L’attribuzione last-click non tiene più il conto
L'halo index medio di 3.84x rivela che l'attribuzione last-click misura meno del 30% dell'influenza editoriale negli acquisti.
Il 70% dell’influenza sugli acquisti resta invisibile ai sistemi di tracciamento tradizionali
C’è un numero, pubblicato nei giorni scorsi da Partnerize, che vale più di mille slide su “l’impatto dell’IA generativa sul marketing digitale”: 3.84x. È l’HaloIndex medio calcolato su sei categorie di consumo negli Stati Uniti, e dice una cosa semplice quanto scomoda: l’attribuzione basata sull’ultimo clic sta misurando meno di un terzo del lavoro che gli editori stanno realmente facendo per generare un acquisto. Il resto — oltre il 70% dell’influenza — scompare in un buco nero di tracciamento che nessun cookie, nessun pixel e nessun link di affiliazione riesce più a intercettare.
Il moltiplicatore nascosto
L’HaloIndex di ScalePost nasce per rispondere a una domanda precisa: quanto della guida all’acquisto fornita da un editore o da un creator viene effettivamente registrata dai sistemi di attribuzione tradizionali? Secondo Partnerize, un HaloIndex medio di 3.84x significa che l’attribuzione last-click cattura meno del 30% dell’attività di acquisto influenzata dagli editori in quelle categorie. Non è un dato uniforme: nel lusso il moltiplicatore sale a 10.94x, il valore più alto rilevato, mentre nella categoria degli smart wearable si attesta a 7.33x. Sono numeri che raccontano settori diversi con la stessa dinamica di fondo — prodotti ad alta considerazione, percorsi d’acquisto lunghi, ricerca informativa distribuita su più sessioni e più dispositivi, dove il “click finale” che genera la commissione è solo l’ultimo fotogramma di un film molto più lungo. A rafforzare il quadro, l’analisi ha individuato 1.056 lacune di citazione, di cui 47 classificate come critiche: casi in cui un contenuto editoriale ha chiaramente contribuito alla decisione d’acquisto ma non risulta mai citato, né quindi remunerato, nella catena di attribuzione. Ma cosa succede quando si guarda sotto il cofano dell’attribuzione, dentro il meccanismo che genera questo scollamento?
Dentro l’AI Overviews
Per capirlo, bisogna smontare il meccanismo delle AI Overviews di Google. Il sistema, distribuito a tutti gli utenti negli Stati Uniti a partire da maggio 2024 con l’obiettivo dichiarato di raggiungere oltre un miliardo di persone entro la fine dello stesso anno, funziona per sintesi: interroga più fonti, ne estrae il contenuto rilevante, lo ricompone in una risposta unica e cita — quando lo fa — un sottoinsieme di quelle fonti in link secondari, spesso collocati sotto la piega o dentro un carosello espandibile. Google stessa ha dichiarato che i link inclusi in AI Overviews ottengono più clic rispetto a quanto accadrebbe se la stessa pagina comparisse come un risultato web tradizionale per quella query. È un’affermazione tecnicamente vera e allo stesso tempo fuorviante, perché descrive solo la sorte dei link che vengono citati, non quella — molto più numerosa — dei contenuti che hanno informato la sintesi senza mai comparire in superficie.
Il paradosso è tutto qui: mentre il singolo link citato performa meglio, il volume assoluto di ricerche che si chiudono senza alcun click-through è esploso. Secondo Similarweb, tra maggio 2024 e maggio 2025 la quota di ricerche di notizie che non generano alcun click-through è passata dal 56% a quasi il 69%. Nello stesso periodo, secondo Wikipedia, gli AI Overviews sono passati dal comparire nel 6,49% delle query a marzo 2025 a oltre il 48% delle query totali a marzo 2026 — una crescita di adozione che ha moltiplicato per otto la superficie di ricerca “mediata”, non “diretta”. Il risultato netto è un’architettura in cui il traffico che raggiunge il sito dell’editore, quando arriva, viene classificato dagli analytics come traffico diretto o ricerca branded, mentre l’influenza reale che lo ha generato — un articolo letto, un confronto prodotto, una recensione — resta invisibile al sistema di tracciamento. Come ha sintetizzato Levi Pillay, l’impatto che ha portato a quell’acquisto non viene catturato da nessuna parte della pipeline. Se l’attribuzione ultimo clic è ormai un artefatto storico più che una misura affidabile, cosa significa per chi progetta sistemi di affiliazione?
Lo stack si rompe
Chi costruisce piattaforme di affiliazione si trova davanti a un bivio tecnico, non solo commerciale: accettare l’invisibilità di questo 70% di influenza, oppure ripensare lo stack di misurazione da zero. Il modello tradizionale — link univoco, cookie, ultimo clic prima della conversione — è stato progettato per un web in cui la ricerca era una lista di risultati cliccabili in sequenza. Non è progettato per un ambiente in cui una risposta sintetica generata da un modello linguistico assorbe il contenuto di dieci fonti diverse e ne restituisce solo due o tre come citazioni cliccabili, lasciando le altre a operare come input non tracciato di un processo probabilistico. Servirebbe, in sostanza, un layer di verifica che sieda tra il momento della sintesi generativa e il momento della conversione: qualcosa che sappia certificare quali fonti hanno contribuito a una risposta anche quando non vengono citate esplicitamente, e che traduca quella certificazione in un meccanismo di compensazione proporzionale. È esattamente la logica dietro l’iniziativa con cui Partnerize e Profound hanno unito le forze per affrontare le lacune di attribuzione nell’IA, muovendosi in territorio adiacente a quello presidiato da attori come VantagePoint, Awin e dall’Alliance for Audited Media sul fronte della verifica indipendente dei dati. Il principio è netto: la visibilità dentro un’esperienza d’acquisto mediata dall’IA ha valore solo se esiste un modo per verificare cosa è successo dopo, attribuire l’influenza e assicurarsi che i partner giusti vengano compensati. Senza quel layer, l’HaloIndex non è un vezzo analitico: è la misura di un bug strutturale nel sistema di compensazione dell’intero settore.
Il numero 3.84x, allora, non va letto come una curiosità statistica ma come un indicatore di deriva architetturale: la distanza tra ciò che il tracciamento dichiara di misurare e ciò che effettivamente accade nel comportamento d’acquisto mediato dall’IA. Colmarla richiede nuove primitive — verifica, attribuzione probabilistica, compensazione distribuita — non patch cosmetiche sopra un modello di tracciamento che il web generativo ha già superato.
