Google molla la certezza dei dati per l’intelligenza artificiale
Google lancia Qualified Future Conversions, modello probabilistico che attribuisce conversioni entro 180 giorni, superando la finestra standard di 30 giorni.
La misurazione si sposta dal conteggio diretto a stime probabilistiche su finestre temporali estese
Trenta giorni. È il limite arbitrario della finestra di attribuzione post-click su cui abbiamo costruito carriere nel performance marketing. Un recinto mentale, prima ancora che tecnico. Ora Google lo sta scardinando con un colpo di codice: la metrica Qualified Future Conversions (QFC) non si accontenta più di contare eventi certi. Calcola il totale delle conversioni avvenute o previste entro 180 giorni da un’interazione pubblicitaria, aprendo un varco nel muro deterministico dei pixel di tracciamento.
QFC funziona combinando segnali deboli precoci — quei micro-comportamenti che normalmente scartiamo come rumore — con serie storiche di dati. È un modello probabilistico: non sa se quella vendita accadrà, ma stima quanti eventi simili si concretizzeranno nei sei mesi successivi, basandosi su buyer journey con cicli decisionali lunghi.
Comprare oggi, misurare dopodomani
Il bersaglio dichiarato è il growth gap della domanda a lungo termine, quella zona grigia dove la costruzione del brand viene sistematicamente sottovalutata dai modelli last-click. È uno spazio che i marketer conoscono bene: si lavora sulla parte alta del funnel, ma i Cruscotti registrano solo la coda finale, penalizzando l’investimento in awareness.
L’esempio più nitido di questo scollamento è l’esempio di QFC con la vendita 31 giorni dopo il click: fuori dalla finestra standard di 30 giorni, quella transazione semplicemente non esisterebbe nei report.
Ora riemerge, proiettata da un motore predittivo che lavora sul probabilistico, non sul certo.
Un agente che sceglie lo stack per te
Il cambio di paradigma non si ferma agli annunci. Durante il Google I/O Connect, l’azienda ha mostrato Modern Web Guidance, un sistema in cui l’AI agentica esegue una ricerca semantica locale su un bundle di guide tecniche per trovare l’implementazione più adatta al prompt dello sviluppatore.
Per ogni guida, si documenta l’implementazione ideale con la soluzione più moderna e, se quella funzionalità non soddisfa la condizione di baseline widely available (supporto nativo garantito da almeno due anni e mezzo), il sistema include automaticamente un fallback. La scelta tra implementazione moderna e fallback viene delegata all’agente, che valuta i requisiti di compatibilità browser del progetto.
Sotto il cofano, l’architettura è elegante: un motore di retrieval semantico associa il prompt a guide specifiche, mentre un selettore valuta il supporto runtime e decide se servire il codice più performante o il polyfill. Il risultato è uno stack generato, dove il compromesso tra innovazione e compatibilità è gestito algoritmicamente, non scelto dallo sviluppatore. Il trade-off non è più nel design system: è nell’addestramento del modello.
Oltre il verificabile
Anche la misurazione dell’efficacia si allontana dalla logica del conteggio diretto. Secondo un’analisi MMM pubblicata nei Video Campaign Groups e modello Meridian, basata su circa 600 brand con dati dal 2023 al 2025, una frequenza pubblicitaria ottimale di 2,7 volte a settimana produce un incremento del 19% del ROI. Il numero non deriva da un’attribuzione puntuale ma da una modellazione statistica: è un’inferenza, non una misura.
E a giugno 2026, come anticipato durante un’intervista SEO Confidential a Jan, Google ha aggiunto a Search Console un report dedicato all’intelligenza artificiale generativa. Ora è possibile segmentare il traffico proveniente dalle AI Overviews con i clic e le query che hanno attivato la risposta generativa. Anche qui, la provenienza del traffico è mediata da un sistema opaco: sappiamo che l’utente ha cliccato, ma non conosciamo la catena di retrieval e sintesi che ha prodotto quel link.
Chi costruisce oggi si trova di fronte a un’implosione silenziosa del tracciamento deterministico. Le pipeline di misurazione vanno ridisegnate intorno a stime probabilistiche, e il monitoraggio del codice generato da agenti richiederà nuove strategie di observability — probabilmente basate su telemetria distribuita e assertion testing sul risultato, più che sulla verifica statica della sorgente. La verificabilità non scompare: diventa un problema di architettura della fiducia, dove ciò che conta non è più il singolo dato misurato, ma il perimetro di errore del modello che lo ha prodotto.
