Per anni gli algoritmi che decidono che cosa vediamo online sono rimasti una sorta di “scatola nera”. Social network, piattaforme video, marketplace ed e-commerce hanno costruito il proprio vantaggio competitivo proprio sulla capacità di profilare gli utenti e prevederne i comportamenti, senza mai mostrare realmente il funzionamento interno di questi sistemi.
Per questo motivo la decisione di xAI di pubblicare parte dello stack di raccomandazione di Grok ha attirato così tanta attenzione nel mondo tecnologico e del marketing digitale. Non si tratta soltanto di capire come funziona il feed di un social network: il punto è che la stessa logica viene oggi utilizzata in moltissimi ambiti, dall’e-commerce alla pubblicità, fino ai sistemi di recommendation che guidano le campagne marketing moderne.
Dietro a un post suggerito, a un prodotto consigliato o a un contenuto sponsorizzato c’è infatti una infrastruttura estremamente sofisticata che lavora in tempo reale per decidere che cosa mostrare, quando mostrarlo e a chi mostrarlo. Xun Wang, chief technology officer di BloomReach, ha postato su Linkedin una interessante analisi che spiega molto del suo funzionamento.
La profilazione moderna è dinamica, non statica
Uno degli aspetti più interessanti del sistema descritto nel post riguarda il modo in cui viene costruito il profilo dell’utente. Per anni la profilazione digitale si è basata principalmente su dati statici: età, posizione geografica, interessi dichiarati o storico degli acquisti.
I sistemi più evoluti oggi funzionano in modo completamente diverso. Non cercano soltanto di capire “chi sei”, ma soprattutto come ti comporti nel tempo. Nel caso di Grok, il comportamento dell’utente viene trasformato in un vettore matematico. In pratica, il sistema converte tutto ciò che una persona fa — click, like, tempo di permanenza, cronologia delle interazioni, velocità di navigazione, frequenza delle visite — in una rappresentazione numerica estremamente dettagliata.
Questo vettore non fotografa solo interessi generici, ma anche pattern comportamentali molto specifici. L’algoritmo può ad esempio capire che un utente tende a soffermarsi più a lungo su contenuti tecnici la sera, oppure che nei weekend interagisce maggiormente con video sportivi o prodotti legati al tempo libero.
È qui che entra in gioco il concetto di profilazione sequenziale. I modelli transformer utilizzati da Grok non analizzano solo dati isolati, ma osservano l’intera sequenza delle azioni dell’utente, cercando correlazioni e intenzioni future. In altre parole, il sistema non si limita a registrare cosa piace oggi, ma prova a prevedere cosa potrebbe interessare tra pochi minuti.
Come funziona davvero la scelta dei contenuti
Una delle parti più importanti di questi sistemi è la fase chiamata retrieval. È il momento in cui la piattaforma deve affrontare un problema gigantesco: scegliere pochi contenuti rilevanti all’interno di un universo composto da milioni o miliardi di opzioni.
Il sistema descritto nel post utilizza una struttura nota come “modello a due torri”. Da un lato esiste una “torre dell’utente”, che è la rappresentazione matematica dell’utente; dall’altro una “torre dei candidati”, che trasforma ogni contenuto disponibile in un altro vettore numerico. A questo punto entra in gioco la similarità matematica. L’algoritmo confronta il profilo dell’utente con quello dei contenuti disponibili e seleziona quelli più compatibili. È importante capire che questa fase non produce ancora il feed finale. Serve soltanto a ridurre il problema: da milioni di possibili contenuti si passa a qualche migliaio di candidati potenzialmente interessanti.
Il ranking: la vera battaglia del marketing digitale
La parte più sofisticata arriva dopo, nella fase di ranking. È qui che il sistema decide cosa mostrare davvero e in quale ordine. Il modello di Grok non cerca semplicemente il contenuto “più interessante”, ma prova a ottimizzare contemporaneamente diversi obiettivi. Ogni contenuto viene valutato rispetto a molteplici probabilità: possibilità di click, like, condivisione, risposta, tempo di permanenza o interazione futura.
Allo stesso tempo vengono stimati anche i segnali negativi: probabilità che un utente nasconda il contenuto, smetta di seguirne l’autore o lo segnali come indesiderato. Il feed finale nasce quindi da una combinazione pesata di obiettivi diversi, che cambia continuamente in base alla strategia della piattaforma.
Ed è qui che il marketing entra direttamente in gioco. Perché ottimizzare un feed significa influenzare il comportamento umano. Se una piattaforma vuole aumentare il tempo di permanenza, darà più peso a certi contenuti. Se vuole massimizzare conversioni pubblicitarie o acquisti, cambierà completamente le priorità del ranking. Il sistema non sceglie necessariamente ciò che è “migliore”, ma ciò che ha maggior probabilità di produrre il comportamento desiderato.
La "diversità controllata"
Uno dei passaggi più interessanti del post è il parallelo tra social recommendation ed e-commerce. In realtà, le differenze tra suggerire un post o suggerire un prodotto sono molto più piccole di quanto sembri: anche nel retail digitale devi trovare rapidamente, all’interno di un catalogo enorme, i prodotti con maggior probabilità di generare conversione. E la stessa logica viene oggi utilizzata per personalizzare homepage e risultati di ricerca, decidere quali prodotti evidenziare, ottimizzare le campagne marketing, modificare dinamicamente offerte e promozioni, aumentare il valore medio del carrello. La profilazione non riguarda quindi soltanto la pubblicità, ma l’intera esperienza digitale dell’utente.
Uno degli aspetti più intelligenti del sistema Grok riguarda il controllo della diversità dei contenuti. Se gli algoritmi ottimizzassero soltanto il punteggio più alto, il feed rischierebbe di trasformarsi rapidamente in una monocultura dominata sempre dagli stessi temi, brand o autori.
Per evitarlo, vengono introdotti sistemi che forzano la varietà. Nel caso descritto nel post, esiste addirittura un “Author Diversity Scorer” che impedisce a un singolo autore di monopolizzare il feed. È un concetto estremamente importante anche nel marketing digitale moderno. Gli algoritmi più avanzati non cercano soltanto la massima conversione immediata, ma anche di mantenere vivo il senso di scoperta. Questo approccio migliora: engagement nel lungo periodo, percezione del brand, capacità di esplorazione dell’utente ed efficacia futura delle raccomandazioni.
Un marketing sempre più predittivo
La vera lezione che emerge da questa apertura sul funzionamento di Grok è che il marketing sta diventando sempre meno “manuale” e sempre più predittivo. Le piattaforme moderne non si limitano a reagire ai comportamenti degli utenti: cercano di anticiparli, modellando l’esperienza digitale in tempo reale.
I sistemi di recommendation stanno diventando il cuore invisibile dell’economia digitale. Decidono cosa leggiamo, cosa compriamo, quali video guardiamo e persino quali brand scopriamo. E con l’evoluzione dei modelli transformer e dell’AI agentica, questa capacità di personalizzazione diventerà ancora più sofisticata, trasformando piattaforme e-commerce, social network e media digitali in ecosistemi sempre più adattivi e dinamici.