Quando la tessera comincia a “pensare” diventa infrastruttura della relazione

Per molti anni la tecnologia dei programmi fedeltà è rimasta quasi invisibile. Il cliente presentava una carta alla cassa, il lettore ne riconosceva il codice e, da qualche parte, un sistema aggiornava il saldo dei punti. La tessera non interpretava, non suggeriva, non prevedeva. Registrava. Oggi quella stessa relazione può cominciare molto prima dell’acquisto e continuare molto dopo. Machine learning, intelligenza artificiale predittiva, recommendation system, Ai generativa, chatbot e assistenti conversazionali non rappresentano più soltanto tecnologie sperimentali. Sono già entrati, con livelli di maturità differenti, nelle strategie di retailer, operatori travel e grandi programmi internazionali. La questione per le imprese è quindi meno tecnologica di quanto possa sembrare: non si tratta soltanto di decidere quale nuovo strumento adottare, ma di comprendere come questi strumenti stiano già modificando il modo di progettare e gestire la relazione con il cliente. Sapere che un prodotto è stato venduto è una cosa; sapere che la stessa persona lo acquista ogni settimana, che ha modificato progressivamente le proprie preferenze o che ha improvvisamente interrotto un comportamento abituale significa possedere un’informazione completamente diversa.

Per molto tempo questa conoscenza è stata gestita attraverso segmentazioni relativamente semplici: clienti ad alta spesa, famiglie, giovani, clienti occasionali, heavy user. Il machine learning consente invece di lavorare contemporaneamente su un numero molto maggiore di variabili e di aggiornare l’interpretazione del comportamento man mano che arrivano nuovi dati. La differenza diventa particolarmente evidente quando dall’analisi descrittiva si passa a quella predittiva. Due clienti che non acquistano da tre mesi possono apparire identici in una lettura puramente temporale. Per uno dei due, tuttavia, quell’intervallo può corrispondere al normale ciclo di acquisto; per l’altro, abituato a comprare ogni settimana, può rappresentare una discontinuità significativa. Il silenzio è identico, ma il suo significato non lo è. È precisamente su differenze di questo tipo che lavorano i modelli predittivi: combinano informazioni storiche e comportamentali per assegnare probabilità differenti a eventi come un nuovo acquisto, una risposta a un’offerta o il rischio di abbandono. Il passaggio è importante perché sposta la loyalty da una logica esclusivamente reattiva – riconoscere ciò che il cliente ha fatto – a una logica nella quale il dato viene utilizzato anche per decidere quale intervento sia più pertinente.

Tesco offre un esempio particolarmente significativo di questa evoluzione. Con Clubcard Challenges l’insegna britannica utilizza dati e tecnologie di personalizzazione per proporre ai membri sfide costruite sulle loro abitudini di acquisto, associando il raggiungimento degli obiettivi a punti Clubcard aggiuntivi. Non viene quindi personalizzato soltanto il prodotto promosso: può essere personalizzata anche la meccanica attraverso la quale il cliente ottiene la ricompensa. La scala raggiunta permette di considerare il fenomeno ben oltre la dimensione sperimentale. Nei risultati dell’esercizio fiscale 2025/26 Tesco dichiara che le Clubcard Challenges sono state offerte a un’audience complessiva fino a 7 milioni di clienti, mentre coupon digitali e reward personalizzati vengono proposti regolarmente a oltre 9 milioni di clienti. Nel primo trimestre dell’esercizio 2026/27 Tesco ha inoltre dichiarato che le nuove offerte personalizzate avevano già generato quasi 100 milioni di offerte su misura. Il caso racconta qualcosa che va oltre Tesco. La personalizzazione non consiste più semplicemente nell’inviare promozioni diverse a segmenti differenti, ma nell’utilizzare la conoscenza del singolo cliente per decidere quale combinazione di incentivo, prodotto e meccanica sia più pertinente. La loyalty smette così di essere soltanto la contabilità dei punti e diventa uno strumento di interpreta-zione e gestione del comportamento. È qui che cambia anche il mestiere di chi progetta un programma. Il problema non è più soltanto stabilire quale premio attribuire dopo un determinato comportamento, ma capire se, quando e attraverso quale incentivo intervenire. Non tutti i clienti hanno bisogno dello stesso vantaggio e, soprattutto, non tutti hanno bisogno di un vantaggio in ogni momento. La capacità di distinguere queste situazioni modifica direttamente il modo in cui viene allocato il budget promozionale.

Dal catalogo alla raccomandazione

Una seconda trasformazione riguarda i sistemi di raccomandazione. Nel negozio tradizionale un bravo venditore cercava di ricordare le preferenze del cliente, osservava ciò che stava scegliendo e suggeriva eventualmente un prodotto complementare. Nel digitale questa funzione viene svolta su una scala molto più ampia attraverso algoritmi che combinano comportamento della sessione, caratteristiche dei prodotti e storia precedente della relazione. La loyalty rende questa capacità particolarmente interessante perché introduce una memoria identificata. Il sistema non osserva soltanto ciò che sta accadendo in quel momento, ma può collegarlo, quando i sistemi aziendali lo consentono, agli acquisti precedenti, alle offerte utilizzate o ignorate, ai reward riscattati e alle preferenze dichiarate. Nel beauty, Sephora offre oggi uno degli esempi più espliciti di questo passaggio. Nel marzo 2026 ha avviato negli Stati Uniti il pilot della propria app all’interno di ChatGpt. Il cliente può formulare direttamente una richiesta in linguaggio naturale – per esempio chiedendo un prodotto adatto a una determinata esigenza – e ricevere raccomandazioni attraverso l’interfaccia conversazionale. Soprattutto, se sceglie di collegare il proprio account loyalty, Beauty Insider, l’app può basare le raccomandazioni sulle preferenze presenti nel profilo utilizzando anche loyalty reward e benefit. Sephora indica la propria community globale in oltre 80 milioni di membri attivi. Il dato interessante non è soltanto che Sephora utilizzi l’intelligenza artificiale. È il modo in cui cambia la funzione del programma fedeltà. Beauty Insider fornisce all’interazione una continuità che la conversazione generica non avrebbe: il cliente può entrare in un nuovo ambiente digitale senza essere necessariamente trattato come una persona completamente sconosciuta. In questo senso la loyalty diventa una memoria della relazione capace di accompagnare il cliente da un touchpoint all’altro.

Sephora non è un caso isolato. A gennaio 2026 Walmart e Google hanno annunciato un’esperienza integrata con Gemini nella quale, quando il cliente collega il proprio account, Walmart utilizza gli acquisti precedenti effettuati online e nei negozi per raccomandare articoli complementari; nell’esperienza vengono inoltre riconosciuti i benefit collegati a Walmart+ e Sam’s Club. Due casi molto diversi che mostrano un cambiamento già in corso: la loyalty può continuare a funzionare anche quando discovery e raccomandazione non iniziano più dall’app o dal sito del retailer. Per il cliente, tuttavia, una maggiore capacità di personalizzazione non dovrebbe tradursi semplicemente in un aumento del numero delle offerte. Il valore dovrebbe essere soprattutto una maggiore pertinenza. Se il programma conosce meglio la persona, quella conoscenza dovrebbe servire anche a evitare suggerimenti inutili, ripetitivi o incoerenti con ciò che il cliente ha già fatto. È una distinzione importante perché la personalizzazione non coincide necessariamente con l’intensificazione della pressione commerciale. Può significare, al contrario, ridurre il rumore.

Quando il programma impara a parlare

La trasformazione più immediatamente percepibile dal cliente riguarda probabilmente l’interfaccia. I primi chatbot utilizzati nel customer service riproducevano spesso alberi decisionali relativamente rigidi: l’utente selezionava un argomento, il sistema proponeva alcune alternative e, quando la richiesta usciva dal percorso previsto, l’interazione tendeva a interrompersi o a essere trasferita a un operatore. I sistemi basati sul natural language processing e sull’Ai generativa hanno ampliato notevolmente la possibilità di lavorare con richieste formulate in linguaggio naturale. Nel contesto loyalty significa poter trasformare regole, benefit, preferenze e informazioni sul programma in una conversazione più immediata. Il punto non è soltanto automatizzare il customer care, ma rendere interrogabile la relazione. Nel travel questa evoluzione è già osservabile. Il 16 giugno 2026 Marriott International ha lanciato in beta Ask Bonvoy, una ricerca conversazionale in linguaggio naturale disponibile inizialmente in inglese negli Stati Uniti, su Marriott.com e nelle app Marriott Bonvoy, a un sottoinsieme di membri e nuovi iscritti.

Ask Bonvoy interpreta richieste formulate in modo conversazionale, identifica lo scopo del viaggio e restituisce risultati selezionati all’interno del portafoglio Marriott. Le risposte sono costruite esclusivamente su dati proprietari e verificati delle strutture Marriott, anziché su informazioni recuperate dall’open web. Ma il legame fra ricerca conversazionale e loyalty è ancora più diretto. La privacy policy globale di Marriott specifica che, quando l’utente è autenticato nel proprio account Bonvoy, lo strumento di ricerca Ai può utilizzare informazioni già presenti nel profilo insieme alle precedenti attività di navigazione sui siti e sulle app Marriott e alla storia dei soggiorni, per personalizzare le risposte. È esattamente qui che la conversazione cambia natura. Non siamo più soltanto davanti a un motore di ricerca al quale è possibile rivolgersi utilizzando parole più naturali. Quando il membro è riconosciuto, la conversazione può essere alimentata dalla memoria accumulata dal programma. Anche in questo caso il ruolo della loyalty si sposta, diventando una componente dell’esperienza attraverso la quale il sistema interpreta la richiesta.

Ma proprio quanto più l’interazione automatizzata diventa naturale, tanto più cresce l’importanza della trasparenza. In Europa, dal 2 agosto 2026, l’Ai Act prevede, nei casi contemplati dal regolamento, che le persone siano informate quando stanno interagendo direttamente con un sistema di intelligenza artificiale, salvo che la natura artificiale dell’interazione risulti già evidente dalle circostanze. La naturalezza della conversazione, quindi, non può trasformarsi in ambiguità sulla natura dell’interlocutore. A questo si aggiunge un secondo livello, distinto ma complementare, che riguarda l’utilizzo dei dati personali. Se l’assistente conversazionale utilizza profilo, cronologia, preferenze o comportamenti per personalizzare le risposte, continua infatti ad applicarsi il quadro del gdpr. Ai Act e gdpr intervengono quindi su piani distinti ma complementari: il primo introduce obblighi di trasparenza sull’interazione con l’Ai, mentre il secondo continua a governare l’utilizzo dei dati personali che alimentano quella stessa interazione. La tecnologia, infine, non elimina la necessità dell’intervento umano. Riconoscere linguisticamente una lamentela, classificare una richiesta o generare una risposta non equivale a comprendere realmente la situazione personale del cliente. Più il dialogo automatizzato diventa fluido e credibile, più l’impresa deve definire con chiarezza quando l’automazione sia sufficiente e quando sia invece necessario trasferire la relazione a una persona. La qualità di un assistente conversazionale loyalty non si misura quindi soltanto dalla sua capacità di rispondere, ma anche dalla capacità dell’azienda di stabilire che cosa il sistema può conoscere, come deve utilizzare quella conoscenza e quando deve fermarsi.

Prima dell’intelligenza viene la memoria

Fin qui il nostro racconto sembra procedere soprattutto in una direzione: l’intelligenza artificiale rende più sofisticato il programma fedeltà perché permette di analizzare comportamenti, personalizzare offerte, formulare raccomandazioni e costruire interazioni conversazionali. Ma esiste un contraltare meno visibile e forse ancora più importante. La loyalty non è soltanto uno dei luoghi nei quali viene applicata l’intelligenza artificiale: è anche una delle infrastrutture che possono renderla efficace. Gli algoritmi hanno bisogno di continuità. Una visita anonima a un sito racconta ciò che sta accadendo in quel momento; una singola transazione racconta ciò che è stato acquistato. Una storia identificata di interazioni consente invece di osservare frequenza, ricorrenza, preferenze, cambiamenti e risposte precedenti. Il caso del retailer americano Kroger rende questo rapporto particolarmente evidente senza ricorrere a scenari futuri. 84.51°, società di data science, customer insight e retail media interamente controllata da Kroger, utilizza i first-party data generati dall’ecosistema del retailer e provenienti da oltre 62 milioni di famiglie statunitensi, compresi quelli provenienti dal loyalty scheme Kroger Plus, per analizzare i comportamenti dei clienti, costruire modelli predittivi, personalizzare offerte e comunicazioni e produrre insight utilizzati sia da Kroger sia dai brand che operano nel suo ecosistema. Qui il rapporto fra loyalty e intelligenza diventa molto concreto. Kroger Plus contribuisce a creare il patrimonio informativo sul quale lavorano data science e personalizzazione.

È quindi possibile rovesciare il ragionamento: l’Ai alimenta la loyalty, ma la loyalty alimenta l’Ai. La prima trasforma informazioni e comportamenti in modelli, selezioni e raccomandazioni; la seconda contribuisce a creare la memoria identificata e continuativa dalla quale quelle elaborazioni possono partire. Questo contraltare modifica anche il valore strategico attribuito al programma. La loyalty continua naturalmente a svolgere le funzioni tradizionali, ma diventa contemporaneamente una delle principali fonti di first-party data attraverso le quali l’impresa può costruire una conoscenza più profonda del cliente. È un circuito già osservabile: la partecipazione al programma genera dati; quei dati alimentano analisi e personalizzazione; la personalizzazione modifica le offerte e le esperienze proposte al cliente; le nuove interazioni producono ulteriori segnali. Ma perché tutto questo funzioni occorre una condizione meno spettacolare dell’intelligenza artificiale e spesso molto più difficile da realizzare: i sistemi devono ricordarsi la stessa persona nello stesso modo. Il programma deve dialogare con casse, ecommerce, crm, applicazioni, customer service, piattaforme promozionali e sistemi di pagamento. Se questi ambienti rimangono separati, la quantità di dati cresce ma la conoscenza del cliente rimane frammentata. Il problema è facilmente riconoscibile nell’esperienza quotidiana: un cliente utilizza un coupon ma continua a visualizzarlo nell’app, acquista un prodotto e continua a ricevere comunicazioni che sembrano ignorare quell’acquisto, contatta il servizio clienti e deve spiegare nuovamente ciò che ha già comunicato attraverso un altro canale. La vera personalizzazione comincia quando i sistemi aziendali condividono una memoria sufficientemente coerente della relazione.

Il tempo del dato diventa parte dell’esperienza

Per entrare realmente in questa logica, un programma fedeltà non deve soltanto raccogliere più dati: deve cambiare il modo in cui li fa circolare. Un acquisto, una redemption, l’utilizzo di un coupon o un contatto con il servizio clienti devono diventare eventi capaci di aggiornare rapidamente il pro-filo della persona e, soprattutto, di modificare ciò che il programma farà dopo. Operativamente significa collegare tutto l’ecosistema aziendale in modo che un comportamento registrato in un punto della relazione sia conosciuto anche dagli altri. In pratica, il programma deve comportarsi come una memoria aggiornata: se il cliente utilizza un coupon alle 10, ogni canale dovrebbe saperlo prima di inviargli alle 11 un’offerta incompatibile con quell’azione. Per poterlo fare, un loyalty scheme deve introdurre un’architettura event-driven, cioè capace di reagire agli eventi man mano che accadono. È esattamente il principio delle moderne architetture di streaming: l’evento viene prodotto da un sistema e reso disponibile ai sistemi che devono reagire. Non tutti i dati devono necessariamente essere gestiti in tempo reale: la progettazione consiste proprio nello stabilire quali eventi devono modificare immediatamente l’esperienza e quali possono continuare a essere elaborati periodicamente. Per un sistema di intelligenza artificiale la differenza è decisiva: un modello può essere sofisticato quanto si vuole, ma se riceve informazioni vecchie continuerà a prendere decisioni su un cliente che nel frattempo è già cambiato. Il real time, quindi, non è una prestazione tecnica da esibire. È la capacità del programma di incorporare rapidamente ciò che il cliente ha appena fatto e di comportarsi di conseguenza.

Quando l’Ai ha bisogno anche dei dati degli altri. Finora abbiamo considerato soprattutto i dati che l’impresa raccoglie direttamente attraverso la propria relazione con il cliente. Ma anche una memoria molto ricca rimane necessariamente parziale. Un retailer conosce ciò che accade nei propri negozi, nell’ecommerce e nel programma fedeltà; un produttore può possedere altre informazioni sulle campagne, sui prodotti o sulle audience con cui entra in contatto. Per i sistemi di analytics e di intelligenza artificiale questa separazione può rappresentare un limite: quanto più il contesto disponibile è incompleto, tanto più anche segmentazioni, previsioni e valutazioni rischiano di riflettere soltanto una parte del comportamento osservabile. La risposta, tuttavia, non consiste necessariamente nel concentrare tutti i dati nello stesso database. Le data clean room consentono a organizzazioni differenti di effettuare determinate analisi congiunte all’interno di ambienti controllati, introducendo restrizioni sull’accesso ai dati grezzi, sulle interrogazioni consentite e sull’esportazione dei risultati. Il principio è particolarmente rilevante negli ecosistemi loyalty, retail media e nelle collaborazioni fra retailer e produttori: il valore non nasce soltanto dalla quantità di dati che ciascuna impresa possiede, ma dalla possibilità di metterli in relazione senza doverne necessariamente trasferire integralmente il controllo. Un retailer può, per esempio, utilizzare i propri first-party data sulle vendite e sui comportamenti dei membri del programma insieme ai dati di un produttore per analizzare quali segmenti abbiano risposto a una campagna, quali categorie abbiano modificato il proprio comportamento o quali audience mostrino maggiore propensione all’acquisto.

BigQuery Data Clean Rooms, la soluzione di Google Cloud per l’analisi collaborativa dei dati in ambiente controllato, permette per esempio di condividere risorse applicando regole di analisi, soglie di aggregazione e controlli sull’esportazione, mentre i soggetti autorizzati possono effettuare determinate elaborazioni senza ottenere necessariamente accesso ai dataset sottostanti. In Europa queste architetture non eliminano naturalmente gli obblighi previsti dal gdpr. Possono ridurre l’esposizione e la circolazione delle informazioni, ma finalità del trattamento, base giuridica, minimizzazione, trasparenza e rischio di reidentificazione restano responsabilità delle aziende coinvolte. Il punto tecnologico e manageriale è un altro: per rendere più intelligente un sistema non è sempre necessario possedere più dati. Talvolta è sufficiente essere in grado di utilizzarli insieme nel modo corretto. Dopo aver trasformato la loyalty in memoria e aver reso quella memoria più tempestiva, si apre quindi un ulteriore passaggio: permettere alla conoscenza del cliente di dialogare con altre conoscenze senza perdere il controllo sui dati che le hanno generate. Anche questa è una parte meno visibile dell’intelligenza artificiale applicata alla loyalty.

Più intelligente non significa necessariamente più fedele

La tecnologia permette oggi ai programmi di conoscere differenze che prima non erano visibili e di agire su quelle differenze con una precisione molto maggiore. Ma proprio questa capacità pone alle imprese domande che non possono essere delegate ai data scientist. Se due clienti ricevono incentivi differenti sulla base della loro probabilità di acquisto, dove finisce la personalizzazione e dove comincia una differenziazione difficile da spiegare? Se il sistema riconosce che un cliente molto fedele acquisterà comunque e assegna invece un incentivo più elevato a chi presenta maggiore rischio di abbandono, sta utilizzando correttamente il budget oppure sta attribuendo più valore alla minaccia di lasciare il brand che alla fedeltà dimostrata nel tempo? La loyalty tradizionale aveva molte rigidità, ma possedeva almeno una caratteristica facilmente comprensibile: la regola era visibile. Una determinata spesa produceva un certo numero di punti; una soglia consentiva di ottenere un premio; un livello garantiva determinati benefit. La personalizzazione algoritmica può risultare molto più pertinente, ma può anche rendere meno evidente il criterio con cui vengono distribuiti vantaggi differenti. È in questo contesto che assume importanza anche il tema dell’explainable Ai, cioè l’esigenza di rendere maggiormente comprensibili i fattori che contribuiscono alle decisioni dei sistemi automatizzati. Nel loyalty management questo principio non implica necessariamente rendere pubblico ogni dettaglio tecnico dell’algoritmo; significa però che l’impresa deve mantenere la capacità di comprendere e governare i criteri sulla base dei quali differenzia offerte, priorità e trattamenti. È un problema manageriale prima ancora che tecnologico. Perché un programma può conoscere molto del comportamento di una persona senza per questo conoscere davvero quella persona. Può sapere che acquista frequentemente un determinato prodotto, osservare che la frequenza si sta riducendo o riconoscere che una determinata offerta genera una risposta. Ma il dato rimane una rappresentazione del comportamento, non una spiegazione completa delle motivazioni. La tecnologia ha dato alla loyalty una capacità di osservazione e di intervento che i vecchi programmi basati esclusivamente sulla registrazione dei punti non possedevano. Non è quindi necessario immaginare come potrebbe essere il programma fedeltà del futuro, anche perché, come scriveva Samuel Taylor Coleridge, “nell’oggi cammina già il domani”. Una parte di quel cambiamento è già avvenuta.

La tessera ha smesso di essere soltanto un dispositivo attraverso il quale riconoscere una transazione ed è diventata progressivamente una chiave di accesso alla memoria della relazione, sulla quale lavorano algoritmi, recommendation system e interfacce conversazionali. Ed è proprio qui che il rapporto fra loyalty e intelligenza artificiale mostra la sua natura più interessante: non procede in una sola direzione. L’Ai rende più intelligente la loyalty, ma una buona loyalty rende più intelligente l’Ai. Il valore competitivo non risiede quindi soltanto nell’algoritmo che l’impresa riesce ad adottare, ma nella qualità della relazione che è riuscita a trasformare in memoria e nella capacità di utilizzare quella memoria in modo coerente, tempestivo e comprensibile. La tecnologia non rende automaticamente un programma più fedele al cliente. Rende più potente la capacità dell’impresa di conoscerlo e di intervenire sulla relazione. La differenza continua quindi a dipendere da ciò che l’azienda decide di fare di quella conoscenza: utilizzarla per ridurre la complessità, evitare comunicazioni inutili, riconoscere meglio esigenze e comportamenti e restituire valore, oppure semplicemente per aumentare la pressione commerciale. La vera innovazione non è conoscere tutto del cliente, ma utilizzare meglio ciò che si conosce. Ed è forse qui che la trasformazione digitale della loyalty incontra nuovamente il suo principio più antico: la fiducia non nasce dalla quantità di informazioni raccolte, ma dalla capacità di dimostrare, interazione dopo interazione, che averle affidate all’impresa è stato utile anche per il cliente.