L'intelligenza artificiale può risolvere il problema del sovraccarico di scelte sulle piattaforme ricche di contenuti?

Introduzione

I sistemi di raccomandazione riducono il numero di scelte che una persona deve fare, e i dati suggeriscono che questo abbia un valore maggiore per una piattaforma di quanto la maggior parte delle persone creda. Se ciò avvenga a costo di non imbattersi in qualcosa di nuovo è una questione a parte, alla quale non è nemmeno così facile rispondere.

Le app di streaming chiedono molto a un martedì sera. Ne apri una e ti ritrovi davanti file di miniature da scorrere prima di trovare qualcosa che valga la pena guardare, ammesso che tu riesca a trovare qualcosa. Molte persone non ci riescono. I banner si alternano, la stessa manciata di titoli continua a riapparire e, a un certo punto, chiudere l’app può sembrare la via più facile. I siti di casinò come Vegas Stars casino nz si imbattono in un problema simile da una prospettiva diversa: un nuovo account effettua l’accesso e si trova di fronte a centinaia di icone di giochi sconosciuti senza un punto di partenza ovvio. I ricercatori hanno dato un nome a questo fenomeno qualche tempo fa, “sovraccarico di scelta”, e le piattaforme lo trattano come una sorta di problema di entrate.

Il valore reale di un motore di raccomandazione

Se si sostituisce il motore di raccomandazione di Netflix con una semplice classifica di popolarità, il coinvolgimento cala del 12%, secondo un documento di lavoro SSRN del novembre 2025 redatto da un gruppo di economisti affiliati all’azienda (tre degli autori del documento lavorano direttamente presso Netflix). Se invece si prova un modello di fattorizzazione a matrice, un passo indietro rispetto alla personalizzazione completa, il calo è minore, pari al 4%. Moltiplicato per una base di abbonati che conta centinaia di milioni, tale divario si traduce in miliardi di ore di visione e in denaro che, in un modo o nell’altro, si riflette sui dati relativi ai rinnovi.

Klaus Wertenbroch non è del tutto convinto che la personalizzazione sia un bene inequivocabile. Insegna marketing all’INSEAD ed è coautore di un articolo che mette in discussione, innanzitutto, quanto peso le persone attribuiscano alle scelte algoritmiche. «Io e i miei coautori mettiamo in guardia i consumatori dall’affidarsi eccessivamente agli algoritmi di intelligenza artificiale quando effettuano tali scelte», ha osservato Wertenbroch nell’articolo, cercando di indurre le persone a riflettere attentamente sui pregiudizi. Ha affermato di sperare che i consigli vengano considerati per quello che sono, non come un’approvazione ufficiale ma semplicemente come l’equivalente di un suggerimento.

Ciò è legato al pregiudizio della popolarità. Quando un numero sufficiente di account guarda già un programma, ciò può indurre il modello a raccomandarlo ad altri (è più sicuro raccomandare un successo già affermato piuttosto che qualcosa di sconosciuto) e, di conseguenza, i pubblici più ristretti si riducono nei passaggi successivi, finendo per scomparire dalla vista di chi non sta attivamente cercando un titolo. Gli economisti fanno riferimento all’effetto «i ricchi diventano più ricchi» per spiegare questo processo. Ciò ha implicazioni per l’indicizzazione dei motori di ricerca e i feed dei social media, ovunque gli algoritmi utilizzino implicitamente la popolarità come indicatore per giudicare la qualità.

Netflix e l’INSEAD sono giunti alla stessa conclusione, ma hanno seguito percorsi diversi per arrivarci. Anche se avevano a che fare con dati completamente diversi provenienti da settori diversi, hanno scoperto che la ragione di fondo per cui gli utenti rimangono fedeli è solitamente la stessa. Le librerie in espansione che non migliorano la qualità dell’offerta già esistente tendono ad accumulare contenuti di scarsa qualità e diventano inefficienti nell’attirare nuovi utenti o nel fidelizzare quelli esistenti.

Gli algoritmi non sono bravi a cogliere gli “incidenti felici”

La cronologia dei clic, il tempo trascorso sulla pagina e i termini di ricerca costituiscono la base della maggior parte dei motori di ricerca. Essi si affidano a queste impronte digitali per proporre contenuti simili a quelli che hai già guardato o con cui hai già interagito. Ha senso dal punto di vista dell’intento progettuale. Ma d’altra parte, c’è la possibilità che quel particolare tipo di suggerimento non ti venga mai mostrato. Il motivo è piuttosto sottile e si basa sul fatto che non c’è mai stata alcuna indicazione di interesse, poiché non ti è mai stato presentato. Un tempo si parlava di marketing “passaparola”, prima che arrivassero i sistemi di raccomandazione e l’intelligenza artificiale. Quando tuo fratello o tua sorella ti regalavano una compilation con solo pochi brani e all’improvviso scoprivi un sottogenere completamente nuovo senza averlo mai cercato.

Tipo di contenuto	Coinvolgimento standard	Coinvolgimento curato	Osservazione chiave
Successi di ampio richiamo	Già elevato	Si muove a malapena	È solo grazie alla popolarità che questi titoli vengono scoperti
Catalogo di fascia media	Seppelliti, facili da trascurare	Salta all’occhio	Qui la selezione dei titoli si rivela particolarmente efficace
Titoli di nicchia	Quasi invisibili	Aumenta leggermente	Anche un buon targeting ha i suoi limiti

I dati da soli faticano a far emergere quelle scelte inaspettate e divertenti. Un sito come Vegas Stars gestisce un ampio catalogo ricco di giochi di carte, slot ad alta volatilità e croupier dal vivo attivi 24 ore su 24. Ovviamente, organizzare una libreria del genere richiede un certo ordine. L’algoritmo di apprendimento automatico si occupa della matematica sottostante, mentre un design intelligente dell’esperienza utente e del prodotto completa il compito. Se un utente crea un nuovo account senza alcuna esperienza pregressa, l’intelligenza artificiale e le categorie di contenuti ben strutturate fanno la loro magia. Organizzare la piattaforma in questo modo garantisce che la griglia dei giochi non risulti disordinata.

Una buona selezione fa la differenza

Chi visita Vegas Stars per la prima volta si trova di fronte a circa 200 tessere di gioco distinte, senza alcuna cronologia di clic alle spalle. Molti motori di raccomandazione di vecchia generazione gestiscono questa tabula rasa in modo obsoleto, soprattutto perché nessuno li ha progettati tenendo conto di questo scenario. Alcuni finiscono per riciclare sempre la stessa manciata di generi fino a quando tutto ciò che appare sullo schermo inizia a confondersi. I sistemi migliori tentano un approccio più complesso, monitorando ciò che già piace a un giocatore, per poi inserire occasionalmente un titolo al di fuori di quel modello solo per vedere cosa attira l’attenzione.

• I clic e la durata delle sessioni dicono più di qualsiasi sondaggio su un giocatore.
• Migliaia di account vengono messi a confronto tra loro tramite il filtraggio collaborativo, alla ricerca di sovrapposizioni in ciò che è stato giocato o saltato.
• La volatilità e le meccaniche di gioco vengono ricavate direttamente dai file del gioco, quindi le corrispondenze di stile seguono i dati, non le supposizioni.
• Viene rilevato anche un cambiamento di umore a metà sessione, un aspetto che un profilo statico semplicemente non coglierebbe.

Gli ingegneri hanno un nome per quello scenario iniziale, un account nuovo senza ancora nulla in archivio: il problema del cold-start. Alcuni sistemi lo gestiscono indirizzando di default i nuovi account verso ciò che è più popolare in generale, finché non si accumulano dati comportamentali sufficienti per personalizzare correttamente. Altri propongono invece una manciata di domande di onboarding, scambiando una registrazione leggermente più macchinosa con un vantaggio iniziale nell’abbinamento. Nessuna delle due soluzioni è perfetta, ma entrambe sono migliori che mostrare 200 tessere a caso sperando che qualcosa vada a segno.

Due tecniche svolgono la maggior parte del lavoro di selezione quando si inizia a esaminare tutto. Innanzitutto, il filtraggio collaborativo stabilisce un punteggio di somiglianza tra un account e migliaia di altri confrontando i titoli su cui si è cliccato, che sono stati riprodotti o persino “saltati in comune”. Il tagging basato sui contenuti salta quel confronto e legge invece i metadati di ogni titolo – indice di volatilità, tema, struttura della tabella dei pagamenti – per poi abbinare tali attributi a ciò che un account ha preferito in precedenza (le due tecniche spesso funzionano in parallelo invece che sostituirsi a vicenda). Entrambi i metodi evitano all’utente di dover stare lì a setacciare manualmente ogni catalogo.

Analizzandolo nel dettaglio, il processo si articola in circa cinque passaggi, ciascuno dei quali piuttosto semplice:

1. I dati delle sessioni, le preferenze di categoria e i modelli di salto vengono inseriti nel modello prima che qualsiasi cosa venga classificata.
2. I profili individuali vengono abbinati a titoli legati alla cronologia effettiva dei clic, non solo a ciò che è generalmente popolare.
3. Classifica nel modo giusto. La maggior parte del coinvolgimento che una griglia della homepage riceve avviene nelle prime righe, il che spiega in parte perché l’ordine di classificazione abbia più peso rispetto alla lunghezza dell’elenco sottostante.
4. I nuovi clic, i salti e le sessioni completate vengono reintegrati come ulteriori dati di addestramento.
5. Le nuove uscite e i cambiamenti nel comportamento degli utenti vengono integrati in pochi minuti, senza dover attendere un aggiornamento programmato.

Come si presenta una migliore curatela su Vegas Stars

Le sessioni da dispositivi mobili costituiscono la maggior parte del traffico su un sito come Vegas Stars, e questo cambia il ruolo che la curazione deve effettivamente svolgere per l’utente. Uno schermo più piccolo ha spazio per forse sei o otto riquadri visibili prima che l’utente debba scorrere, quindi qualsiasi contenuto si trovi in quella prima riga visibile ha un peso enorme, simile all’effetto della griglia della homepage evidenziato dalla ricerca di Netflix. Se si sbaglia quella riga iniziale, un giocatore non vedrà mai il resto della libreria, indipendentemente da quanto sia accurato l’abbinamento sottostante.

Poi ci sono i giochi da tavolo con croupier dal vivo, che aggiungono un livello completamente nuovo di complessità. Supponiamo di avere un tavolo di blackjack con tre posti liberi e un utente interessato a partecipare; è necessario collegarlo in millisecondi, non in secondi spesi a setacciare un calendario degli appuntamenti. Non basta semplicemente avviare una replica una volta che il posto è stato occupato. A differenza di una libreria video on demand, qui la tempistica è fondamentale, perché una volta che quel tavolo dal vivo si riempie, l’opportunità per il giocatore è persa. È come una lobby multigiocatore in qualsiasi Call of Duty o altro gioco di squadra che si trova su PlayStation e Xbox.

Anche la velocità di pagamento influisce in modo piuttosto indiretto sulla scoperta. I giocatori che movimentano denaro tramite criptovalute o portafogli elettronici tendono a passare da una sessione all’altra più rapidamente rispetto a chi attende giorni per un bonifico bancario, lasciando al motore di raccomandazione meno tempo per ogni visita per imparare qualcosa prima che quell’account si sposti su una piattaforma diversa. Un afflusso di denaro più rapido tende a significare un giudizio più veloce sul fatto che la lobby abbia effettivamente funzionato per quel giocatore.

Riuscire in questo intento richiede una vera e propria opera di ingegneria. Richiede sistemi di backend veloci e reattivi, abbinati a un layout progettato per seguire l’effettivo punto di attenzione del giocatore.

Avviso: il gioco d’azzardo è una forma di intrattenimento e comporta rischi intrinseci. Non deve essere considerato una fonte di reddito o una strategia finanziaria. Scommetti solo ciò che puoi permetterti di perdere, stabilisci limiti rigorosi e cerca aiuto se il gioco d’azzardo sta avendo un impatto negativo su di te. La partecipazione è riservata ai maggiorenni (18+). Gioca sempre in modo responsabile.