Google ha smantellato un sistema pubblicitario dopo quindici anni

Il nuovo sistema unifica intenzione, messaggio e destinazione con modelli di intelligenza artificiale avanzati.

La scorsa settimana Google ha annunciato ufficialmente il passaggio da Dynamic Search Ads ad AI Max per le campagne di ricerca, confermando al tempo stesso l’uscita dalla fase beta del nuovo sistema. Il dato che ha attirato subito l’attenzione dei marketer è concreto: le campagne che usano AI Max con la suite completa di funzionalità — search term matching, text customization e final URL expansion — vedono in media il 7% in più di conversioni o valore di conversione rispetto all’utilizzo del solo search term matching tradizionale, a parità di CPA e ROAS. Non è un numero trascurabile per chi ottimizza campagne a budget elevato, dove ogni punto percentuale pesa.

La svolta tecnica: da DSA ad AI Max

Dynamic Search Ads era nata in beta nell’ottobre 2011 — quindici anni fa — come soluzione per coprire automaticamente le query di ricerca non presidiate dalle keyword manuali, scansionando il contenuto del sito dell’inserzionista per costruire annunci e URL di destinazione in modo dinamico. Per l’epoca era un’architettura intelligente: zero keyword list, zero bid granulari su ogni long-tail, il crawler di Google faceva il lavoro sporco. Ma il comportamento di ricerca degli utenti è cambiato in modo strutturale con l’avvento dei modelli linguistici e delle query conversazionali, e la tecnologia DSA — basata su pattern matching e indicizzazione del sito — ha cominciato a mostrare i limiti di un approccio pre-LLM.

AI Max non è un semplice reskin di DSA. È una suite che combina tre componenti distinti: il search term matching, che usa i modelli di Google per intercettare query semanticamente rilevanti anche senza corrispondenza lessicale diretta; la text customization, che adatta i testi degli annunci in tempo reale in funzione del contesto della query; e la final URL expansion, che seleziona dinamicamente la landing page più pertinente all’interno del sito, indipendentemente da quella specificata nell’annuncio. L’insieme funziona come un sistema a tre livelli: intenzione dell’utente, messaggio pubblicitario e destinazione vengono ottimizzati in modo coordinato, non separato come avveniva con DSA abbinata a keyword manuali.

Sotto il cofano: l’evoluzione dell’IA

Per capire la portata del cambiamento, vale la pena ripercorrere la timeline. AI Max per le campagne Search era stato annunciato già nel maggio 2025 come funzionalità beta — un anno di rodaggio prima della promozione a standard di fatto. Quell’arco temporale non è casuale: Google ha bisogno di dati di addestramento reali per calibrare i modelli di matching semantico e di generazione del testo, e la beta con inserzionisti reali è il modo più efficace per raccoglierli. Il passaggio dalla beta alla disponibilità generale, seguito quasi immediatamente dall’annuncio di deprecazione di DSA, segue la stessa logica con cui Google ha gestito la transizione da broad match modifier a phrase match nel 2021: prima si crea una sovrapposizione, poi si taglia il vecchio sistema.

La roadmap è già definita: a partire da settembre 2026, le campagne che ancora utilizzano Dynamic Search Ads, asset creati automaticamente (automatically created assets) e la configurazione broad match a livello di campagna verranno migrate automaticamente ad AI Max, senza intervento manuale da parte degli inserzionisti. Questo meccanismo di upgrade automatico è tecnicamente rilevante perché implica che Google consideri il vecchio stack DSA incompatibile con i nuovi segnali di targeting — non solo inferiore in performance, ma architetturalmente superato. La deprecazione non è un’opzione, è una dismissione programmata.

Vale notare la differenza concettuale tra DSA e AI Max nel modo in cui affrontano il problema del matching. DSA partiva dal contenuto del sito come fonte di verità — se una pagina parlava di “scarpe da running impermeabili”, DSA costruiva un annuncio attorno a quelle parole e intercettava query simili. AI Max parte invece dall’intenzione della query, usando rappresentazioni vettoriali (embeddings) per trovare la corrispondenza semantica migliore tra ciò che l’utente cerca e ciò che l’inserzionista offre, indipendentemente dalle parole esatte usate in entrambi i lati. È la differenza tra un sistema basato su lookup e uno basato su similarity search nello spazio latente — un salto architetturale non banale.

Implicazioni per chi costruisce: lo stack in trasformazione

Con la deprecazione di DSA confermata, chi gestisce campagne Search in modo programmatico — attraverso Google Ads API, script, o piattaforme di bid management di terze parti — deve fare i conti con un layer di astrazione più spesso tra la propria logica di ottimizzazione e ciò che effettivamente succede nell’asta. Con DSA, era possibile ispezionare le query intercettate, le URL di destinazione selezionate, i testi generati, e costruire regole deterministiche attorno a quei dati. Con AI Max, i meccanismi di text customization e final URL expansion operano in modo non completamente trasparente: l’inserzionista fornisce asset e vincoli, ma la combinazione finale è decisa dal modello. Per chi ha investito in automazioni costruite sulla prevedibilità di DSA, questo rappresenta un refactoring non triviale delle proprie pipeline.

Il contesto competitivo rende però questa transizione difficilmente evitabile. Performance Max di Microsoft Advertising si muove nella stessa direzione, estendendo la presenza pubblicitaria su Bing, MSN, Outlook, Edge e posizionamenti guidati dall’IA, con un ROAS dichiarato tre volte superiore rispetto alla sola ricerca. La logica è speculare a quella di Google: un sistema unificato che distribuisce il budget su più ambienti, ottimizzato da modelli proprietari, con il controllo granulare che si sposta dall’inserzionista alla piattaforma. E secondo l’annuncio di Meta sull’automazione della pubblicità, la pubblicità sulle sue piattaforme potrebbe diventare completamente gestita dall’IA entro la fine del 2026.

Il filo comune è evidente: le tre piattaforme dominanti stanno convergendo verso un modello in cui l’inserzionista definisce obiettivi, asset e vincoli, e il sistema decide autonomamente come allocare budget, selezionare audience e costruire messaggi. Per chi sviluppa su questi stack, la domanda operativa non è più “come configuro le keyword e i bid?” ma “come struttura gli asset e i segnali di conversione perché il modello ottimizzi nella direzione giusta?”. L’IA non è un layer accessorio sopra la campagna: è il runtime su cui gira tutto il resto. Adattarsi significa riscrivere non solo le procedure operative, ma il modo in cui si pensa alla relazione tra strategia e esecuzione nella pubblicità a performance.