Email marketing, automation e personalizzazione: l’AI decide come inviare i contenuti, ma il perché devi deciderlo tu
Se n’è parlato molto negli ultimi mesi a proposito di contenuti online in generale: l’AI ha reso la produzione di testo talmente economica che la rete si è riempita di articoli piatti, prevedibili, intercambiabili – frutto di prompt pigri quanto quello che chiunque di noi può aver scritto senza pensarci troppo. Per l’email e l’automation marketing il fenomeno è lo stesso: troppa personalizzazione frutto solo dell’AI e i lettori se ne accorgono. Nel 2026 le email automatizzate non falliscono perché sono automatizzate: falliscono quando l’automazione sostituisce una decisione che nessun umano – leggi: specialista di email marketing – ha preso. La differenza tra un’azienda che usa bene l’intelligenza artificiale nell’email marketing e una che produce solo rumore non è lo strumento che usa, ma se qualcuno ha deciso cosa dire, a chi, e perché dovrebbe importargliene, prima di scrivere il prompt.
Il problema dei contenuti invisibili
Oltre alla piattezza generale dei contenuti, c’è anche un altro problema. Da gennaio 2026 Gmail ha integrato Gemini direttamente nell’esperienza inbox: riassunti automatici, prioritizzazione dei messaggi, un livello di lettura algoritmica che si aggiunge ai controlli di deliverability tradizionali.
Il risultato, secondo due analisi di deliverability pubblicate a inizio 2026 – la seconda arriva a conclusioni compatibili analizzando anche il sistema di lettura dei pattern testuali RETVec introdotto da Google – è che un’email può superare ogni controllo di autenticazione, arrivare tecnicamente in inbox, ed essere comunque invisibile: fino al 40% dei messaggi che raggiungono la casella vengono di fatto deprioritizzati dall’AI prima che un umano li veda.
Non è più solo una questione di gusto del lettore. È un filtro algoritmico che valuta la densità di valore di un’email prima ancora che arrivi a destinazione.
Questo cambia la domanda che un’azienda dovrebbe farsi prima di premere invio. Non più “questa email rispetta le regole di deliverability”, ma “questa email dice qualcosa che vale la pena leggere, o è solo rumore ben formattato”.
Perché “personalizzato” non vuol dire specifico
Qui arriva il punto più controintuitivo, ed è anche quello che mette in discussione la narrativa che la maggior parte dei vendor di email marketing racconta da un paio d’anni.
Chad White, tra i nomi più autorevoli del settore, ha osservato che i programmi di email marketing più maturi hanno iniziato a fare marcia indietro sulla personalizzazione spinta, non ad accelerare. Cita brand che si vantavano di generare oltre 100.000 varianti automatiche di una singola campagna – un numero che sembra il trionfo della personalizzazione, e che invece, secondo lui, ha finito per diluire la voce del brand fino a farla sparire sotto le variabili.
Il motivo è semplice, una volta che ci si pensa: cambiare il nome, l’ultimo prodotto acquistato, il comportamento recente in un template non rende un’email specifica. La rende diversa nei dettagli superficiali, identica nella sostanza. Ed è un test che si può applicare a qualsiasi email automatizzata già in produzione: togli mentalmente il nome e il dato dinamico. Quello che resta dice ancora qualcosa che riguarda solo quel destinatario, o potrebbe essere spedito a chiunque altro nella lista senza che nessuno se ne accorga?
Se la risposta è la seconda, quella email non è personalizzata. È un mail merge con un vestito nuovo. E i filtri algoritmici del 2026 – la stessa logica di densità di valore descritta sopra – la trattano esattamente per quello che è.
Automatizzare l’esecuzione, non la decisione
La differenza si vede confrontando due prompt.
Il primo: “Crea una campagna di winback per i clienti inattivi”. Il secondo: “Questo cliente ha rinnovato a dicembre con lo sconto early bird arrivato via SMS, non apre email da tre invii: provo a riattivarlo via SMS invece che con un’altra email che ignorerà”.
Solo il secondo contiene una decisione. Il primo descrive una categoria, e lascia che sia il modello a inventare il resto – tono, argomento, offerta – mascherandolo da personalizzazione quando in realtà è un template con due variabili.
“Crea una campagna di winback per i clienti inattivi” descrive una categoria di campagna. Chi scrive quel prompt ha aperto lo strumento, ha formulato una richiesta, ha premuto invio – ha esercitato un’autorità formale sul processo. Ma non ha deciso niente di specifico: tono, argomento, offerta restano un vuoto che il modello riempie a modo suo, con le combinazioni più probabili statisticamente, non con un giudizio su quel cliente particolare.
Il secondo prompt – quello sul cliente che ha rinnovato a dicembre con lo sconto early bird arrivato via SMS, e che non apre email da tre invii – contiene già una decisione presa da una persona che conosce quel contatto: provare un canale diverso, perché quello attuale ha smesso di funzionare.
Ricordati a chi stai scrivendo
Chiedere all’AI di scrivere quel messaggio in modo più efficace, di proporne tre varianti di tono, di trovare la formulazione più chiara: questo è automatizzare l’esecuzione. Il giudizio – cosa dire, a chi, perché dovrebbe importargliene – resta umano, prima che il prompt venga scritto.
È una distinzione che vale la pena tenere anche quando si guarda dentro gli strumenti che lo stesso mercato dell’email marketing automation vende oggi, incluso qualcosa di molto simile all’AI Campaign Builder che diverse piattaforme del settore,
ActiveCampaign tra queste, promuovono con la promessa di generare una campagna completa – oggetto, corpo, layout – a partire da una richiesta in linguaggio naturale. Lo strumento in sé non è il problema: il problema è cosa contiene il prompt che gli si dà in pasto.
Se contiene una categoria, l’AI sta decidendo mascherata da esecutrice, anche se tecnicamente è stato un umano a scrivere quelle poche parole. Se contiene una decisione già presa, l’AI sta facendo esattamente quello che dovrebbe: eseguire più in fretta qualcosa che qualcuno ha già scelto di dire.
Cosa cambia in pratica, e chi sta davvero parlando
Non è un caso che le campagne automatizzate con le performance migliori – welcome email, recupero carrello abbandonato, sequenze di lifecycle innescate da un comportamento preciso – generino, secondo i dati riportati dallo stesso Chad White, la maggior parte del fatturato email pur essendo una quota minima del volume totale inviato.
Sono automazioni in cui la decisione “perché sto scrivendo a questa persona proprio ora” è quasi sempre già presa dal comportamento stesso del contatto: ha abbandonato un carrello, si è appena iscritto, non acquista da mesi. Il prompt, umano o generato che sia, parte da un fatto specifico, non da una categoria vuota.
La stessa logica vale per la frequenza: mandare meno email a chi non le apre e più a chi le legge davvero non è un compromesso al ribasso, è la stessa disciplina – decidere prima chi merita cosa, invece di lasciare che il volume massimo faccia il lavoro al posto del giudizio.
Come misuro la personalizzazione autentica?
C’è un modo per verificare se questa distinzione funziona davvero, e non è un altro principio da prendere per fede. Ann Handley, tra le voci più seguite sulla scrittura per il marketing, misura il successo delle proprie email non con l’open rate, ma su quante persone rispondono – una metrica che ha chiamato Open to Write Back Rate. Sulla sua newsletter di benvenuto riporta un tasso di risposta che supera il 40% degli iscritti che la aprono.
È un numero che un’email generica non può ottenere, per definizione: nessuno risponde a un messaggio che sente rivolto a chiunque. La risposta richiede che il destinatario riconosca, in quello che ha letto, qualcosa scritto pensando specificamente a lui.
Chad White inquadra lo stesso problema da un’altra angolazione, parlando di fiducia come terreno di scontro del 2026: davanti a riassunti automatici, raccomandazioni generate, contenuti dalle fonti sempre più sfumate, la domanda che chi riceve un messaggio si pone – prima ancora di leggerlo fino in fondo – è chi sta davvero parlando. È la domanda a cui un’email costruita per eseguire una decisione umana può rispondere. Un’email costruita per riempire un vuoto lasciato da un prompt generico, no – qualunque sia la finezza tecnica dello strumento che l’ha scritta.
Cosa ho deciso di dire e quando
In definitiva, la domanda da farsi prima di ogni campagna automatizzata non è più “come lo scrivo”, ma “chi ha deciso cosa dire, e quando”. Lo strumento che genera il testo può cambiare ogni sei mesi – oggi un campaign builder, domani qualcosa di più sofisticato – ma il criterio per giudicarlo resta lo stesso: guardare cosa c’era nel prompt prima che il modello iniziasse a scrivere.
Se c’era una categoria, quell’email è rumore con un nome infilato dentro. Se c’era una decisione presa da chi conosce quel cliente, l’AI ha fatto esattamente il suo lavoro: scrivere più in fretta qualcosa che qualcuno aveva già scelto di dire.
