Abbiamo analizzato ciò che l'AI crede davvero sugli acquirenti in 25 settori. I risultati dovrebbero cambiare il modo in cui pensi alla tua strategia di contenuti.
La maggior parte dei brand crea contenuti sulla base di ipotesi. Workshop interni producono tre, quattro o cinque buyer persona che sembrano convincenti, e quelle persona guidano il piano editoriale per l'anno successivo. Forse anche più a lungo.
Il problema è che i sistemi di AI, quelli che mediano sempre più la ricerca degli acquirenti, operano su un modello completamente diverso di chi sono i tuoi acquirenti e di cosa vogliono. Ed è un modello costruito a partire da pattern estratti da milioni di dati, non da una sessione di due ore con gli stakeholder.
Volevamo capire una cosa: cosa crede davvero l'AI sugli acquirenti? Non ciò che i marketer suppongono. Non ciò che suggeriscono i CRM. Cosa emerge quando sintetizzi e strutturi i dati sul comportamento degli acquirenti su larga scala?
Così abbiamo costruito il più grande dataset di buyer persona mai pubblicato. E i pattern che rivela dovrebbero spingere ogni content strategist a rivedere il proprio funnel.
Cosa abbiamo costruito e perché
PersonaGen-593K è un dataset di 593.181 buyer persona generate dall'AI, che copre 339 settori (25 verticali principali). Ogni persona include dati comportamentali strutturati: chi sono, cosa cercano, quali domande hanno, quali obiettivi le muovono e cosa le frustra.
I numeri grezzi:
| Attributo | Volume |
|---|---|
| Persona totali | 593.181 |
| Settori coperti | 339 (25 verticali principali) |
| Query di ricerca estratte | ~3 milioni |
| Dichiarazioni di bisogno informativo | ~3 milioni |
| Dichiarazioni di obiettivo | ~1,8 milioni |
| Dichiarazioni di pain point | ~1,8 milioni |
Siamo partiti da circa 40 milioni di descrizioni grezze di persona provenienti da quattro dataset pubblici (NVIDIA, BSC-LT, Orange e Tencent). Attraverso una deduplicazione accelerata da GPU e un filtraggio semantico, le abbiamo ridotte a circa un milione di descrizioni uniche. Poi abbiamo arricchito ciascuna con attributi comportamentali strutturati usando un large language model, arrivando infine a produrre 593.181 persona complete e validate.
Questo non è un sondaggio su 500 persone. È una sintesi strutturata di ciò che i modelli di AI comprendono del comportamento degli acquirenti, a una scala che i metodi di ricerca tradizionali impiegherebbero anni e milioni di dollari per approssimare.
Il risultato che dovrebbe riscrivere la tua strategia di contenuti
Il 78,7% delle ricerche degli acquirenti è di tipo informativo. Solo il 4,3% è di tipo transazionale.
Rileggilo. Tra i quasi 3 milioni di query di ricerca nel dataset, quasi quattro su cinque sono domande come "Come valuto X?" oppure "Quali sono gli approcci migliori a Y?", non "Compra X" o "Abbonati a Y".
Il restante 17% è di tipo commerciale: query di confronto come "Quale fornitore dovrei scegliere?". Questa è la fase di considerazione. Importante, e comunque non transazionale.
Cosa significa nella pratica
| Intento di ricerca | Quota delle query | Cosa stanno facendo gli acquirenti |
|---|---|---|
| Informativo | 78,7% | Imparare, informarsi, capire le opzioni |
| Commerciale | 17,0% | Confrontare fornitori, valutare alternative |
| Transazionale | 4,3% | Pronti a comprare, abbonarsi o registrarsi |
La maggior parte delle strategie di contenuto è costruita attorno alla parte bassa del funnel. Pagine di prodotto. Confronti di prezzo. Matrici di funzionalità. Richieste di demo. Questo è il 4,3%.
Il 78,7%, cioè le domande che gli acquirenti si pongono davvero, resta spesso poco servito. Ed è esattamente il contenuto da cui i sistemi di AI attingono quando formulano le raccomandazioni.
Se il tuo brand non ha contenuti informativi solidi che rispondono alle domande poste dagli acquirenti prima che siano pronti a comprare, l'AI raccomanderà qualcun altro che li ha.
Cinque pattern di settore da conoscere
Il dataset rivela firme comportamentali distinte tra i settori. Ecco i pattern più rilevanti per i responsabili di contenuti e marketing.
1. L'EdTech domina in volume, e in opportunità
L'EdTech rappresenta il 24,3% di tutte le persona nel dataset (36.152). Non perché lo abbiamo sovracampionato. È emerso naturalmente dai dati di origine, riflettendo il volume e la varietà del comportamento degli acquirenti orientati all'apprendimento.
Le persona EdTech si concentrano attorno ai percorsi di certificazione, alla flessibilità dell'apprendimento online e allo sviluppo delle competenze. Se operi nella tecnologia per l'istruzione, in servizi di apprendimento correlati o nella formazione professionale, questo è il bacino di persona più ampio del dataset. L'opportunità di contenuto è enorme, e altrettanto lo è la concorrenza per conquistare l'attenzione dell'AI.
2. Il Consulting ha il più alto intento commerciale
Mentre l'intero dataset pende verso l'informativo, le persona del Consulting vanno controcorrente. Mostrano il più alto intento di ricerca commerciale, al 28%, quasi il doppio della media del dataset del 17%.
Gli acquirenti del Consulting sanno di cosa hanno bisogno. Stanno confrontando le opzioni, non esplorando il concetto. I loro pain point ruotano attorno all'acquisizione clienti e alla differenziazione, il che significa che i contenuti che li aiutano a valutare le opzioni (benchmark, case study, framework di ROI) renderanno più della thought leadership generica.
3. Il settore sanitario affronta una sfida di conformità unica
Le persona del settore sanitario mostrano la più alta concentrazione di bisogni informativi legati alla conformità, al 38%. Cercano informazioni su accreditamenti, requisiti normativi e pratiche basate sull'evidenza.
Per i brand nel settore sanitario o in ambiti correlati alla salute, questo comporta un rischio specifico: i sistemi di AI che generano raccomandazioni su temi sanitari devono soddisfare uno standard di accuratezza più elevato. Contenuti sulla salute incoerenti o mal strutturati diventano un fattore di rischio quando l'AI li propone in contesti professionali.
4. Il Manufacturing vuole processo, non visione
Le persona del Manufacturing si raggruppano attorno all'efficienza operativa (29% degli obiettivi) e faticano soprattutto con la complessità degli strumenti (24% dei pain point). Le loro ricerche si concentrano sull'ottimizzazione dei processi e sull'automazione.
Questo pubblico non risponde ai messaggi aspirazionali. Vuole dettagli concreti: guide all'implementazione, documentazione sull'integrazione, matrici di confronto con specifiche tecniche. In questo verticale vincono i contenuti che saltano la visione e vanno dritti al "come" operativo.
5. L'equilibrio tra lavoro e vita privata è il pain point universale
In tutti i 25 verticali di settore, l'equilibrio tra lavoro e vita privata è emerso come il pain point dominante, con 107.000 menzioni. Compare tra le prime cinque preoccupazioni nel 72% dei segmenti di settore.
Questa è una verità trasversale che la maggior parte dei contenuti B2B ignora del tutto. I brand che riconoscono la dimensione umana delle decisioni professionali (vincoli di tempo, carico cognitivo, priorità in competizione) parlano alla realtà in cui vivono i loro acquirenti, non solo alla categoria in cui comprano.
I dati demografici che l'AI presume
Il dataset rivela anche quale profilo demografico l'AI associa a diversi settori e ruoli:
- Distribuzione di genere: 52,2% femminile, 45,4% maschile, 2,3% non binario. Quasi bilanciata, ma non uniforme tra i settori.
- Pattern anagrafico: bimodale, con picchi tra 18-25 anni (27,9%) e 55-75+ anni (41,4% combinato). La fascia di metà carriera che la maggior parte del marketing B2B prende di mira (25-55) rappresenta appena il 30,8%.
- Contesto di mercato: 71,5% B2C, 22,5% B2B, 4,4% B2B2C, 1,5% B2G.
La distribuzione anagrafica è particolarmente significativa. Se la tua strategia di contenuti presume come acquirente di default un decisore tra i 35 e i 50 anni, i modelli di AI potrebbero associare il tuo settore a un profilo demografico molto diverso. Quel disallineamento tra il pubblico che presumi e il pubblico che presume l'AI influenza quali contenuti vengono proposti e a chi.
Cosa significa per il tuo brand
Se operi nell'EdTech o nella formazione professionale
Ti muovi nello spazio di persona più affollato. La differenziazione richiede specificità: non "aiutiamo le persone a imparare", ma "aiutiamo i UX designer di metà carriera a passare all'instructional design con credenziali riconosciute dai datori di lavoro". Le persona mostrano che i percorsi di certificazione e gli orari flessibili sono i principali fattori scatenanti della ricerca. Contenuti di apprendimento generici non emergeranno.
Se operi nel Consulting o nei servizi professionali
I tuoi acquirenti hanno il più alto intento commerciale del dataset. Stanno confrontando le offerte, non curiosando. Investi in contenuti che supportano la valutazione: framework di prezzo trasparenti, confronti di metodologie, dati sui risultati dei clienti con numeri precisi. Il playbook della "thought leadership prima di tutto" che funziona in altri verticali potrebbe rendere meno qui, perché i tuoi acquirenti hanno già superato la fase di scoperta.
Se operi nel Manufacturing o nell'industria
Salta la visione. Parti dal dettaglio operativo. Le persona mostrano che la complessità degli strumenti è la frustrazione principale e l'ottimizzazione dei processi è l'obiettivo principale. I contenuti che dimostrano guadagni di efficienza misurabili con passi di implementazione chiari corrisponderanno al modo in cui l'AI caratterizza l'intento degli acquirenti del manufacturing.
Se operi nel settore sanitario
Struttura i tuoi contenuti per accuratezza e conformità. I sistemi di AI sono particolarmente cauti con le raccomandazioni legate alla salute, e i dati delle persona confermano che i tuoi acquirenti danno priorità alle informazioni su accreditamenti e normative. In questo verticale, i contenuti non strutturati o ambigui hanno più probabilità di essere deprioritizzati dall'AI che in qualsiasi altro.
Da dove nasce questa ricerca
PersonaGen-593K è stato sviluppato da ricercatori della Estonian Entrepreneurship University of Applied Sciences (EUAS) e di Rankfor.AI, e pubblicato come articolo sottoposto a peer review sulla rivista Discover Artificial Intelligence di Springer.
La metodologia ha previsto l'aggregazione di quattro dataset pubblici di persona (~40 milioni di descrizioni grezze), l'applicazione di una deduplicazione accelerata da GPU per rimuovere l'89,5% dei duplicati, quindi l'uso di modelli di embedding semantico per eliminare un ulteriore 76,2% di quasi-duplicati. Il milione di descrizioni uniche rimaste è stato arricchito con attributi comportamentali strutturati e validato tramite analisi statistica.
Il dataset completo, la metodologia e il codice di analisi sono disponibili pubblicamente per una verifica indipendente.
La conclusione pratica
I dati sul comportamento degli acquirenti a questa scala raccontano una storia coerente: la maggior parte degli acquirenti sta ponendo domande, non cercando di acquistare. I brand che conquistano le raccomandazioni dell'AI sono quelli i cui contenuti rispondono a quelle domande in modo chiaro, specifico e nel linguaggio che gli acquirenti usano davvero.
Se il 78,7% dei tuoi potenziali acquirenti è in modalità apprendimento, e la tua strategia di contenuti destina l'80% delle risorse a materiale bottom-funnel focalizzato sul prodotto, esiste un disallineamento strutturale tra ciò che produci e ciò che l'AI raccomanda.
Colmare questo divario non è un problema di volume di contenuti. È un problema di allineamento. E il primo passo è capire cosa l'AI crede vogliano i tuoi acquirenti.
Verifica come l'AI percepisce le buyer persona del tuo brand. Usa il Persona Matcher per confrontare le tue persona presunte con ciò che l'AI raccomanda davvero per il tuo settore. Oppure fai analizzare il tuo brand con l'AI Visibility Monitor per vedere a che punto sei.
Basato su "PersonaGen-593K: A Large-Scale Dataset of AI-Generated Buyer Personas for Consumer Information-Seeking Behavior Research" di Dmitrij Zatuchin (EUAS) e Daniil Dzemesjuk (Rankfor.AI), preprint, sottomesso a Springer Discover Artificial Intelligence, 2026.