L'IA nelle vendite: Nano Banana 2 e le tendenze dei modelli

KI & Automatisierung · 10. Juli 2026 · Ohiku Mose Guy

L'IA nelle vendite richiede la comprensione dei modelli: controlla latenza, prezzi dei token e IA per immagini prima che la tua pipeline diventi una diapositiva dimostrativa. Leggi ora.

La maggior parte dei direttori delle vendite nel 2026 non comprerà troppa poca IA, ma troppa IA sbagliata. L'IA nelle vendite viene trattata come una lista della spesa: un modello di testo, un modello di immagine, un chatbot, forse un agente vocale, e il gioco è fatto. Questo è tecnicamente comodo e commercialmente pericoloso. Se latenza, prezzi dei token, finestra di contesto e accesso ai dati non corrispondono, il sistema produce belle demo — e si blocca proprio quando 37 Account Executive avviano le loro campagne settimanali il lunedì alle 8:15.

La mia previsione è semplice e scomoda: nei prossimi due o tre anni, non sarà il miglior Foundation Model a vincere le vendite B2B, ma il miglior mix di modelli per flusso di lavoro. Un agente di ricerca lead ha bisogno di caratteristiche diverse da un generatore di offerte. Un modello di immagine per micrositi personalizzati ha limiti diversi da un co-pilota di chiamate. Chi cerca di risolvere tutto con un unico grande modello paga troppo, aspetta troppo a lungo e ottiene comunque allucinazioni nella pipeline.

Scrivo questo come Ohiku Mose Guy, Senior Engineer presso Amplifa. Non come analista con un quadrante pulito. Vedo log, timeout, campi CRM rotti, prompt troppo grandi, budget troppo piccoli e responsabili delle vendite che vogliono sapere perché una campagna e-mail con IA suona bene ma porta solo 14 risposte. Beh, quasi. A volte ne porta 140 — se il sistema è costruito correttamente.

Status quo: l'IA nelle vendite non è più uno strumento, ma un'infrastruttura

Il mercato è cambiato dall'inizio del 2024. OpenAI ha posizionato GPT-4o come modello multimodale con una finestra di contesto di 128k, Anthropic ha stabilito Claude 3 e successivamente Claude 3.5 Sonnet con un forte ragionamento e 200k di contesto, Google ha lanciato Gemini 1.5 Pro con un contesto fino a 1 milione di token, Stability AI ha ulteriormente aperto il lato delle immagini con Stable Diffusion 3. Questi non sono più giocattoli. Sono blocchi di costruzione per macchine di vendita.

I prezzi sono la seconda rottura. Secondo i listini prezzi pubblicamente documentati nell'autunno 2024, GPT-4o costava circa 5 dollari USA per 1 milione di token di input e 15 dollari USA per 1 milione di token di output. GPT-4o mini era significativamente inferiore, circa 0,15 dollari USA di input e 0,60 dollari USA di output per 1 milione di token. Claude 3 Haiku si aggirava intorno a 0,25 e 1,25 dollari USA, Claude 3.5 Sonnet a circa 3 e 15 dollari USA. Per la generazione di immagini, le immagini DALL·E-3, a seconda della qualità e della risoluzione, spesso rientravano nell'ordine di 0,04-0,08 dollari USA per immagine. Sembra economico. Lo è — finché qualcuno non personalizza 120.000 account con tre varianti, due lingue, contesto RAG e visual hero.

Nelle PMI tedesche vedo una domanda diversa rispetto alle demo statunitensi. Non: quale modello è il più intelligente? Ma: quale modello offre p95 stabile sotto carico, non memorizza dati errati, rispetta i processi di approvazione e non scrive condizioni di offerta a caso? Un responsabile delle vendite presso Phoenix Contact o Festo non pensa in token. Pensa in pipeline, margine di contribuzione, logica territoriale, canali di rivendita e approvazione legale. Tuttavia, alla fine, i token decidono se il progetto scala.

Secondo il McKinsey Global Institute di giugno 2023, l'IA generativa può sbloccare un valore economico annuale di 2,6-4,4 trilioni di dollari USA a livello globale; marketing e vendite sono tra le aree funzionali più grandi. Gartner ha previsto nel 2023 che entro il 2028 circa il 60% del lavoro di vendita B2B potrebbe essere gestito tramite interfacce IA conversazionali, rispetto a meno del 5% di allora. Mi piacciono solo a metà queste cifre. Sono grandi, rotonde e buone per le diapositive. Ma indicano la direzione: le vendite non vengono digitalizzate, le vendite vengono scomposte in chiamate di modello.

Tendenza 1: l'IA per immagini ultraveloce diventa parte della sequenza di vendita

Il nome "Nano Banana 2" sta emergendo nelle conversazioni come cifra: generazione di immagini molto veloce, modelli piccoli, visual adatti alle vendite, presumibilmente quasi senza tempi di attesa. Per quanto ne so, non ho visto una scheda modello documentata pubblicamente in modo pulito, nessun benchmark verificato, nessuna tabella prezzi ufficiale. Pertanto, non tratto il nome come un fatto, ma come un segnale. Il mercato vuole un'IA per immagini che non funzioni come uno strumento creativo, ma come un componente API nelle vendite.

Perché è rilevante? Perché le vendite personalizzate non finiscono con "Ciao Signor Rossi, ho visto che lavora presso Schaeffler". Questo era già stanco nel 2021. Un moderno flusso outbound può generare una mini-landing page per un account target: titolo, argomento di valore, un diagramma da dati aziendali pubblici, un motivo di immagine adatto al settore, più una struttura di offerta dal CRM. Se l'immagine richiede 18 secondi, nessun SDR la userà quotidianamente. Se richiede 3 secondi, diventa parte del sistema.

I limiti tecnici sono rigidi. I modelli di immagini cloud pubblici nel 2024, in molti setup, erano realisticamente tra i 3 e i 15 secondi per un'immagine 1024x1024. Implementazioni ottimizzate con modelli di diffusione più piccoli o distillati, sessioni GPU calde e bassa latenza di rete riescono a stare sotto i 2 secondi per risoluzioni più piccole. Sotto il secondo? Possibile, ma raramente senza compromessi sulla qualità. Ed è proprio qui la domanda di vendita: ho bisogno di un'immagine bella o di un'immagine sufficientemente buona che rimanga p95 sotto i 5 secondi?

Se l'immagine è pronta più velocemente di quanto il mio CRM si carichi, allora non è più un progetto creativo. Allora è un sistema di vendita.

— Andrea, Head of Sales presso un'azienda di automazione a Bielefeld

Andrea me lo ha detto nel marzo 2025 dopo una revisione di un flusso di campagna per fornitori di ingegneria meccanica. Nessun grande dramma. Solo una frase in una stanza sobria, soffitto acustico bianco, leggero ronzio del proiettore. Il punto è rimasto. L'IA per immagini non diventa importante perché le vendite dovrebbero essere più colorate. Diventa importante perché la differenza tra un approccio generico e uno specifico per account improvvisamente non costa più due ore di lavoro di progettazione.

Cosa dovrebbe davvero fornire un modello come "Nano Banana 2"

Se un fornitore oggi afferma di avere un'IA per immagini veloce per i contenuti di vendita, non chiedo prima esempi di immagini. Chiedo p50 e p95. Chiedo il comportamento batch con 50 richieste parallele. Chiedo se i testi nelle immagini rimangono stabili. Chiedo se i kit di marca possono essere versionati. Chiedo se un'immagine generata per Kärcher, Trumpf o Webasto non produce per errore loghi, forme di prodotto errate o certificazioni fantasiose.

Sembra pedante. E lo è. Ma i sistemi di vendita non muoiono alla demo. Muoiono ai casi limite: un nome di azienda scritto male, una norma inventata, un visual con una macchina sbagliata, un'e-mail alla sede sbagliata, una CTA che punta a una pagina di offerta scaduta. L'IA per immagini aumenta la superficie per gli errori. Proprio per questo ha bisogno di più ingegneria, non di meno.

Tendenza 2: i prezzi dei token decidono l'architettura della pipeline

Molti team di vendita sottovalutano i prezzi dei token perché una singola chiamata di modello sembra economica. Un riepilogo account con 8.000 token di input e 800 token di output costa quasi nulla con un modello piccolo. Con un modello grande, con cinque varianti, contesto RAG, traduzione e fase QA, il calcolo è diverso. Ora moltiplica questo per 20.000 account, tre persone per account e sei punti di contatto. Improvvisamente non è più l'SDR costoso, ma la cattiva architettura.

Considero l'approccio "un grande modello per tutto" nelle vendite pigro. Non sempre sbagliato. Ma spesso pigro. Un buon sistema utilizza modelli piccoli per la classificazione, la deduplicazione, il routing e le prime bozze. I modelli grandi entrano in gioco solo per compiti che richiedono effettivamente ragionamento: ipotesi complesse sugli account, logica delle offerte, gestione delle obiezioni, formulazioni legalmente sensibili. I modelli di immagini funzionano separatamente, con cache e un chiaro livello di qualità. RAG non è solo una pila di PDF nel prompt, ma viene valutato.

Quello che vediamo concretamente in Amplifa: negli ultimi 12 mesi, abbiamo osservato nei clienti B2B dell'ingegneria meccanica, del software industriale e dei servizi tecnici che il 62-78% dei costi LLM in setup mal progettati non è dovuto alla generazione di testo vera e propria, ma alla ripetuta lettura degli stessi dati di contesto. Schede prodotto, definizioni ICP, case study, modelli di prezzo — copiati ripetutamente nel prompt. Dopo il caching, la deduplicazione del retrieval e il routing del modello, il consumo di token in diverse implementazioni è diminuito di oltre la metà, senza che i team di vendita ottenessero meno personalizzazione. Questo non è glamour. È il punto in cui i progetti diventano economicamente sostenibili.

Un esempio, anonimizzato ma tecnicamente tipico: un team con 34 addetti alle vendite genera 4.500 bozze di e-mail personalizzate a settimana. Il primo prototipo leggeva circa 18.000 token per bozza: note CRM, snippet di siti web, testi di prodotti, regole di persona, vecchie e-mail. Dopo tre settimane, i costi erano più alti del previsto e la latenza era fastidiosa. Abbiamo scomposto la pipeline: Lead Fit con un modello piccolo, retrieval solo per famiglie di prodotti rilevanti, regole di stile come policy compressa, modello grande solo per la bozza finale. Risultato: stessa logica di campagna, ma significativamente meno token e tempi di attesa notevolmente ridotti. L'odore di ventola di laptop calda nella sala Sales Ops non è scomparso. Ma è diventato più raro.

Le finestre dei token non sono contenitori di spazzatura

Gemini 1.5 Pro con un contesto fino a 1 milione di token ha reso molte persone nervose. Comprensibile. Le finestre di contesto lunghe sono utili, specialmente per gare d'appalto, specifiche tecniche, note di conversazione lunghe e cronologie degli account. Ma una grande finestra di contesto non è una licenza per buttarci dentro di tutto. Più grande è il contesto, più importante diventa la rilevanza. Altrimenti si paga perché il modello si muova attraverso dati che nessun essere umano avrebbe mai lasciato avvicinare a una decisione.

Per le vendite, questo significa: RAG rimane centrale. Retrieval-Augmented Generation non è un termine accademico, ma la domanda se un modello sappia quale case study è rilevante per un fornitore automobilistico nel Baden-Württemberg e quale no. Brose non è DMG Mori. Schaeffler non è Kärcher. Un sistema che non separa questo in modo pulito scrive testi superficialmente corretti, ma commercialmente stupidi.

Tendenza 3: gli agenti di vendita multimodali non sostituiscono i venditori, sostituiscono i tempi di attesa

Contraddico la narrazione comune secondo cui l'IA sostituisce prima i venditori. A breve termine, sostituisce i tempi di attesa. Il tempo tra la ricerca dell'account e la prima e-mail. Il tempo tra la chiamata di scoperta e il follow-up. Il tempo tra una domanda tecnica e una risposta affidabile dalla conoscenza del prodotto. Il tempo tra "dovremmo costruire una piccola landing page" e "ecco il link".

Questo è meno spettacolare dell'agente di vendita completamente autonomo che presumibilmente chiude affari di notte. Ma è più reale. Un buon co-pilota ascolta la chiamata, estrae le obiezioni, recupera le informazioni di prodotto pertinenti da una base di conoscenza verificata, formula i passi successivi e aggiorna HubSpot o Salesforce. Un cattivo agente scrive cinque punti elenco in un campo note e lo chiama automazione.

Per la voce, la latenza è brutale. Per il testo, un utente può aspettare due secondi. In una conversazione, 700 millisecondi di pausa sembrano già strani, specialmente in tedesco, dove le proposizioni subordinate amano fare piccole deviazioni. Per i co-piloti in tempo reale, ASR, retrieval, risposta del modello e UI devono spesso rimanere sotto il secondo, per i sistemi dialogici reali piuttosto sotto i 500 millisecondi di roundtrip. Non è solo una scelta di modello. È streaming, caching, previsione, design dell'interfaccia utente e talvolta la decisione di non dare una risposta piuttosto che una sbagliata.

Un direttore delle vendite di Norimberga, chiamiamolo Markus, ha detto nell'aprile 2025 dopo un test con un co-pilota di chiamate: "La cosa può anche tacere, ma non deve mettermi in imbarazzo." Questo è esattamente il metro di misura. Non la massima autonomia. Supporto controllato.

Perché i benchmark nelle vendite spesso mentono

MMLU, MMMU, HumanEval, SWE-bench — tutto utile, tutto limitato. Un modello può essere buono nei benchmark e fallire comunque nelle vendite perché pondera male le note CRM, confonde i termini del settore o diventa troppo sicuro di sé con dati scarsi. Le vendite hanno bisogno di proprie valutazioni: il modello ha riconosciuto la persona giusta? Il caso di studio è stato selezionato correttamente? L'affermazione è supportata da una fonte? Il range di prezzo è stato rispettato? L'e-mail ha un vero motivo o suona come l'automazione di LinkedIn del 2022?

Costruiamo queste valutazioni non come test accademici, ma come controlli di produzione. 200 account reali, anonimizzati. 40 domande sui prodotti. 30 tipi di obiezioni. 10 formulazioni vietate dal legale. Poi facciamo girare i modelli l'uno contro l'altro. Non una volta. Ripetutamente, dopo modifiche ai prompt, dopo cambi di modello, dopo nuovi dati di prodotto. Altrimenti nessuno si accorge che un aggiornamento del fornitore improvvisamente trasforma "può essere integrato con SAP" in "è certificato SAP". Piccola differenza. Grande danno.

FAQ: Cosa significa "Nano Banana 2 & Co." per l'IA nelle vendite?

Se con "Nano Banana 2 & Co." si intende una nuova classe di modelli di immagini o multimodali molto veloci, allora l'effetto più importante non è un contenuto più bello. L'effetto più importante è la tempistica. I team di vendita possono inserire visual specifici per account, micrositi, blocchi di presentazione e follow-up nello stesso flusso di lavoro in cui oggi viene generato solo testo. Per questo, il fornitore deve fornire numeri concreti: latenza p95, costi per 1.000 immagini, controllo dei diritti e del marchio, stabilità API, integrazione RAG. Senza questi numeri, è uno strumento creativo con un buon nome.

Cosa significa questo per le PMI

Le PMI non dovrebbero ora inseguire freneticamente ogni nuova versione di modello. Lo dico come ingegnere, anche se mi piacciono i nuovi modelli. Molto. Ma la domanda migliore per un amministratore delegato di un'azienda di ingegneria meccanica nella Vestfalia orientale o di un produttore di componenti vicino a Stoccarda è: quali processi di vendita hanno abbastanza ripetizione, abbastanza dati e abbastanza leva economica affinché l'IA non rimanga un giocattolo?

L'inbound da solo non basta più. Chi nel 2026 nel B2B crede ancora che whitepaper, SEO e contatti fieristici riempiranno la pipeline, sottovaluta la nuova realtà. I buoni concorrenti identificheranno gli account target prima, faranno ricerche più velocemente, li contatteranno con maggiore precisione e scriveranno follow-up prima che le vendite tradizionali abbiano ordinato i loro rapporti di visita. Non perché i loro venditori siano più brillanti. Perché il loro sistema ha meno attrito.

Per aziende come Trumpf, Wittenstein, Festo o campioni nascosti più piccoli, l'opportunità è particolarmente grande, perché hanno prodotti complessi e argomenti di valore che richiedono spiegazioni. È proprio lì che l'IA aiuta. Uno strumento SaaS generico può essere spiegato da chiunque. Una soluzione di automazione modulare con varianti, norme, concetto di servizio e calcolo del ROI richiede contesto. Questo è un problema di modello, un problema di dati e un problema di leadership delle vendite. In quest'ordine? Non proprio. Di solito la leadership viene prima.

Amplifa ICP Playbook Playbook pratico per definire chiaramente clienti target, segnali e logica di vendita prima che gli agenti IA scalino account sbagliati.

L'impatto aziendale concreto

In primo luogo, il confine tra Sales Enablement e Sales Execution diventa più sottile. Prima il marketing creava materiale, le vendite lo usavano forse, spesso no. Con i modelli multimodali, il materiale viene creato al momento dell'utilizzo: un one-pager per un responsabile degli acquisti, un confronto tecnico per il direttore di stabilimento, un follow-up con grafica appropriata per il CFO. Questo può diventare pericoloso se nessuno costruisce la governance. Può diventare potente se le approvazioni, le fonti e i template sono puliti.

In secondo luogo, le Sales Operations diventano più tecniche. La persona che prima gestiva le sequenze in Salesloft dovrà in futuro comprendere il routing dei modelli, le fonti di dati, le versioni dei prompt, i punteggi QA e la qualità dei campi CRM. Non come un ingegnere ML. Ma abbastanza da fermare l'automazione scadente. Un CSO che chiede solo "più IA" ottiene più output. Non più fatturato.

In terzo luogo, la velocità diventa misurabile. Non come parola su una diapositiva, ma come metrica di sistema: tempo dal segnale al contatto, tempo dalla chiamata al follow-up, tempo dalla domanda sul prodotto alla risposta documentata, tempo dall'opportunità alla prima offerta. Se una nuova versione del modello dimezza questi tempi, è rilevante. Se vince solo punti di benchmark, può rimanere in laboratorio.

1. Misura prima i colli di bottiglia. Non a sensazione, ma con timestamp: segnale lead, inizio ricerca, primo contatto, risposta, follow-up, offerta. Senza questa base, ogni demo IA è fumo.
2. Separa i flussi di lavoro in base ai requisiti del modello. Lo scoring dei lead richiede modelli diversi dalla generazione di offerte, dalla personalizzazione delle immagini o dal co-pilota di chiamata. Un mix di modelli non è un lusso, ma un controllo dei costi.
3. Definisci una politica RAG. Quali documenti possono essere inclusi nelle risposte? Quali fonti sono obsolete? Chi versiona i listini prezzi, i case study e le schede tecniche?
4. Costruisci le tue valutazioni di vendita. Prendi account reali, obiezioni reali, domande reali sui prodotti. Controlla il legame con le fonti, la tonalità, l'adeguatezza alla persona e le formulazioni vietate.
5. Richiedi al fornitore le latenze p50 e p95. Le medie sono carine. p95 mostra cosa il tuo team sperimenta il lunedì al picco.
6. Calcola i costi per campagna, non per token. Il prezzo di un token è astratto. Una sequenza con 10.000 account, tre persone e due varianti di immagine è concreta.
7. Inizia con un processo che abbia vicinanza al fatturato e accesso ai dati. Buoni candidati sono la ricerca degli account, l'automazione dei follow-up, i blocchi di offerta e la prioritizzazione outbound basata su ICP.

L'IA nelle vendite richiede l'integrazione del prodotto, non un'altra finestra di chat

Sono allergico agli strumenti di IA che aprono solo un'altra finestra. I venditori hanno già abbastanza finestre. Salesforce, HubSpot, Outlook, LinkedIn, estratto ERP, configuratore di offerte, Teams, browser, a volte anche un vecchio strumento Access che nessuno vuole toccare. Se l'IA non è integrata lì, diventa un lavoro extra. Allora le persone scrivono di nuovo prompt copia-incolla. Allora vince Excel. Excel vince più spesso di quanto gli analisti ammettano.

Un sistema di IA per le vendite pronto per la produzione deve comprendere gli eventi. Nuovo lead. Segnale dal sito web. Contatto fieristico. Opportunità persa. Nuovo finanziamento. Annuncio di lavoro per project manager SAP. Richiesta di ricambi. Il sistema deve decidere se qualcosa è rilevante, quale persona conta, quale messaggio è appropriato e se un essere umano deve approvare. Questa non è solo una questione di modello. È orchestrazione.

Prodotto Amplifa Amplifa collega la logica ICP, i segnali dei lead, la ricerca basata su IA e le azioni di vendita in un sistema vicino al flusso di lavoro per i team B2B.

Nelle implementazioni con HubSpot, vedo spesso uno schema: l'IA è abbastanza buona, ma la struttura dei dati non lo è. Le fasi del ciclo di vita sono incoerenti, i campi del settore sono digitati liberamente, le sedi DACH sono mescolate, le filiali non sono collegate correttamente. Con Salesforce è simile, solo con più logica degli oggetti e più carico storico. Chi ci mette direttamente un agente, scala il caos. Chi prima pulisce i campi e gli eventi più importanti, ottiene improvvisamente risposte che suonano come vendite e non come una libreria di prompt.

Quando l'IA per immagini nelle vendite vale davvero la pena

L'IA per immagini non vale la pena per ogni e-mail. Per favore, no. Nessuno ha bisogno di un'immagine di fabbrica generata con una sfumatura blu per ogni primo contatto. Questo sa di automazione, e male. L'IA per immagini vale la pena dove un contesto visivo rende un'affermazione complessa più veloce: layout dell'impianto, confronto ROI, schizzo di processo, microsito di settore, copertina di presentazione personalizzata, schema prima-dopo, variante tecnica. Diventa particolarmente potente quando il visual è alimentato da dati reali e non è solo bello da vedere.

Presso un produttore di componenti tecnici della Germania meridionale, nel 2025 abbiamo visto un test in cui le pagine di offerta personalizzate con visual specifici per il settore venivano inoltrate internamente molto più frequentemente rispetto ai semplici follow-up in PDF. Non do una percentuale fantastica, perché il campione era piccolo. Ma lo schema era chiaro: i visual non aiutavano nell'apertura. Aiutavano nella spiegazione. E nel B2B spesso non vince la migliore e-mail, ma il messaggio che il destinatario può inoltrare internamente senza mal di pancia.

La questione del fornitore: comprare, costruire o orchestrare?

Molte PMI si pongono la domanda sbagliata "build-or-buy". Chiedono: dovremmo addestrare un nostro modello? Nel 95% dei casi di vendita: no. Chiedono: dovremmo far passare tutto tramite un fornitore? Anche no, almeno non alla cieca. La domanda migliore è: quali parti della catena del valore dobbiamo controllare? Modello? Dati? Logica dei prompt? Valutazioni? UI? Integrazioni? Audit?

I propri Foundation Models sono un'assurdità per la maggior parte delle organizzazioni di vendita. La propria orchestrazione, invece, è spesso necessaria. Chi usa direttamente OpenAI, Anthropic, Google o Stability ottiene modelli di base potenti, ma non una logica di vendita automaticamente pulita. Chi usa un SaaS di IA per le vendite pronto all'uso ottiene velocità, ma a volte poca trasparenza sui costi del modello, sul retrieval o sulle classi di errore. Entrambi possono essere corretti. Onestamente? Non lo so senza il contesto del sistema. Ma so quale domanda faccio nel primo workshop: dove il sistema può sbagliare, e dove no?

In una Cold Email, il tono non deve essere perfetto. In una promessa di prezzo, nulla deve scivolare. In un riepilogo di chiamata, una frase secondaria irrilevante può mancare. In un impegno di conformità, nulla deve essere inventato. Queste classi di rischio devono essere nell'architettura. Altrimenti si discutono i nomi dei modelli, mentre il problema reale è nel processo di approvazione.

Previsione personale: i prossimi 2-3 anni

La mia prima previsione: il termine "IA nelle vendite" scomparirà, perché l'IA sarà presente in ogni buon processo di vendita. Nessuno oggi dice "vendite basate su database". Si usa il CRM. Allo stesso modo, nessuno nel 2028 dirà con orgoglio che il suo follow-up utilizza l'IA. Sarà atteso.

La mia seconda previsione: i modelli piccoli diventeranno più strategici dei modelli grandi. Non perché siano più intelligenti. Perché possono funzionare più vicino al processo: più economici, più veloci, più spesso, con meno drammi. I modelli grandi rimangono importanti per compiti complessi. Ma la leva economica risiede nel routing, nella pre-verifica, nella compressione dei dati e nel controllo qualità. Questi sono compiti per modelli piccoli e veloci e un'architettura pulita.

La mia terza previsione: l'IA per immagini nel B2B sarà prima sopravvalutata e poi sottovalutata. Prima arriveranno troppi visual generici. Poi la disillusione. Poi le buone applicazioni: schizzi tecnici, micrositi specifici per account, navigazione delle offerte, spiegazione interna del buying center. Se "Nano Banana 2 & Co." accelera davvero questa categoria, il vincitore non sarà il modello di immagine più bello. Il vincitore sarà il modello abbastanza affidabile da diventare parte di una catena di approvazione.

La mia quarta previsione: il vantaggio competitivo nelle vendite si sposterà dal messaggio alla tempistica. Se tutti possono generare buoni testi, conta chi riconosce prima che un account è pronto all'acquisto, chi interpreta correttamente il giusto motivo e chi reagisce entro minuti con sostanza rilevante. Non con spam. Con contesto. Questo sembra poco spettacolare. Ma è la differenza tra pipeline e rumore.

Vedo molti team che testano i modelli come se i modelli fossero la cosa principale. Confrontano screenshot, risposte demo, classifiche. Nel frattempo, il CRM rimane sporco, l'ICP sfocato, i dati di prodotto sparsi e il legale coinvolto troppo tardi. Poi si meravigliano che l'IA nelle vendite non scala. Il modello non era il problema. Era solo la parte che brillava di più.