Come i marketer possono adattarsi a ricerche effettuate con LLM

PER MILIONI DI CONSUMATORI in tutto il mondo, Google è il punto di accesso a Internet e, di conseguenza, l’azienda gode oggi di una quota di mercato del 91% nel mercato da 50 miliardi di dollari degli annunci di ricerca. Tuttavia, grazie all’avvento dei modelli linguistici di grandi dimensioni (LLM), per la prima volta in due decenni sembra possibile un cambiamento.

Questo perché gli LLM offrono un’esperienza di ricerca radicalmente diversa da quella del browser web. La differenza più grande è questa: gli LLM promettono di rispondere alle query non con link, come fanno i browser web, ma con risposte.

Sempre più spesso, utilizzando applicazioni come ChatGPT o Perplexity, o portali di ricerca come Search Generative Experience di Google (ora AI Overviews) o Copilot di Bing, i clienti impareranno a conoscere prodotti e marchi attraverso output in linguaggio naturale. Questo processo, che sarà altamente consultivo e conversazionale, creerà una nuova pipeline di informazioni che gli operatori di marketing dovranno monitorare per garantire che i loro marchi siano presentati per richieste pertinenti e descritti in modo accurato.

Per affrontare questa sfida, i marketer dovranno misurare e monitorare (1) se i loro marchi appaiono nell’output LLM e quando è più probabile che ciò accada; (2) quanto i loro marchi sono rappresentati favorevolmente e quali sono gli aspetti negativi attribuiti ai loro prodotti; e (3) la visibilità dei loro prodotti e dei loro marchi, rispetto alla concorrenza, attraverso prompt altamente pertinenti. Per fare ciò, dovranno non solo testare e sviluppare metriche pertinenti, ma anche sviluppare nuovi flussi di lavoro per gestire la complessità aggiunta.

Una ricerca di “migliori biciclette da strada per principianti” evidenzia la nuova sfida. Quando l’abbiamo chiesto a Perplexity, ci ha consigliato la Aventon Level 2 come miglior bici per principianti, citando la geometria rilassata, gli pneumatici larghi e i componenti di qualità a un prezzo ragionevole. Google SGE, dal canto suo, ci ha consigliato la Giant Contend 3 o la Specialized Allez E5. Entrambe le esperienze di ricerca ci hanno dato indicazioni su cosa considerare quando si acquista una nuova bici da corsa e ci hanno offerto un modo semplice per fare domande di approfondimento. Ma ecco la cosa più importante: tutto questo è avvenuto prima che fossimo esposti al sito web di un marchio. Se un LLM non menziona il vostro marchio in questa fase del processo di ricerca, gli utenti potrebbero non prenderlo mai in considerazione.

Ottimizzazione LLM

Con le nuove sfide arrivano anche le nuove opportunità. Proprio come la scienza dell’ottimizzazione dei motori di ricerca, o SEO, è emersa durante l’era delle ricerche basate su browser, ora emergerà una nuova scienza, l’ottimizzazione degli LLM o LLMO, e i marketer devono approfittarne.

Gli algoritmi che alimentano gli LLM non sono gli stessi degli algoritmi di ricerca tradizionali. Google SGE opera su una serie di fattori di ranking diversi rispetto all’algoritmo tradizionale di Google. L’algoritmo di ricerca tradizionale era ottimizzato per promuovere i link ritenuti autorevoli, completi e pertinenti. I siti che davano priorità ai metadati, alla densità delle parole chiave e ai backlink ottenevano un posizionamento elevato.

Gli LLM, invece, sono ottimizzati per compilare rapidamente una risposta accurata e convincente. Per creare una risposta, attingono a più modalità (testo, immagine, video) e a più tipi di contenuto (recensioni, contenuti del sito del marchio, contenuti generati dagli utenti). Accompagnando gli utenti nel passaggio dalla domanda iniziale alle domande successive, le risposte di LLM sono tutte implicitamente consapevoli del punto in cui l’utente si trova nel processo di acquisto. I siti con contenuti facilmente indicizzabili da LLM hanno quindi maggiori probabilità di essere citati nelle risposte.

Una componente cruciale della ricerca LLM è nota come retrieval-augmented generation, in base alla quale un LLM utilizza un contesto aggiuntivo, come un insieme di documenti aziendali o contenuti web, per aumentare il suo modello di base quando risponde alle richieste. Questo ha importanti implicazioni per chiunque voglia impegnarsi nell’ottimizzazione di un LLM: se si vuole modificare il testo prodotto dagli LLM in risposta a una query, è necessario pensare strategicamente a come modificare le varie fonti da cui è probabile che attinga informazioni.

Un nuovo documento di lavoro dei ricercatori di Harvard dimostra che l’inserimento di una “sequenza di testo strategica” – un testo aggiunto a una pagina di informazioni sul prodotto per aumentare le probabilità che questo venga raccomandato – può alterare in modo significativo le informazioni fornite dagli LLM in risposta alla domanda di un consumatore. Nel loro esperimento, il team di Harvard ha inserito una sequenza di testo strategica per enfatizzare l’economicità di una macchina da caffè, la ColdBrew Master, aumentando in modo significativo la probabilità che questa venisse menzionata come modello in risposta a una richiesta di consigli sulle macchine da caffè economiche. Nello scenario di base, la ColdBrew Master non era mai stata consigliata, ma utilizzando la sequenza di testo strategica, i ricercatori sono riusciti a trasformarla nel prodotto più frequentemente consigliato.

Riteniamo che gli LLMO svolgeranno un ruolo fondamentale nell’evoluzione delle nuove esperienze di ricerca. Il tempo ci dirà come le Big Tech sceglieranno di monetizzarli all’interno dei loro ecosistemi. Alcune aziende sceglieranno un modello di abbonamento, mentre altre potrebbero optare per la monetizzazione pubblicitaria. A differenza di oggi, però, dove c’è un unico attore dominante che controlla gran parte dell’esperienza di ricerca online, ci aspettiamo che lo stato futuro includa molteplici opzioni tra cui i consumatori potranno scegliere. Ciò significa che probabilmente si apriranno nuove opportunità di lavoro per gli operatori del settore LLMO.

Il tema del lavoro

L’IA generativa è stata accolta con grande apprensione dai lavoratori e dai responsabili politici a causa del suo potenziale di spiazzamento di milioni di lavoratori della conoscenza. Gli economisti di solito rispondono a queste preoccupazioni sottolineando che le innovazioni rivoluzionarie del passato hanno sempre portato a un numero maggiore di posti di lavoro e a posti di lavoro migliori di quelli che avevamo prima. La visione ottimistica sugli LLM e i posti di lavoro è che questa volta accadrà lo stesso.

È vero che nei prossimi anni gli attuali specialisti SEO troveranno molte delle loro attuali attività ampiamente automatizzate. Gli LLM si sono recentemente dimostrati più efficaci degli esperti umani nel compito di ottimizzare i contenuti, e anche molto più economici. Prevediamo che in futuro le aziende saranno in grado di svolgere le loro attività SEO utilizzando un numero inferiore di dipendenti, il che naturalmente solleva preoccupazioni per i posti di lavoro.

Ma è anche vero che il ruolo del SEO sta diventando molto più complesso. I professionisti SEO – che presto diventeranno professionisti LLMO – dovranno gestire la rappresentazione del marchio su più piattaforme LLM, secondo una nuova serie di metodologie di ottimizzazione e a un ritmo che tenga il passo con la rapida evoluzione del panorama LLM. Gli esperti SEO disposti a imparare, adattarsi e sperimentare continuamente nuove tecniche che aumentino la visibilità e il favore dei loro marchi presso gli LLM saranno molto richiesti. In breve, diventeranno esperti di LLMO, un nuovo ruolo di vitale importanza per le aziende e per le società di servizi di marketing che le supportano.

Quando una nuova potente tecnologia inizia a influenzare l’economia, di solito si sa quali posti di lavoro sono minacciati, ma non quali saranno creati. Oggi, come nelle passate rivoluzioni tecnologiche, un’importante fonte di preoccupazione risiede quindi nella nostra limitata capacità di individuare le forme che si delineano all’orizzonte – i nuovi posti di lavoro che saranno creati dagli LLM. Per i professionisti del marketing, le forme all’orizzonte sono ancora sfocate, ma possiamo iniziare a vederne i contorni di almeno una.

Stefano Puntoni è professore di Marketing alla Wharton School dell’Università della Pennsylvania e coautore di Decision-Driven Analytics: Leveraging Human Intelligence to Unlock the Power of Data (Wharton Press). Mike Ensing è amministratore delegato e cofondatore di Revere. È un imprenditore, consulente e dirigente del settore tecnologico focalizzato sull’IA generativa e sulle sue applicazioni per le aziende e i marchi e ha ricoperto posizioni di responsabilità e consulenza presso aziende leader come RealNetworks, Microsoft e McKinsey. Jarvis Bowers è COO e cofondatore di Revere, un’azienda emergente di tecnologie di marketing che si occupa di elevare i marchi con LLM e IA generativa. Jarvis è un leader esperto di marketing che si concentra sull’uso delle intuizioni dei consumatori e della creatività, dei dati dei clienti e delle piattaforme emergenti per offrire esperienze di marca uniche.