Dobbiamo smettere di pensare che le macchine siano nostre antagoniste, ha dichiarato Ben Jones, Global Creative Director di Google. Dovremmo invece considerarle come un'opportunità da cogliere per dare slancio alla nostra creatività.
A ogni progresso tecnologico si accompagna un crescente timore che l'umanità verrà in qualche modo soppiantata: dall'androide originale di Karel Capek, dal supercomputer HAL di "2001: Odissea nello spazio" o persino da Terminator.
Per noi inserzionisti nell'era dominata da machine learning e intelligenza artificiale è facile immaginarci impegnati in un confronto epico con questi cervelli elettronici, ma ritengo che tale idea di contrapposizione tra uomo e macchina danneggi noi stessi e il nostro lavoro. Sono molti di più i vantaggi che potremmo acquisire adottando il machine learning come fattore di accelerazione delle nostre capacità creative.
Per esaminare queste opportunità, è importante capire cosa sanno fare le macchine. In primo luogo, sanno riconoscere fenomeni ricorrenti rivelando quindi dei comportamenti che non avevamo identificato e cambiare la nostra concezione di creatività. Le macchine possono automatizzare attività che già eseguiamo ad altissima velocità e su scala enorme, risparmiando tempo e migliorando i risultati. Infine, riescono ad aggregare dati che ci permettono di identificare espressioni creative inedite.
Tuttavia, pur favorendo un'accelerazione delle nostre capacità creative, ognuno di questi punti di forza mette anche in luce in quali ambiti le macchine non producono risultati altrettanto efficaci e perché l'uomo continui a detenere un considerevole potere sulla creatività.
Il riconoscimento di forme su larga scala può rivelare nuove informazioni
Le macchine possono elaborare milioni di video e mettere in correlazione elementi di creatività per stimarne l'efficacia, permettendoci di rispondere a domande tipo: "L'utilizzo di questo carattere o colore renderà la creatività più incisiva?". Per esempio, è così che abbiamo imparato che utilizzare l'effetto del riflesso della lente nel cinema ha raggiunto il suo apice nel 2013 e, potrebbe essere quindi preferibile evitare questa tecnica stilistica per essere più attuali.
Non si tratta di un tipo di analisi specialistica, ma della massiccia applicazione della cosiddetta identificazione degli elementi di base. Ecco perché Ben Evans paragona il potere del machine learning all'avere a disposizione "un numero infinito di tirocinanti": tantissimo potenziale, ma non specializzato. Allo stesso modo, non dovremmo considerare il machine learning come una soluzione rapida e semplice per creare annunci efficaci.
Le macchine sono in grado di far emergere forme e connessioni, ma è necessaria l'intelligenza umana per ordinarle e applicarle.
Supponiamo ad esempio che, dopo aver analizzato centinaia di annunci di YouTube, sia stato identificato un fattore strettamente correlato all'efficacia: l'ambientazione in salotto degli annunci con il miglior rendimento. Significa forse che lo scenario di tutti gli annunci dovrebbe essere il salotto? Oppure che occorra modificare il filmato esistente in modo che includa più riprese del salotto? Naturalmente, nessuna di queste soluzioni migliorerebbe automaticamente il rendimento. Le macchine sono in grado di far emergere forme e connessioni, ma è necessaria l'intelligenza umana per ordinarle e applicarle.
Migliorare i risultati grazie alla marketing intelligence automatizzata
L'automazione è anche in grado di semplificare parti del processo di sviluppo creativo, introducendo nuovi livelli di velocità ed efficienza. Un esempio in tal senso è dato da una situazione in cui l'intenzione è esaminare centinaia di righe di testo diverse in una moltitudine di segmenti di pubblico per trovare le combinazioni migliori. Invece di trascorrere mesi ad ascoltare noiosi focus group che discutono due o tre varianti davanti a un vassoio di ciambelle stantie, gli strumenti basati sul machine learning possono utilizzare i dati esistenti, gli indicatori del pubblico e una raccolta di asset per identificare la combinazione più efficace.
Gli elementi costitutivi di questo processo sono già presenti: efficaci indicatori del pubblico e strumenti quali Director Mix di YouTube, in grado di utilizzare file video di base e creare migliaia di versioni personalizzate per segmenti di pubblico di destinazione diversi, consentono ai brand di acquisire vantaggi e lasciare un segno. Di recente, Caesars Entertainment ha adottato lo strumento per creare e pubblicare rapidamente oltre 150 varianti diverse di annunci pertinenti a livello contestuale in modo da migliorare la percezione del brand.
Favorire nuovi tipi di espressione creativa
Se queste opportunità cominciano ad apparire interessanti, si può immaginare quanto altro potenziale potremmo sfruttare istruendo le macchine a rispondere a domande più complesse, ad esempio quali tipi di storie raccontare in prima battuta e come farlo.
Che cosa accadrebbe se le macchine fossero in grado di indicarci la struttura narrativa più efficace per raggiungere un determinato obiettivo? E se potessero rivelarci la velocità di cambiamento di alcune tendenze creative per consentirci di distinguere facilmente una moda passeggera da una best practice duratura? Immaginiamo poi un mondo in cui le macchine possano rivelare le "incognite sconosciute", vale a dire le domande che nemmeno conosciamo. Le possibilità sono infinite ed entusiasmanti.
Dove il capitale umano avrà sempre una marcia in più
È evidente che le macchine, i nostri tirocinanti infiniti, offrono un valido aiuto grazie a potenzialità intrinseche esclusive, ma hanno anche delle limitazioni.
Il machine learning si dimostra efficace nel caso di attività di elaborazione di basso livello, che noi inserzionisti possiamo utilizzare per migliorare il nostro lavoro e risparmiare tempo. Tuttavia, è importante comprendere che si tratta comunque di una partnership: la macchina esegue l'ottimizzazione da un insieme di varianti, ma non si occupa di creare una piattaforma della campagna e scrivere un annuncio ex novo.
Un esempio significativo al riguardo è la campagna dedicata al giorno di San Valentino lanciata quest'anno dal brand delle barrette di cioccolato Lacta di Mondelez per suscitare interesse verso il prodotto e alla quale si aggiungerà ben presto un film legato al brand dal titolo "The Taste of Love", ovvero "Il sapore dell'amore". Attraverso l'impiego di annunci TrueView con targeting contestuale, Lacta invitava gli utenti a inviare foto rappresentative dell'amore tramite un microsito della campagna. Ha poi utilizzato il machine learning per analizzare e organizzare le foto in base a elementi che sono comunemente identificativi di questo sentimento, ad esempio baci, sorrisi e, naturalmente, cani e gatti. Gli utenti potevano esplorare questi concetti legati all'amore accedendo a un'esperienza interattiva online.
Le macchine sono partner in grado di imprimere un'accelerazione alla nostra creatività e svelarne gli scenari possibili in modo più approfondito rispetto al passato.
L'approccio di Lacta è riuscito a destare interesse verso il brand e ha dimostrato un'importante teoria: le macchine possono analizzare, organizzare e agevolare un nuovo approccio alla campagna, ma non sono in grado di idearla o fornire le informazioni e gli elementi di forte impatto emotivo con i quali le persone entrano in contatto. L'unica che può farlo è la mente umana.
Al costante progresso tecnologico occorre dunque contrapporre un continuo controllo dei nostri timori distopici, accogliendo invece l'idea che le macchine siano partner in grado di imprimere un'accelerazione alla nostra creatività e svelarne gli scenari possibili in modo più approfondito rispetto al passato.
