
L’attribuzione cookieless con l’AI significa collegare gli ordini ai touchpoint di marketing, ricerca e agenti AI che li hanno generati senza affidarsi ai cookie di terze parti. Usa dati di prima parte, eventi server-side, report aggregati a livello di browser e modelli per colmare le lacune. Per un negozio ecommerce c’è un secondo problema, oltre al primo: una quota crescente della scoperta avviene all’interno degli agenti AI per gli acquisti, dove un acquirente potrebbe non fare mai clic su un annuncio e un agente potrebbe consigliare un prodotto mentre l’acquirente ne compra un altro. Questa guida spiega entrambe le metà del problema, cosa impostare per prima e dove i numeri resteranno inevitabilmente sfumati, qualunque cosa tu faccia.
In breve
- L’attribuzione cookieless è uno stack, non uno strumento: dati di prima parte, eventi server-side, API delle piattaforme e stime modellate, ciascuno con limiti noti.
- La misurazione che tutela la privacy sacrifica precisione e velocità in cambio della conformità. Aspettati dati ritardati, aggregati e talvolta imprecisi.
- Gli agenti AI aggiungono un nuovo livello: prima di poter attribuire loro una vendita, devi sapere se consigliano davvero il tuo prodotto.
- La qualità della scheda prodotto cambia il comportamento degli agenti. In esperimenti pubblicati, piccole modifiche alla descrizione hanno spostato la quota di mercato di diversi punti percentuali.
- Parti da una base pulita di dati di prima parte, etichetta separatamente i referral AI e testa regolarmente le tue schede prodotto con agenti reali.
Cos’è davvero l’attribuzione cookieless
Per anni, i cookie di terze parti hanno permesso alle piattaforme pubblicitarie di seguire un acquirente da un annuncio su un sito fino a un acquisto sul tuo. L’attribuzione cookieless sostituisce quel filo con altri segnali. Tra questi ci sono login e indirizzi email raccolti con consenso, dati degli ordini provenienti dalla tua piattaforma, flussi di eventi server-side e report generati direttamente dal browser.
La parola “AI” nell’espressione di solito rimanda a una di due cose:
- L’AI come motore di misurazione. I modelli stimano quali touchpoint meritano il credito quando manca il collegamento diretto. È questa la proposta della maggior parte dei fornitori di attribuzione.
- L’AI come canale. Gli acquirenti chiedono a ChatGPT, Gemini, Claude o Perplexity cosa comprare, e la risposta li porta a un negozio oppure un agente acquista per loro conto. Qui l’attribuzione significa capire quando un agente ti ha scelto e quale valore ha generato.
La maggior parte delle guide copre il primo aspetto e ignora il secondo. Un proprietario di negozio su Shopify o WooCommerce deve gestirli entrambi.
La situazione attuale dei cookie di terze parti
Le tempistiche hanno continuato a cambiare. Google aveva pianificato di eliminare gradualmente i cookie di terze parti in Chrome, ma nel 2025 ha dichiarato che continuerà a supportarli e offrirà un modello basato sulla scelta dell’utente invece di un prompt di consenso separato, mantenendo comunque disponibili le API di Privacy Sandbox. Il risultato pratico è un ambiente misto. Alcuni visitatori usano ancora cookie di terze parti, mentre altri navigano con Safari, Firefox, estensioni per la privacy o impostazioni di Chrome che li bloccano.
Per questo aspettare è una cattiva strategia. I tuoi dati sono già incompleti per una quota significativa di visitatori, e la percentuale varia in base al pubblico. Creare un sistema di misurazione che non dipenda dai cookie è la scelta più sicura, indipendentemente da come evolveranno le policy dei browser.
Gli elementi di base di una configurazione cookieless
Dati first-party
Questa è la base. Il tuo negozio sa chi ha effettuato un ordine, cosa ha comprato e quale codice sconto ha usato. Se aggiungi un sondaggio post-acquisto (“Come ci hai conosciuti?”), puoi raccogliere segnali che nessun pixel vede, incluso “Ho chiesto a ChatGPT”. L’attribuzione auto-dichiarata non è perfetta, ma spesso è l’unico punto in cui compare davvero la scoperta assistita dall’AI.
Tracciamento server-side
Invece di inviare ogni evento dal browser dell’acquirente, invii gli eventi di conversione dal tuo server alle piattaforme pubblicitarie e agli strumenti di analytics. Gli eventi superano più spesso gli ad blocker, e hai il controllo su ciò che esce dal tuo negozio. Questo non elimina la necessità del consenso dove previsto dalla legge, né ripristina magicamente l’identità persa.
API per la privacy a livello browser
Google Attribution Reporting API di Google produce report generati dal browser che associano le interazioni pubblicitarie alle conversioni limitando al tempo stesso il tracciamento cross-site. Il suo design prevede due tipi di output. Secondo la panoramica del sistema, i report a livello di evento arrivano in genere con un ritardo da 2 a 30 giorni, mentre i report aggregabili vengono inviati con un ritardo casuale entro un’ora ma richiedono un servizio di aggregazione per produrre riepiloghi. Per la maggior parte dei negozi piccoli e medi, questa funzionalità verrà usata tramite una piattaforma pubblicitaria invece di essere implementata direttamente. Il punto chiave è la forma dei dati: ritardati, parziali e aggregati.
Conversioni modellate
Le piattaforme pubblicitarie e gli strumenti di analytics colmano le lacune con modelli statistici. Sono utili per orientare i budget, ma poco affidabili come traccia di verifica per un singolo ordine. Considerali stime con un margine di errore e confrontali regolarmente con i totali dei tuoi ordini.
Il compromesso che nessuno può eliminare
Autorità di regolamentazione e ricercatori descrivono lo stesso compromesso. Un case study dell’IMDA di Singapore sull’attribuzione che tutela la privacy descrive l’equilibrio tra privacy e utilità, che spesso significa accettare una precisione ridotta o report misurati in ore o giorni invece che in tempo reale. Le tecniche di differential privacy aggiungono deliberatamente rumore ai dati, quindi prendere decisioni granulari nello stesso giorno diventa più difficile per un negozio che gestisce promozioni quotidiane.
Un secondo elemento di cautela arriva dal lavoro accademico. I ricercatori che hanno analizzato come le aziende adtech definiscono la privacy hanno scoperto che viene in gran parte inquadrata come anonimato e limitazione del tracciamento individuale, e avvertono di non dare per scontato che ogni etichetta “privacy-preserving” significhi protezione assoluta dei dati. Per te questo significa leggere criticamente le dichiarazioni dei fornitori e verificare quali dati vengono raccolti, dove finiscono e quale consenso è necessario.
È utile ricordare anche che l’attribuzione è solo una delle prospettive. Alcune agenzie sostengono che la sola attribuzione non basta a spiegare il ritorno del marketing, aspetto ancora più importante ora che i dati sono più rumorosi rispetto al passato. Usa l’attribuzione per confrontare i canali a livello direzionale e affiancala a metriche aggregate come ricavi totali rispetto alla spesa totale.
Il nuovo problema: attribuire gli agenti AI per gli acquisti
La perdita dei cookie è un problema noto con soluzioni note. Gli agenti AI ne creano uno diverso. Un acquirente chiede a un assistente la migliore giacca impermeabile entro un certo budget. L’assistente legge le pagine prodotto, confronta le opzioni e ne suggerisce alcune. L’acquirente può cliccare, può copiare il nome del brand in una barra di ricerca più tardi oppure lasciare che un agente completi l’acquisto. I tuoi analytics potrebbero registrarlo come traffico diretto, ricerca branded o niente affatto.

Tre elementi rendono tutto questo difficile.
Gli agenti non sono acquirenti umani. I ricercatori hanno creato una sandbox chiamata ACES per testare cosa comprano gli agenti AI e hanno riscontrato forti sensibilità specifiche per modello alla struttura della scheda prodotto, al prezzo e alle raccomandazioni. Una modifica che aiuta un modello può avere scarso effetto su un altro.
L’ultimo clic è fuorviante. Un paper sulle raccomandazioni ecommerce descrive il modello “Click A, Buy B”, in cui un utente interagisce con un prodotto e successivamente ne acquista un altro. Con gli agenti, il prodotto che ottiene la raccomandazione e quello che finisce nel carrello possono essere diversi, quindi attribuire il merito solo al clic finale distorce il quadro.
Le etichette di referral sono incomplete. Alcuni prodotti AI aggiungono un parametro sorgente ai link in uscita, altri no, e molte menzioni non generano mai un clic. Tutto ciò che vedi nei tuoi analytics rappresenta un minimo, non il totale.
La tua scheda prodotto viene davvero scelta? Misura prima questo
Prima di attribuire una vendita a un agente AI, chiediti se gli agenti ti scelgono davvero. Questa è la metrica a monte che i cookie non hanno mai catturato, ed è anche quella che puoi migliorare direttamente.
Gli esperimenti ACES sono un riferimento utile. Dopo l’ottimizzazione delle descrizioni, la quota di mercato media dei venditori è aumentata di da 2,69 a 5,64 punti percentuali, a seconda del modello: +2,69 per Claude Sonnet 4, +5,64 per GPT-4.1 e +4,83 per Gemini 2.5 Flash. Si tratta di risultati di laboratorio in un marketplace simulato, non di una promessa per il tuo negozio, ma mostrano che le modifiche ai contenuti influenzano le scelte degli agenti e che i modelli differiscono tra loro.

Anche il grounding conta. Uno studio sugli agenti conversazionali per gli acquisti riporta che citare informazioni prodotto accurate migliora il coinvolgimento dal 3% al 10% e che gli approcci di generazione delle citazioni hanno migliorato le prestazioni di grounding del 13,83%. Fatti di prodotto chiari e verificabili sulla tua pagina danno agli agenti qualcosa di sicuro da ripetere.
Se vuoi una visione più ampia di come l’AI viene applicata negli ecommerce, questa raccolta di esempi di AI nell’ecommerce mostra dove il lavoro sui contenuti sta dando risultati.
Una configurazione pratica per un negozio Shopify o WooCommerce
Questa sequenza funziona per la maggior parte dei negozi e non richiede un team dati.
- Definisci il tuo punto di riferimento. Registra settimanalmente ordini, ricavi, nuovi clienti rispetto ai clienti di ritorno e spesa pubblicitaria dalla tua piattaforma ecommerce, non dalle dashboard pubblicitarie. Questa è la tua fonte di verità.
- Aggiungi una domanda post-acquisto. Includi opzioni come ricerca, social, amico, podcast e “assistente AI (ChatGPT, Gemini, ecc.)”. Riesamina i risultati ogni mese.
- Invia eventi server-side alle principali piattaforme pubblicitarie, con una gestione del consenso conforme alle leggi dei paesi in cui vivono i tuoi clienti.
- Segmenta i referral AI. Crea un gruppo di canali nei tuoi analytics per le fonti AI conosciute, così non resteranno nascoste nel traffico referral o diretto. Aggiorna l’elenco ogni trimestre man mano che compaiono nuovi prodotti.
- Esegui test holdout. Metti in pausa un canale in una regione o per una settimana e osserva il ricavo totale. I test di incrementalità sono la risposta più pulita quando il tracciamento è poco chiaro.
- Testa la visibilità presso gli agenti. Verifica se ChatGPT, Gemini, Claude e Perplexity raccomandano i tuoi prodotti per le domande che fanno gli acquirenti e confrontali con i concorrenti che conquistano quegli spazi.
- Riscrivi, ripubblica, riesegui la scansione. Correggi le lacune evidenziate dai test, poi ripeti i controlli, perché il comportamento dei modelli cambia.
I passaggi 6 e 7 sono quelli in cui la maggior parte dei negozi non ha alcun processo, ed è anche dove i benefici di piccole modifiche sono maggiori.
Come appare una vista pulita dell’attribuzione AI
| Domanda | Segnale | Affidabilità |
|---|---|---|
| Un agente ci ha raccomandati? | Query degli agenti simulate o campionate | Alta per i prompt testati, parziale nel complesso |
| Ha generato traffico? | Referral AI taggati negli analytics | Solo un minimo, non include le visite non taggate |
| Ha generato ordini? | Ordini da referral più risposte ai sondaggi | Moderata |
| Ha aumentato il ricavo totale? | Holdout e trend di ricavi aggregati | Massima, ma lenta |
Nessuna singola riga rappresenta la risposta. Insieme permettono di costruire una storia coerente e mantengono chiarezza su ciò che viene misurato e ciò che viene dedotto.
La nostra prospettiva
Abbiamo creato ecentic perché la domanda che si pongono i proprietari di negozi è cambiata. Prima era “quale clic merita il credito?”. Ora è “l’agente AI sceglie il mio prodotto, e se no perché?”. L’attribuzione cookieless gestisce la seconda metà del percorso, dopo che qualcuno è arrivato sul sito. Dice molto poco sulla prima metà, quella in cui un agente decide chi viene menzionato.
Per questo simuliamo veri agenti AI per gli acquisti invece di valutare le pagine con fattori SEO generici. Una scheda prodotto può sembrare perfetta a un essere umano e perdere comunque contro un concorrente perché un agente attribuisce un peso diverso alla struttura, ai segnali di prezzo o agli attributi mancanti. Quando conosci il motivo specifico della sconfitta, puoi correggerlo, pubblicare la modifica su Shopify o WooCommerce e rieseguire la scansione per vedere se la tua percentuale di selezione è cambiata. Colleghiamo questo ciclo agli ordini attribuiti, così i miglioramenti si traducono in ricavi invece che in metriche di vanità.
Il nostro consiglio sulla misurazione: non aspettare uno strumento di attribuzione perfetto, perché non esisterà. Costruisci una base first-party, tagga il canale AI e concentra gli sforzi dove puoi davvero cambiare i risultati, cioè sulla scheda prodotto.
— Xhurian
Testa come gli agenti AI vedono il tuo negozio
Se gestisci un negozio Shopify o WooCommerce, ecentic inizia con una scansione introduttiva gratuita che mostra come gli agenti AI per gli acquisti valutano le tue pagine prodotto. Puoi poi passare a un piano: Compete costa $14.90 al mese, Scale costa $44.90 al mese e Dominate costa $149 al mese. È prevista anche una commissione del 3% per ogni ordine attribuito all’AI. Consulta i piani e prezzi, oppure prova UCP Playground per testare gli agenti rispetto a un negozio. Per il lato schede prodotto, leggi di più su ottimizzazione delle schede prodotto per l’AI.
Rendere le schede prodotto più facili da citare per gli agenti
L’attribuzione ti dice cosa è successo. Il lavoro sulle schede prodotto cambia ciò che succederà dopo. Alcune abitudini aiutano con tutti i modelli:
- Indica chiaramente gli attributi: materiali, dimensioni, compatibilità, garanzia e condizioni di spedizione in campi strutturati, non solo nelle immagini.
- Mantieni i titoli specifici. La nostra guida su titoli prodotto per l’AI spiega come testarli.
- Rendi verificabili le affermazioni. Gli agenti basati su fatti accurati e citati funzionano meglio, come suggerisce la ricerca riportata sopra.
- Copri le domande di confronto che fanno gli acquirenti, ad esempio in che modo il tuo prodotto differisce da un’alternativa conosciuta.
- Riesegui la scansione dopo ogni modifica. Per un approccio passo dopo passo, scopri come ottimizzare le schede prodotto per gli agenti AI per gli acquisti e come ottenere pagine prodotto leggibili dall’AI.
Una precisazione sul tipo di prodotto. Una ricerca sulle reazioni dei consumatori ha rilevato che le persone percepiscono l’AI come più trasparente e credibile degli esperti umani per i prodotti di ricerca, cioè articoli ben definiti, mentre questa preferenza diminuisce o si inverte per i prodotti esperienziali che richiedono un giudizio soggettivo. Se vendi questi ultimi, affianca specifiche adatte agli agenti a recensioni, demo e voci umane.
Errori comuni da evitare
- Affidarsi a una sola dashboard. Ogni piattaforma valuta il proprio operato. Confronta i dati con i totali del negozio.
- Aspettarsi precisione in tempo reale. I report che tutelano la privacy sono ritardati e aggregati per progettazione.
- Ignorare il consenso. Server-side non significa senza consenso. Verifica le regole di ogni mercato in cui vendi insieme a un professionista della privacy.
- Trattare tutti gli agenti allo stesso modo. Gli esperimenti mostrano che modelli diversi reagiscono in modo diverso alla stessa modifica.
- Contare solo i clic. Una menzione da parte di un agente può generare una ricerca branded il giorno successivo. Sondaggi e holdout catturano ciò che i clic non mostrano.
FAQ
L’attribuzione cookieless è meno accurata di quella basata sui cookie?
Di solito è meno granulare e più lenta, non inutile. I metodi che tutelano la privacy spesso accettano una precisione ridotta e report ritardati in cambio della conformità. Ottieni risultati migliori combinando dati first-party, stime modellate e test holdout piuttosto che affidandoti a un’unica fonte.
L’AI può colmare le lacune lasciate dall’assenza dei cookie?
In parte. I modelli possono stimare il merito tra i diversi touchpoint, ma deducono invece di osservare direttamente, quindi comportano errori. Usali per decisioni di budget direzionali e verifica tutto con i dati dei tuoi ordini.
Come faccio a sapere se ChatGPT o Gemini mi generano vendite?
Tagga le fonti referral AI conosciute nei tuoi analytics, aggiungi un’opzione AI al sondaggio post-acquisto e monitora i trend delle ricerche branded. Questi dati rappresentano un minimo, perché molte menzioni degli agenti non generano mai un clic taggato. Verificare se gli agenti raccomandano i tuoi prodotti in primo luogo mostra il quadro a monte.
Ho bisogno di un nuovo strumento di attribuzione per prepararmi agli acquisti AI?
Non necessariamente. Parti da una base first-party pulita e da eventi server-side. Ciò che manca alla maggior parte dei negozi è la visibilità su come gli agenti classificano le loro schede prodotto, che è un compito separato dall’attribuzione dei clic.
Fonti
- Google Privacy Sandbox: panoramica della Attribution Reporting API
- Google Privacy Sandbox: panoramica del sistema Attribution Reporting
- JENTIS: Google non eliminerà i cookie di terze parti
- IMDA: case study su attribuzione e misurazione che tutelano la privacy
- Attributi privati: significati e meccanismi dell’adtech privacy-preserving
- What Is Your AI Agent Buying? (arXiv)
- Click A, Buy B: Rethinking Conversion Attribution in E-Commerce Recommendations (arXiv)
- Cite Before You Speak (arXiv)
- The impact of humans vs. AI recommendation on consumer reactions
Esplora questi argomenti