
Che le persone cerchino su Google, vadano su Amazon o chiedano a un chatbot, oggi l’AI restituisce una risposta con un prodotto, e la maggior parte dei brand ecommerce non ha idea di come diventare quel prodotto. L’AI selection rate è il numero che ti dice quanto spesso ci riesci. Conti gli scenari d’acquisto in cui un agente AI per gli acquisti ha scelto il tuo prodotto come opzione finale, dividi per tutti gli scenari che hai testato e moltiplichi per 100.
Penso che questo sia il numero più onesto in tutta la conversazione sullo shopping con agenti, soprattutto perché è difficile da falsare. Una citazione costa poco. Un prodotto può essere nominato in ogni risposta e perdere comunque la vendita all’ultimo passaggio, un po’ come essere invitati a ogni matrimonio senza essere mai quelli che si sposano. La selezione è il momento in cui l’agente smette di elencare e inizia a scegliere.
TL;DR
- L’AI selection rate è la percentuale di scenari d’acquisto testati in cui un agente AI per gli acquisti sceglie il tuo prodotto come scelta finale.
- Decidi cosa considerare una selezione prima di misurare: scelta migliore, vincitore della shortlist, inserimento nel carrello, inizio della procedura d'acquisto o ordine completato.
- Riportalo per modello e con le date. Un unico punteggio aggregato nasconde il fatto che gli assistenti non sono d’accordo tra loro.
- Piccoli movimenti da una settimana all’altra sono di solito rumore. Ripeti gli stessi prompt molte volte prima di credere a un cambiamento.
- La leva più rapida sono i dati che l’agente legge: feed di prodotto, catalogo e dati strutturati nelle schede prodotto.
Cosa misura l’AI selection rate
Un agente AI per gli acquisti non naviga la tua homepage. Legge il feed di prodotto, il catalogo e i dati strutturati nelle schede prodotto, confronta ciò che trova con altri venditori e risponde con un prodotto, o con una breve lista con un preferito. L’AI selection rate conta quante volte quel preferito è il tuo.
La formula è semplice:
selection rate = scenari in cui il tuo prodotto è stato selezionato / totale degli scenari analizzati × 100
Uno scenario è una richiesta d’acquisto, come “un siero alla vitamina C per pelle sensibile sotto i $40” oppure “due bottiglie di uno specifico single malt, consegnate in Texas”. Ne scrivi un insieme per i tuoi prodotti, li esegui e registri il risultato.
Ecco un esempio inventato, solo per mostrare il calcolo. Metti alla prova un prodotto in 40 scenari. L’agente lo sceglie in 8 casi. La percentuale di selezione per quel prodotto è del 20%. Se il tuo concorrente più vicino viene scelto in 18 casi, la sua percentuale è del 45%, e gli scenari restanti vanno ad altri venditori o a nessuno. È su questo divario che devi lavorare.
Nota bene che cosa non rappresenta questo numero. Non è traffico e non è un ordine. È la decisione dell’agente, cioè il passaggio immediatamente precedente a uno dei due.
Decidi che cosa conta come selezione
È qui che la maggior parte dei team si lascia andare alla vaghezza, ed è qui che il numero smette di significare qualcosa. “Selezionato” può voler dire almeno cinque cose diverse:
- L’agente indica il tuo prodotto come l’opzione migliore.
- L’agente sceglie il tuo prodotto da una rosa di offerte.
- L’agente aggiunge il tuo prodotto al carrello.
- L’agente avvia la procedura d'acquisto.
- L’agente completa un acquisto per il cliente.
Sono fasi dello stesso funnel e producono percentuali molto diverse. La prima è permissiva. L’ultima è rigorosa e oggi è possibile solo in pochi contesti. L’acquisto dentro la risposta AI è attivo su Google AI Mode e Gemini negli Stati Uniti tramite UCP, lo standard aperto di Google per il checkout tramite agenti. ChatGPT indirizza il cliente al checkout del negozio, quindi per ChatGPT l’evento finale realistico è che l’agente scelga il tuo prodotto e il cliente faccia clic per passare al sito.
Il mio consiglio è scegliere una definizione, metterla per iscritto e non cambiarla mai a trimestre in corso. Se questo mese riporti “indicato come opzione migliore” e il mese prossimo “aggiunto al carrello”, finirai per festeggiare un calo come se fosse un aumento, o il contrario.
Come calcolarla e monitorarla
Non ti serve un team di data science. Ti serve disciplina. Questi sono i passaggi che seguirei.
- Scegli i prodotti. Inizia dai dieci che contano di più, per margine o per volume.
- Scrivi gli scenari. Per ogni prodotto, scrivi richieste d’acquisto realistiche nel modo in cui le formulano i tuoi clienti. Includi limiti di prezzo, casi d’uso, luoghi di consegna e varianti. Definisci l’elenco prima di eseguire il test, così non potrai eliminare di nascosto i prompt che sono andati male.
- Indica il concorrente. Gli agenti scelgono tra opzioni, quindi ogni scenario deve includere anche il prodotto di un concorrente. Usa quelli che i tuoi clienti confrontano davvero con il tuo.
- Esegui ogni scenario molte volte, su ogni modello. Una sola esecuzione non dimostra nulla, perché lo stesso prompt può produrre una risposta diversa al tentativo successivo.
- Registra il modello, la versione del modello e la data accanto a ogni risultato. Gli aggiornamenti dei modelli possono rimescolare gli esiti da un giorno all’altro.
- Calcola la percentuale per modello e per prodotto. Poi, se vuoi, aggiungi una vista d’insieme del portafoglio.
- Correggi i dati, poi riesegui gli stessi scenari. Confronta casi equivalenti.
Farlo a mano funziona per una manciata di prodotti. Poi diventa presto pesante. In ecentic, l’esecuzione equivalente è automatizzata: si collega a Shopify, WooCommerce o a un feed di prodotti, fa confrontare a ChatGPT, Claude e Gemini ogni prodotto con quello di un concorrente indicato e mostra perché il tuo prodotto perde. Una precisazione corretta però va fatta: si tratta di acquirenti simulati, non reali, quindi una percentuale migliore in una simulazione è un indizio su come gli agenti leggono i tuoi dati, non una previsione degli ordini.
Percentuale di selezione rispetto a menzioni, referral e conversioni
I team confondono continuamente queste metriche, quindi ecco la differenza in un confronto diretto.
| Metrica | Che cosa conta | Quanto è vicina all’acquisto |
|---|---|---|
| Percentuale di menzioni | Quanto spesso il tuo brand o prodotto viene nominato in una risposta | Lontana. Essere nominati non significa essere scelti |
| Percentuale di raccomandazione | Quanto spesso viene suggerito come buona opzione | Più vicina, ma un elenco può avere cinque vincitori |
| Percentuale di selezione | Quanto spesso è la scelta finale tra le opzioni | Vicina. È questa la decisione |
| Visite referral da AI | Visite che arrivano da un assistente AI | Dopo la decisione, se il cliente fa clic |
| Conversione | Ordini generati da quelle visite | Il risultato |
Un prodotto può comparire in moltissime risposte e comunque perdere all’ultimo passaggio. I motivi di solito sono banali: prezzo più alto, consegna più lenta, una variante mancante, condizioni di reso peggiori, recensioni meno solide o dati prodotto incompleti o non aggiornati. Un brand può posizionarsi bene nella ricerca classica ed essere comunque escluso dalla decisione dell’AI: è il divario che gli esempi di AI nell’ecommerce mettono in evidenza quando descrivono come oggi ricerca e risposte AI si sovrappongano.
Un’altra distinzione importante. Una selezione simulata non è una vendita. Le visite referral sono reali, la selezione simulata è un test e il fatturato è una metrica separata. Tienili in colonne diverse. Se vuoi un approfondimento sulla misurazione del traffico degli agenti, ne ho parlato nella nostra guida all’AI analytics per ecommerce.
Perché serve una percentuale per modello, non un unico punteggio
Gli assistenti non sono d’accordo tra loro e non sono coerenti nemmeno tra versioni dello stesso modello. Uno studio accademico del 2025, What Is Your AI Agent Buying?, ha fatto eseguire agli agenti gli stessi assortimenti di prodotti. Nella categoria degli smartwatch fitness, Claude Sonnet 4 ha scelto un modello Fitbit nel 45% dei casi, mentre GPT-4.1 e Gemini 2.5 Flash lo hanno scelto circa nel 25% dei casi. La quota è poi salita al 77% con Claude Opus 4.5 ed è scesa al 6% con GPT-5.1.

Rileggilo due volte. Stessi prodotti, stesso scaffale, vincitori completamente diversi a seconda del modello interrogato. Una media aggregata di quei numeri non descriverebbe nessun acquirente reale.
Le nostre simulazioni mostrano la stessa divisione. Entro ottobre 2026 avevamo eseguito 36.797 acquisti simulati. Sullo stesso catalogo, ChatGPT sceglieva il prodotto circa 3 volte più spesso di Claude o Gemini: 51,6% contro circa 18,5%. Non fingerò di sapere sempre il motivo. Credo che dipenda in parte dal fatto che ogni modello attribuisce un peso diverso a prezzo, brand e completezza dei dati. Il punto pratico è semplice: riporta ogni assistente su una riga separata, con una data.
Cambia anche quello che fai dopo. Se perdi su un modello e vinci su un altro, hai una diagnosi precisa invece della vaga sensazione che “all’AI non piacciamo”.
Cosa influenza la percentuale
L’agente conosce solo quello che i tuoi dati gli dicono. Per questo i fattori più influenti sono anche i meno spettacolari.
Problemi nei dati prodotto. Un titolo che dice “Siero 30 ml” non dà a un agente nulla da collegare a una richiesta sulla pelle sensibile. Una descrizione scritta per un poster, e non per aiutare una decisione, ha lo stesso problema. In un audit anonimo, un marketplace di alcolici da circa €70M l’anno aveva errori nei dati letti dagli agenti sull’88% dei suoi 9.699 prodotti. Quando agli agenti veniva chiesto dove acquistare due bottiglie presenti nel catalogo, il marketplace è comparso 0 volte su 20. Ottimo catalogo, scaffale invisibile.
Dati strutturati. È il livello leggibile dalle macchine di una pagina prodotto: prezzo, disponibilità, brand, identificatori, spedizione e dettagli sui resi. Gli agenti si basano molto su questi dati perché non sono ambigui. Campi mancanti o contraddittori fanno perdere facilmente.
Confronto con i concorrenti. Gli agenti raramente valutano il tuo prodotto da solo. Lo mettono accanto a un altro. Se la scheda prodotto del concorrente specifica un caso d’uso, un materiale e una politica di reso, e la tua no, vince il concorrente. Per questo facciamo confrontare ai modelli ogni prodotto con un rivale specifico e spieghiamo il risultato in linguaggio semplice.
Posizione e ordine. Le ricerche sulla selezione degli agenti hanno rilevato che i modelli possono essere influenzati dalla posizione di un prodotto nella lista. Se fai test, randomizza l’ordine delle opzioni, altrimenti misurerai il layout e non il prodotto.
La procedura d’acquisto stessa. La selezione non finisce con la scelta. In un altro audit anonimo, le procedure d’acquisto gestite dagli agenti di un brand svedese di skincare arrivavano al pagamento in 0 paesi su 6 perché un’impostazione di spedizione richiedeva un numero di telefono. Un agente non può inventarselo, quindi l’ordine si interrompeva. Se il tuo obiettivo è vendere e non solo essere scelto, il percorso di checkout fa parte dei dati prodotto.
Per capire il funzionamento di questi agenti, come gli agenti AI per gli acquisti consigliano i prodotti spiega cosa leggono e in quale ordine. Per il lato scheda prodotto, vedi Ottimizzazione AI delle schede prodotto.

Come interpretare un cambiamento nella percentuale
La tua percentuale è passata dal 20% al 25%. Congratulazioni o rumore statistico? Di solito rumore, finché non viene dimostrato il contrario.
Tre abitudini aiutano. Primo: usa un campione sufficientemente ampio. Se ogni scenario è stato eseguito una sola volta, una variazione di pochi punti equivale a un lancio di moneta. Esegui molti test indipendenti per modello. Secondo: osserva l’entità della variazione e quanto potrebbe oscillare, non solo se è “significativa”. Uno spostamento minimo con un ampio margine di errore non ti dice nulla. Terzo: collega ogni confronto a una versione del modello. Se un provider ha aggiornato il modello tra due esecuzioni, potresti stare confrontando due acquirenti diversi.
Quando modifichi qualcosa, ad esempio riscrivi 20 titoli, riesegui gli stessi scenari fissi sugli stessi modelli e confronta solo quei prodotti. Se i prodotti modificati cambiano e quelli non toccati no, hai un segnale reale. È quanto di più vicino a un esperimento controllato possa ottenere un proprietario di ecommerce.
La nostra prospettiva
Credo che la percentuale di selezione diventerà una voce standard nei report ecommerce entro un paio d’anni e credo che la maggior parte dei brand la scoprirà prima nel modo peggiore: accorgendosi di avere un punteggio vicino allo zero.
Abbiamo costruito ecentic attorno a una convinzione. L’agente non vede mai la tua homepage. Legge il feed prodotti, il catalogo e i dati strutturati e, su Google AI Mode e Gemini negli Stati Uniti, può perfino completare l’acquisto per l’utente tramite UCP. Per questo il lavoro va fatto sul negozio stesso, non su una dashboard che segnala un problema e lo lascia lì.
Per questo il nostro flusso termina con un’azione. Facciamo confrontare a ChatGPT, Claude e Gemini ogni prodotto con quello di un concorrente specifico, mostriamo perché il tuo perde e, quando clicchi su Apply, ecentic riscrive titolo, descrizione e dati strutturati e li pubblica nel tuo negozio. Su Shopify inviamo le correzioni a Google Merchant Center e tracciamo le visite dagli assistenti AI. Su WooCommerce, il plugin gratuito di ecentic permette agli agenti di cercare, aggiungere prodotti al carrello e completare la procedura d’acquisto tramite UCP. Il checkout è la parte che i semplici strumenti per feed non fanno.
Sarò chiaro sui limiti. Siamo agli inizi, stiamo conducendo progetti pilota e il nostro primo cliente, DUA Flavours, ha registrato un aumento del 12% delle visite dagli assistenti AI e del traffico diretto da aprile a luglio 2026. È un dato sulle visite, non sulle vendite, e preferisco dirlo chiaramente piuttosto che lasciarti interpretare altro.
OpenAI ha ACP, Google ha UCP, Amazon ha un muro. Qualunque sia l’esito, il negozio con dati prodotto puliti e completi sarà quello da cui un agente potrà davvero acquistare.
Xhurian Shaba
Trova il tuo numero
Il modo più rapido per capire a che punto sei è eseguire il test. ecentic aiuta i negozi online a vendere quando gli agenti AI fanno acquisti: ottimizza feed prodotti e catalogo affinché gli agenti AI per gli acquisti scelgano i loro prodotti e possano davvero acquistarli. Ottieni la vendita quando è l’AI a fare shopping.
La scansione gratuita copre i tuoi 10 prodotti principali e non richiede carta di credito. Se vuoi correggere ciò che trova, i piani sono pubblicati nella pagina prezzi di ecentic: Compete costa 14,90 $ al mese per un massimo di 100 prodotti; Scale costa 44,90 $ al mese per un massimo di 1.000 prodotti, con correzioni in un clic; Dominate costa 149 $ al mese e aggiunge la sincronizzazione con Google Merchant Center e la configurazione del checkout gestito dagli agenti. È disponibile anche un’opzione pay-as-you-go pari al 3% degli ordini attribuiti all’AI, con un tetto massimo di 500 $ al mese.

Se vuoi vedere come funziona il processo prima di registrarti, come funziona ecentic spiega passo dopo passo simulazione, diagnosi e ottimizzazione.
FAQ
Qual è una buona percentuale di selezione AI?
Non esiste un benchmark universale credibile, perché la percentuale dipende dalla tua categoria, dai tuoi concorrenti, dagli scenari che hai scritto e dal modello che stai testando. Un obiettivo più utile è superare il concorrente specifico contro cui perdi più spesso, su ogni assistente, e vedere crescere il tuo numero dopo aver corretto i dati. Diffida di qualsiasi singola “media di settore”.
In cosa differisce la percentuale di selezione AI dalla visibilità AI?
Visibilità di solito significa che vieni menzionato o inserito in elenco. Selezione significa che l’agente ha scelto il tuo prodotto rispetto alle altre opzioni. Un brand può essere nominato spesso e comunque perdere la scelta finale, quindi la selezione è molto più vicina alla decisione d’acquisto.
Quanto spesso dovrei controllare la mia percentuale di selezione AI?
Controllala dopo ogni modifica e mantieni identici gli scenari tra un’esecuzione e l’altra. I modelli vengono aggiornati, quindi assegna una data a ogni risultato e annota la versione del modello. Oscillazioni settimanali senza modifiche da parte tua sono per lo più rumore.
Una percentuale di selezione più alta significa più vendite?
Non automaticamente. Una selezione simulata è un test di come gli agenti leggono i tuoi dati, non una vendita. È un forte indicatore anticipatore, ma gli ordini dipendono anche da prezzo, consegna, checkout e dal fatto che l’acquirente completi l’acquisto. Misura separatamente visite referral e ordini.
Esplora questi argomenti