
Che le persone cerchino con Google, vadano su Amazon o chiedano a un chatbot, l'AI restituisce una risposta con un prodotto, e la maggior parte dei brand e-commerce non ha idea di come fare per essere quel prodotto. I dati di prezzo stanno da entrambe le parti del problema. Sono i dati di cui un sistema di pricing basato sull'AI ha bisogno per impostare i tuoi prezzi, e sono i dati di prezzo che un agente AI per gli acquisti legge prima di scegliere il tuo prodotto invece di quello di qualcun altro.
Penso che la maggior parte dei team concentri gli sforzi sul primo aspetto e dimentichi il secondo. Puoi costruire un eccellente modello di elasticità e perdere comunque la vendita perché il prezzo nel tuo feed di prodotto non coincide con il prezzo sulla pagina. L'agente non vede mai la tua homepage, quindi nessuno ha modo di spiegare.
In breve
- Il pricing con l'AI richiede dati puliti e coerenti: un solo codice prodotto, il prezzo effettivamente applicato, sconti, costi, inventario e prezzi dei concorrenti.
- L'aggiornamento conta quanto il volume. Input non aggiornati portano un modello a prezzare troppo in basso durante un picco di domanda e troppo in alto dopo.
- Testa ogni raccomandazione di prezzo dell'AI con un esperimento controllato prima di applicarla su larga scala e verifica le regole in ogni mercato in cui vendi.
- Gli agenti AI per gli acquisti leggono il tuo feed di prodotto, il catalogo e i dati strutturati, quindi i prezzi in quei punti devono essere corretti e coerenti.
- ecentic è una piattaforma per il commercio con agenti AI per negozi online: ottimizza il feed di prodotto e il catalogo perché gli agenti AI per gli acquisti scelgano i tuoi prodotti e possano davvero acquistarli.
Cosa significa davvero “dati di prezzo per l'AI”
L'espressione copre due attività, e richiedono dati diversi.
La prima è la determinazione dei prezzi basata sull'AI: software che consiglia o modifica i tuoi prezzi. BCG descrive questi sistemi come capaci di ottimizzare i prezzi a livello di articolo e di negozio valutando obiettivi strategici, regole di base come differenziali di prezzo e arrotondamenti, e segnali dinamici come i prezzi correnti dei concorrenti e le previsioni della domanda, su miliardi di scenari possibili. Una persona con un foglio di calcolo questo non lo fa in un martedì pomeriggio.
La seconda riguarda i dati di prezzo che gli agenti AI consumano quando fanno acquisti per conto di una persona. L'agente confronta i prodotti, controlla prezzo, disponibilità e spedizione, e ne sceglie uno. Dove trova queste informazioni è il feed di prodotto, il catalogo e i dati strutturati nelle tue schede prodotto. Un prezzo corretto nel tuo motore di pricing ma sbagliato nel feed è, per l'agente, semplicemente sbagliato.
Il pricing tradizionale si basa soprattutto su regole e revisioni periodiche: un obiettivo di margine, un controllo dei concorrenti, un calendario promozionale. Il pricing con AI sostituisce gran parte della componente periodica con raccomandazioni continue costruite da molti segnali contemporaneamente. Ecco perché i dati sottostanti contano così tanto. Il modello vale solo quanto valgono i dati con cui viene alimentato.
I dati di cui ha bisogno un sistema di pricing con AI
Parti da ciò che continua a emergere per chi fa verifiche in quest'area. Alexander Group elenca i problemi abituali: nomi SKU incoerenti, ID cliente o campi sconto non uniformi, dettagli delle transazioni che non coincidono tra aree geografiche e nessuna unica fonte attendibile per listini prezzi e approvazioni. Il punto di partenza che suggerisce è un database centrale leggero che copra SKU, segmenti cliente, storico delle transazioni e sconti. Sembra poco entusiasmante, e lo è. È anche il punto in cui la maggior parte dei progetti si blocca.
DataTruth definisce la preparazione come cinque controlli. Dovresti essere in grado di vedere il prezzo e lo sconto effettivamente applicati su ogni riga, mantenere un solo codice prodotto dal preventivo alla fattura, collegare rimborsi e crediti alla vendita a cui appartengono, conoscere i termini contrattuali correnti per cliente e fidarti del tuo costo per prodotto. Sono indicazioni pensate per i venditori B2B, ma la logica vale anche per un negozio online. Se i tuoi codici sconto vivono in uno strumento e i rimborsi in un altro, il modello imparerà da uno storico distorto.
Per un negozio, l'elenco operativo è questo:
| Dati | Perché il modello li richiede | Dove si trovano di solito |
|---|---|---|
| Prezzo effettivamente pagato, dopo gli sconti | Il riferimento più affidabile di ciò che i clienti hanno accettato | Sistema ordini, fornitore di pagamenti |
| Un unico ID prodotto in tutti i sistemi | Collega vendite, costi e righe del feed allo stesso articolo | Catalogo, ERP, feed |
| Costo per prodotto | Definisce la soglia minima di margine | Finanza o operazioni |
| Inventario e disponibilità | Scarsità e sovrastoccaggio cambiano il prezzo giusto | Sistema di inventario |
| Prezzi dei concorrenti ed esaurimenti di stock | Mostra la tua posizione e il divario | Strumenti di monitoraggio |
| Segnali di domanda come variazioni del ranking di ricerca e velocità di accumulo delle recensioni | Segnale precoce di un cambiamento | Analisi, marketplace |
Gli elementi relativi a domanda e concorrenti provengono da l'elenco ecommerce di DataGators come riassunto nella guida di Fairview, che suggerisce anche circa 12 mesi di storico pulito delle trattative per i venditori SaaS. Un negozio con prodotti stagionali vorrà almeno un ciclo completo di stagioni per la stessa ragione.
La soluzione raramente è un nuovo modello. Di solito è una settimana spesa per assicurarsi che la stessa sneaker abbia lo stesso ID ovunque.
Quanto devono essere aggiornati i dati
Il volume attira l'attenzione. La freschezza dei dati fa i danni. RisingWave descrive un modello di pricing che usa visualizzazioni di pagina, eventi di aggiunta al carrello, tassi di conversione, inventario e prezzi dei concorrenti e che fa prezzi troppo bassi durante un picco di domanda e troppo alti dopo se i suoi input non si aggiornano in tempo. Con aggiornamenti batch, il modello reagisce sempre al mercato di ieri.
Con quale frequenza sia sufficiente dipende da ciò che vendi. Un negozio con qualche centinaio di prodotti a rotazione lenta può cavarsela con aggiornamenti giornalieri. Un negozio che compete sui prodotti commodity contro i marketplace probabilmente no. La regola della stessa fonte è facile da applicare: se gli eventi alla base dei tuoi input cambiano più velocemente di quanto gira la tua pipeline, i tuoi input non sono aggiornati.
I dati errati fanno anche qualcosa di peggiore che restare lì. Un report di settore descrive come il feed di un concorrente che interpreta erroneamente un bundle come una singola unità possa innescare una spirale di ribasso dei prezzi, e come un aggiornamento ritardato dell'inventario possa far salire i prezzi mentre lo stock è abbondante. Lo stesso report afferma che le piattaforme stanno aggiungendo punteggi di affidabilità che inviano le raccomandazioni a bassa affidabilità a un iter più lento o a una persona. Mi piace questo approccio. Un motore di pricing capace di dire “non ne sono sicuro” è più raro di quanto dovrebbe essere.
Quale metodo di pricing AI si adatta a quale negozio
Simon-Kucher descrive cinque strategie di pricing AI nel retail. Si distinguono per la quantità di dati che richiedono, quindi formano una scala utile.
| Metodo | Cosa fa | Dati richiesti |
|---|---|---|
| Basato su regole | Regole manuali a livello di SKU | Costi, prezzi dei concorrenti |
| Modelli di elasticità | Stima come la domanda reagisce alle variazioni di prezzo | Vendite storiche a prezzi diversi |
| Pricing segmentato | Prezzi per gruppi con caratteristiche condivise | Dati sui segmenti di clientela |
| Offerte personalizzate | Adatta gli sconti ai singoli clienti | Record della customer data platform |
| Ottimizzazione unificata del valore | Bilancia prezzo, sconti e fidelizzazione per il profitto a lungo termine | Tutto quanto sopra, integrato |
Il punto di Simon-Kucher è che questo approccio funziona sia in piccolo sia in grande, dai piccoli retailer che prevedono la domanda dalle vendite passate alle grandi catene che ci basano la propria operatività. Esempi di come i retailer applicano queste idee tra prodotti e mercati sono raccolti in una panoramica di esempi di AI nell'ecommerce.
Il pricing dinamico, nella definizione accademica, ha due dimensioni: frequenza, cioè quante variazioni di prezzo avvengono in un periodo, e ampiezza, cioè il divario tra il prezzo più alto e quello più basso. È un modo utile per stabilire dei limiti. Un negozio che cambia i prezzi due volte al giorno del 30% sta facendo un esperimento diverso da uno che li ritocca ogni settimana del 3%, e i clienti se ne accorgono nel primo caso.
Esistono strumenti dedicati per questo lavoro. Peak e Competera sviluppano software per il pricing e il monitoraggio dei prezzi, adatti ai retailer che vogliono un sistema per impostare o controllare i prezzi su larga scala. Lavorano sul prezzo che applichi. La prossima sezione riguarda invece il prezzo che un agente legge.
I dati di prezzo che gli agenti AI per gli acquisti leggono
Qui c'è la parte che la maggior parte degli articoli sul pricing salta. Quando un cliente chiede un prodotto a un assistente, l'agente non naviga il tuo negozio come farebbe una persona. Legge il feed di prodotto, il catalogo e i dati strutturati nelle schede prodotto. Su AI Mode di Google e Gemini negli Stati Uniti può anche completare l'acquisto per il cliente tramite UCP, lo standard aperto di Google per il checkout degli agenti.
Quindi il tuo prezzo deve essere corretto in tre punti ed essere lo stesso in tutti. Se il feed indica un numero e la pagina un altro, hai dato all'agente un motivo per scegliere qualcun altro. Penso che questa sarà la fonte più silenziosa di vendite perse nei prossimi due anni, perché nessuno vede una vendita persa che non è mai arrivata a una visualizzazione di pagina.
Vediamo questo schema nelle verifiche. In una verifica anonima su un marketplace di alcolici che fattura circa €70M l'anno, un errore nei dati letti dagli agenti compariva sull'88% dei suoi 9,699 prodotti, e il marketplace compariva 0 volte su 20 quando agli agenti veniva chiesto dove acquistare due bottiglie che aveva a catalogo. In un'altra, i checkout degli agenti di un brand svedese di skincare arrivavano al pagamento in 0 di 6 paesi perché un'impostazione di spedizione richiedeva un numero di telefono. Nessuno dei due era un problema del modello di pricing. Entrambi erano problemi di dati che costavano ordini.
Ecco come controllare il tuo negozio, in ordine:
- Scegli dieci prodotti che contano per il fatturato e annota prezzo, valuta, disponibilità e costo di spedizione così come un cliente li vede nella pagina.
- Confronta questi valori con gli stessi campi nel tuo feed di prodotto e nei dati strutturati della pagina. Ogni discrepanza va in un elenco di correzioni.
- Esegui una simulazione di agente. ecentic si collega a Shopify, WooCommerce o a un feed di prodotto, e fa confrontare a ChatGPT, Claude e Gemini ogni prodotto con quello di un concorrente indicato, poi mostra perché perde. Il controllo gratuito copre i tuoi 10 prodotti principali senza bisogno di una carta di pagamento.
- Correggi i dati di prodotto. Quando il merchant fa clic su Applica, ecentic riscrive titolo, descrizione e dati strutturati e li pubblica nel negozio.
- Controlla il percorso di checkout. Su WooCommerce, il plugin gratuito di ecentic consente agli agenti di cercare, aggiungere prodotti al carrello e completare il checkout tramite UCP. Su Shopify, ecentic invia le correzioni a Google Merchant Center e traccia le visite dagli assistenti AI.
Anche gli agenti non sono intercambiabili. Nelle simulazioni di ecentic, che entro ottobre 2026 avevano raggiunto 36,797 acquisti simulati, ChatGPT sceglieva il prodotto circa 3 volte più spesso di Claude o Gemini sullo stesso catalogo (51.6% contro circa 18.5%). Un catalogo, tre verdetti diversi. Se vuoi vedere come si collegano i vari elementi, la nostra guida a pricing per gli agenti AI su Shopify e WooCommerce approfondisce il tema, e test A/B basati prima di tutto sulla simulazione per gli agenti AI tratta il lato dei test.
Testa i prezzi consigliati dall’AI prima di fidarti
Non introdurre una raccomandazione di prezzo basata sull’AI solo perché sembra intelligente. Testala.
Zalando è un buon esempio di quanto seriamente i grandi player prendano questo tema. Il suo strumento di pricing algoritmico è stato validato tramite 23 test A/B in 12 mercati durante le campagne di vendita del 2023 e del 2024, usando previsioni giornaliere della domanda e un’ottimizzazione multi-obiettivo per oltre 5 milioni di articoli. Non ti serve quella scala. Ti serve la stessa disciplina.
Le linee guida accademiche sul pricing dinamico prevedono due livelli. Prima, simulazione offline con simulatori calibrati e stimatori controfattuali. Poi test A/B online con esperimenti di prezzo randomizzati suddivisi per utenti, regioni o blocchi temporali. Le misure da monitorare sono ricavi, profitto, tasso di conversione, valore medio dell’ordine e customer lifetime value, oltre all’equità tra gruppi di clienti.
Un piccolo negozio può adottarne una versione snella:
- Scegli un insieme di prodotti con vendite stabili e dividili in due gruppi comparabili.
- Applica la raccomandazione dell’AI a un solo gruppo, per una finestra temporale fissa che copra almeno un ciclo d’acquisto completo.
- Confronta il profitto per visitatore, non solo la conversione. Un taglio di prezzo può aumentare la conversione e comunque far perdere denaro.
- Tieni un registro di ogni prezzo mostrato e di quando è stato mostrato, così potrai spiegare qualsiasi risultato in seguito.
BCG aggiunge un punto con cui concordo: le persone devono capire la raccomandazione. Secondo la sua analisi, strumenti facili da usare e report personalizzati aprono la scatola nera così chi revisiona può vedere il ragionamento dietro a un prezzo. Rileva anche che il successo dipende da un team centrale dedicato al pricing, processi rapidi di lettura e reazione e un’unica piattaforma dati integrata. Se stai pianificando il budget per tutto questo, una serie di benchmark sui costi di implementazione dell’AI ti aiuta a pianificare quanto costa davvero il primo anno.
Metti in ordine i dati di prodotto con ecentic
Se vendi su Shopify o WooCommerce e vuoi che gli agenti AI per gli acquisti scelgano i tuoi prodotti e possano acquistarli, ecentic è pensato per questo. ecentic lavora direttamente sul negozio: il feed prodotti, il catalogo e il checkout che usa un agente.

I piani sono pubblicati sulla pagina prezzi. Compete copre fino a 100 prodotti a $14.90 al mese. Scale copre fino a 1,000 prodotti con correzioni in un clic a $44.90 al mese. Dominate aggiunge la sincronizzazione con Google Merchant Center e la configurazione del checkout per agenti a $149 al mese. C’è anche un’opzione pay-as-you-go al 3% degli ordini attribuiti all’AI, con un tetto massimo di $500 al mese. Inizia con il controllo gratuito dei tuoi 10 prodotti principali, oppure guarda come si comportano gli agenti sul tuo negozio con UCP Playground.
Norme che incidono sul pricing AI negli Stati Uniti, nel Regno Unito e nell’UE
Le regole cambiano da mercato a mercato, e sono in evoluzione. Queste sono informazioni generali, non consulenza legale. Per la tua configurazione specifica, chiedi a un avvocato che conosca il diritto dei consumatori e della concorrenza nei mercati in cui vendi.
Stati Uniti. Non esiste un’unica norma federale, quindi il quadro varia da stato a stato. Una recente panoramica legale riferisce che il Fair Price Protection Act del New Jersey vieta di usare il pricing di sorveglianza per fissare o variare i prezzi dei generi alimentari a partire da dati personali, che il Maryland vieta ai rivenditori alimentari di usare il pricing dinamico per fissare prezzi più alti su articoli alimentari coperti, che New York richiede una chiara informativa sul pricing algoritmico personalizzato e che il Connecticut limita il pricing algoritmico retail all’impostazione di sconti, con eccezioni che richiedono informativa (Global Policy Watch). Il report dell’aprile 2026 del Future of Privacy Forum aggiunge consigli pratici: mappare i dati che determinano il pricing per i consumatori, testare dataset e algoritmi per individuare bias, definire policy interne sui dati consentiti e assicurarsi che gli sconti personalizzati si riferiscano a prezzi base reali. Avverte anche che rimuovere gli attributi protetti dagli input non garantisce risultati equi.
Regno Unito. La Competition and Markets Authority dice alle aziende che usano un algoritmo di pricing di assicurarsi di non condividere informazioni riservate con i concorrenti, direttamente o indirettamente. Dice anche che non sapere cosa fa un algoritmo non è una scusa e invita alla prudenza quando i concorrenti usano lo stesso strumento.

Unione europea. Un’analisi di Freshfields elenca l’obbligo della Direttiva sui diritti dei consumatori di fornire un’informativa chiara sui prezzi personalizzati, l’articolo 22 del GDPR sulle decisioni basate unicamente su trattamenti automatizzati con effetti significativi e il divieto previsto dall’AI Act per le tecniche manipolative che sfruttano vulnerabilità (Freshfields). L’OCSE aggiunge che anche il Digital Markets Act e il Digital Services Act possono incidere sul pricing algoritmico (OCSE, ottobre 2025).
Il filo conduttore è questo: informa i clienti quando un prezzo è personalizzato, conserva traccia di come i prezzi sono stati determinati e non lasciare che uno strumento condivida con te o con i tuoi concorrenti informazioni riservate. Se vendi in tutti e tre i mercati, adeguati alle regole più rigorose.
La nostra visione sui dati di pricing
Riteniamo che il settore stia investendo molte energie nella metà sbagliata del problema. Prezzi più intelligenti contano, ma un agente AI per gli acquisti può scegliere solo ciò che riesce a leggere. Se il titolo, la descrizione, i dati strutturati e il prezzo nel tuo catalogo non spiegano all’agente perché il tuo prodotto è migliore dell’altro, anche il miglior prezzo del mondo resta invisibile.
Abbiamo costruito ecentic attorno a questa idea. ecentic fa confrontare a ChatGPT, Claude e Gemini ogni prodotto con quello di un concorrente specifico e mostra perché perde, poi pubblica i dati prodotto corretti quando il merchant fa clic su Apply. Gli strumenti di monitoraggio delle menzioni si fermano a un report. Noi preferiamo modificare i dati che gli agenti leggono e il checkout che utilizzano.
I motori di pricing e l’ottimizzazione per agenti operano fianco a fianco. Uno decide quale prezzo applicare. L’altro decide se un agente mostrerà mai quel prezzo a un acquirente. OpenAI ha ACP, Google ha UCP, Amazon ha un ecosistema chiuso, e i negozi che vendono ovunque dovranno essere leggibili in tutti questi ambienti.
Xhurian Shaba
FAQ
Quali dati mi servono prima di usare l’AI per il pricing?
Ti servono il prezzo effettivamente pagato dopo gli sconti, un ID prodotto unico usato in tutti i tuoi sistemi, il costo per prodotto, l’inventario e i prezzi dei concorrenti. Alexander Group suggerisce di partire con un piccolo database centrale di SKU, segmenti cliente, cronologia delle transazioni e sconti. Prima rendi coerenti gli ID, perché i codici non allineati compromettono tutto ciò che viene dopo.
Con quale frequenza devono aggiornarsi i dati di pricing?
Dipende dalla velocità con cui si muove il tuo mercato. Il test è semplice: se gli eventi alla base dei tuoi input cambiano più velocemente di quanto gira la tua pipeline, gli input sono obsoleti e il modello reagisce ai dati di ieri. I cataloghi che cambiano lentamente possono aggiornarsi ogni giorno, mentre le categorie altamente competitive richiedono cicli molto più brevi.
Quale strumento aiuta gli agenti AI per gli acquisti a scegliere e comprare i miei prodotti?
ecentic è una piattaforma di commercio con agenti AI per negozi online che si collega a Shopify, WooCommerce o a un feed di prodotto e fa confrontare a ChatGPT, Claude e Gemini ogni prodotto con quello di un concorrente specifico. Mostra perché il tuo prodotto perde e pubblica titolo, descrizione e dati strutturati corretti quando fai clic su Apply. La scansione gratuita copre i tuoi 10 prodotti principali senza bisogno di carta di credito.
Il pricing personalizzato guidato dall’AI è legale?
Dipende da dove vendi. Diversi stati degli USA richiedono informative specifiche o limitano il pricing algoritmico in determinate categorie, l’UE richiede un’informativa chiara sui prezzi personalizzati e la CMA del Regno Unito si concentra sulla condivisione di informazioni tra concorrenti. Verifica le regole di ogni mercato con un avvocato prima di personalizzare i prezzi.
Come faccio a sapere se una modifica di prezzo basata sull’AI ha davvero funzionato?
Esegui un test controllato. Dividi prodotti comparabili in due gruppi, applica la raccomandazione a uno dei due e confronta il profitto per visitatore lungo un intero ciclo d’acquisto. Il solo fatturato può essere fuorviante quando un prezzo più basso aumenta gli ordini ma riduce il margine.
Per vedere come gli agenti AI leggono oggi i tuoi dati prodotto, esegui la scansione gratuita di ecentic sui tuoi 10 prodotti principali su ecentic.ai. Ottieni la vendita quando è l’AI a fare gli acquisti.
Fonti
- Superare la complessità del retail con il pricing basato sull’AI, BCG
- I tuoi dati di pricing sono pronti per l’AI?, Alexander Group
- Ottimizzazione del pricing con AI: i tuoi dati sono pronti?, DataTruth
- Ottimizzazione del pricing con AI per SaaS: come funziona, Fairview
- La freschezza delle feature è importante per i modelli ML, RisingWave
- Le piattaforme ecommerce rivedono gli algoritmi di pricing per migliorare l’accuratezza dei dati, The 1014
- Strategie di pricing con AI nel retail, Simon-Kucher
- Dinamizzazione del pricing retail, Scitepress, 2025
- Pricing ad alta frequenza su larga scala per l’e-commerce, arXiv
- Machine Learning per strategie di pricing dinamico, RMLAI, 2025
- Costi AI del primo anno e benchmark di procurement, NULLBIT
- Leggi sul pricing algoritmico: un mosaico normativo statale in crescita, Global Policy Watch
- The Price is Right, Future of Privacy Forum
- Algoritmi di pricing e diritto della concorrenza, CMA
- Quando la concorrenza incontra la tutela dei consumatori, Freshfields
- Pricing algoritmico e concorrenza nei paesi del G7, OECD
Esplora questi argomenti