testate, ma la scheda resta una fonte coerente. Disponibilità e prezzo devono aggiornarsi con frequenza adeguata: una raccomandazione efficace che porta a un prodotto non acquistabile peggiora l’esperienza e spreca investimento.

MCP standardizza il modo in cui un’applicazione AI scopre risorse e strumenti, ma non garantisce sicurezza. Ogni server e capacità devono essere valutati. Leggere un report ha un rischio diverso dal modificare un budget. Il primo livello espone dati selezionati in sola lettura; il secondo prepara raccomandazioni; il terzo consente azioni limitate con conferma.

Autenticazione, autorizzazione e log restano responsabilità dell’architettura. Le descrizioni degli strumenti devono essere chiare e versionate. Il sistema mostra parametri e conseguenze prima dell’esecuzione. Token e segreti non vengono inseriti nel contesto del modello quando non necessario. Un piano di revoca permette di interrompere rapidamente accessi o integrazioni.

Il pilot seleziona un catalogo, una campagna e un gruppo di utenti. La baseline misura tempo di analisi, errori del feed, qualità delle raccomandazioni e risultato delle campagne. Le proposte AI vengono revisionate e classificate: accettata, modificata, rifiutata e motivo. Questo rivela se il sistema comprende obiettivi e vincoli.

L’incremento viene testato con confronti coerenti, non attribuito automaticamente alla nuova funzione. Si osservano conversioni, margine, qualità del traffico e saturazione creativa. Se il beneficio principale è operativo, viene misurato come tempo e riduzione degli errori. Il rollout si amplia solo quando controlli e risultato restano stabili.

Il pilot può iniziare da una categoria con assortimento stabile e immagini curate. Prima dell’assistente si controllano titoli, descrizioni, varianti, prezzo, disponibilità, spedizione e resi. Gli attributi vengono normalizzati e collegati a una fonte proprietaria, così il sistema non deve dedurre informazioni mancanti. Le domande frequenti dei clienti diventano casi di test. Prodotti regolamentati, claim sensibili o condizioni complesse vengono esclusi dalla prima fase finché i controlli non sono adeguati.

L’integrazione MCP espone solo strumenti necessari, con parametri validati e credenziali separate. La ricerca del catalogo può essere automatica; aggiunta al carrello, modifica dell’ordine o comunicazione esterna richiedono conferma. Ogni chiamata registra agente, utente, azione ed esito senza copiare dati eccedenti. Errori e timeout producono un messaggio comprensibile e un percorso alternativo. Il team prova anche prompt ostili, record incompleti e richieste che tentano di superare i permessi.

La valutazione confronta il percorso assistito con quello precedente su comprensione, click qualificati, conversioni, margine, resi e tempo operativo. Una raccomandazione deve essere utile anche quando non conduce al prodotto più costoso. Le risposte vengono controllate a campione per accuratezza e trasparenza. Il rollout si amplia per categoria o mercato, mai su tutte le dimensioni insieme. Catalogo e controlli restano monitorati perché un dato scaduto può trasformare rapidamente una buona esperienza in una promessa errata. Il team stabilisce inoltre chi aggiorna gli strumenti quando cambiano catalogo o policy e prova regolarmente revoca, fallback e ripristino, evitando dipendenze invisibili da una singola integrazione. Prima di ogni espansione si ripete il campione di test originario e si aggiungono gli errori osservati nel pilot. I risultati vengono condivisi con merchandising, assistenza e sicurezza, non restano confinati al solo gruppo marketing. Ogni decisione viene documentata.