Marshall McLuhan, descrivendo le tecnologie come estensioni del corpo umano, non pensava certo ai modelli linguistici di ultima generazione. La scrittura estende la memoria, il telescopio estende la vista, ma l’intelligenza artificiale estende qualcosa di più difficile da misurare: la capacità di ragionare su dati e scenari che non si riuscirebbero a processare. È in quest’ultimo caso che il vantaggio diventa più interessante, e il rischio più sottile. Ragionare su un mercato che non si abita è esattamente il problema dell’internazionalizzazione.

Il problema dell’espansione verso nuovi mercati non è mai stato esclusivamente logistico. Le rotte, la dogana e la distribuzione sono difficoltà risolvibili con i giusti investimenti. Il nodo vero è un altro: come si comprende un mercato che non si conosce e non si abita? Le aziende italiane che si affacciano all’estero, dalla meccanica di precisione al manifatturiero moda, hanno sempre fatto i conti con questa asimmetria. E l’hanno risolta nel modo più antico: mandando qualcuno sul territorio, partecipando alle fiere, costruendo relazioni lente con i distributori locali. Un apprendimento fatto per prove ed errori, in cui l’errore può costare moltissimo.

L’intelligenza artificiale non elimina questa asimmetria, ma può ridurla prima che il costo si manifesti.

C’è uno strumento che traduce questa possibilità in qualcosa di concreto, e vale la pena descriverlo con precisione perché il nome è fuorviante. Quando si parla di gemello digitale si pensa subito all’industria manifatturiera: ne è un esempio la replica in ambiente virtuale di una linea di assemblaggio per ottimizzarne la manutenzione tramite simulazioni.

Il gemello digitale del consumatore è un’altra cosa: una popolazione sintetica di profili rappresentativa del mercato che si vuole entrare, costruita su caratteristiche demografiche, comportamentali e culturali, che permette di simulare le reazioni di quel mercato prima ancora di investirci.

La meccanica è meno astratta di quanto il nome suggerisca. Si parte da fonti eterogenee: dati pubblici sui consumi locali, ricerche di settore esistenti, monitoraggio delle conversazioni online, report di categoria. I modelli AI processano questi dati per costruire profili sintetici di segmenti specifici: acquirenti tedeschi nell’arredo, consumatori del Golfo nel lusso, primi acquirenti metropolitani nell’Est asiatico. A questa popolazione si sottopongono le variabili decisionali: posizionamento, prezzi, messaggi di comunicazione, canali di vendita. Il modello simula le reazioni, segnala dove il prezzo suona fuori registro rispetto alle aspettative locali, dove il messaggio perde efficacia nella traduzione culturale.

Il risultato non è una previsione esatta: è un filtro. Permette di arrivare ai focus group, alle interviste in profondità, alla ricerca sul campo con ipotesi già vagliate invece che con fogli bianchi. Si smette di chiedere “cosa vuole questo consumatore?” e si inizia a chiedere “questa ipotesi specifica regge?” Il mercato si affronta con meno dispersione e con una lettura dei segnali già orientata.

Per le imprese di medie dimensioni, quelle che non possono permettersi quattro ricerche simultanee su quattro mercati, cambia la natura stessa della decisione.
La simulazione non è soltanto un dispositivo tecnologico: diventa il primo passo dell’internazionalizzazione, la possibilità di testare prima di investire sul serio.

McLuhan aveva però osservato che ogni estensione produce anche un’amputazione della facoltà corrispondente. La scrittura estende la memoria e insieme la atrofizza: chi scrive tutto non allena più la capacità di ricordare. Il gemello digitale estende la capacità di immaginare un mercato sconosciuto, ma rischia di anestetizzare il tipo di giudizio che rende utile quella simulazione: sapere quando il risultato è sbagliato.

I modelli AI portano con sé distorsioni incorporate, molte di derivazione anglosassone, con punti ciechi sui mercati dove i dati scarseggiano: mercati emergenti, segmenti demografici anziani, contesti con distribuzione tradizionale. Su questi profili il modello lavora con materiale scarso, e lo fa senza segnalarlo. Produce analisi con la stessa forma grafica e lo stesso tono di certezza di quelle costruite su dati abbondanti.

Daniel Kahneman ha descritto questo meccanismo con precisione: un risultato quantitativo, anche se costruito su basi fragili, attiva il pensiero rapido, quello che accetta senza interrogare. Un report scritto da un analista porta con sé i dubbi e le assunzioni esplicite, invita alla discussione. Un’analisi prodotta da un modello AI presenta numeri, e richiede uno sforzo deliberato per metterli in discussione. Uno sforzo che non sempre viene fatto, soprattutto quando i numeri confermano quello che si sperava di sentire.

Il pericolo ha un nome preciso: la falsa precisione, la tendenza a credere che la forma quantitativa di un’analisi corrisponda alla qualità delle sue fondamenta. Un dirigente con vent’anni di mercati esteri che usa il gemello digitale per testare le proprie ipotesi diventa più efficace. Lo stesso strumento, usato da un team che non esercita pensiero critico sui risultati, produce solo carta più velocemente.

Per usare il gemello digitale in modo utile bisogna avere una tesi sul mercato da mettere alla prova. Non necessariamente giusta: anche un’ipotesi parziale è produttiva, perché il modello la interroga. Ma bisogna averla. Chi si avvicina allo strumento senza un’idea da testare ottiene quello che ottiene chi fa una ricerca senza sapere cosa cerca: confusione ben presentata.

Vale la pena essere diretti su cosa fa l’AI nella strategia di espansione: amplifica il ragionamento già presente, non lo sostituisce. Nessun modello ha ancora dimostrato di saper costruire la tesi di ingresso in un mercato partendo da zero. La strategia resta competenza del management. Le aziende con una visione chiara su dove vogliono crescere, capaci di formulare ipotesi e di leggere i risultati del modello con lo stesso scetticismo con cui leggono un report di consulenza, traggono vantaggio reale dalla simulazione.

Il vantaggio competitivo nell’internazionalizzazione non appartiene a chi ha accesso agli strumenti: gli strumenti sono ormai disponibili per tutti. Appartiene a chi sa cosa chiedere, e a chi sa quando non credere alla risposta. Una competenza che si costruisce sui mercati reali, sugli errori costosi, sulle intuizioni che nessun dato aveva anticipato.

L’AI abbassa il costo dell’intelligenza di mercato. Il costo del giudizio resta quello che è sempre stato. E il giudizio, in questo momento, è il bene più scarso.