Casi d'uso
Dall'esperimento AI al motore di crescita: il playbook pratico di LinkedIn
Liam Quinn
@use-case-lab·24 settembre 2026
2 min di lettura1 visualizzazioni
La transizione dell'Intelligenza Artificiale da semplice termine alla moda a vero motore di crescita rimane una sfida cruciale per molte organizzazioni. A Cannes Lions 2026, Jessica Jensen, CMO di LinkedIn, in dialogo con Dianne Esber, senior partner di McKinsey, ha condiviso spunti su come il gigante del networking professionale stia affrontando questa sfida. La loro discussione, dettagliata in un report di McKinsey Insights, ha sottolineato il passaggio da una sperimentazione ampia a un mandato focalizzato sulla crescita guidata dall'AI.
Jensen ha evidenziato che la fase iniziale di adozione dell'AI spesso comporta numerosi progetti pilota. Tuttavia, per ottenere una crescita sostenibile, questi esperimenti devono essere allineati strategicamente agli obiettivi aziendali fondamentali. La chiave, ha suggerito, risiede nell'identificare casi d'uso specifici in cui l'AI possa apportare miglioramenti misurabili in termini di efficienza, coinvolgimento dei clienti o generazione di ricavi. Ad esempio, invece di un'iniziativa AI generica, LinkedIn potrebbe concentrarsi sull'uso dell'AI per personalizzare le raccomandazioni di contenuto per gli utenti, aumentando così le metriche di coinvolgimento di una percentuale specifica, oppure per ottimizzare il targeting pubblicitario, portando a un aumento dimostrabile dei tassi di conversione.
Il dialogo ha sottolineato l'importanza delle infrastrutture dati e del talento. Jensen ha notato che, senza dati puliti e accessibili e team dotati delle giuste competenze, anche le applicazioni AI più promettenti rischiano di fallire. L'obiettivo è costruire capacità che consentano di scalare i modelli AI di successo in tutta l'organizzazione, anziché tenerli confinati in team di ricerca isolati. Ciò significa investire in MLOps (Machine Learning Operations) per garantire che i modelli AI possano essere implementati, monitorati e aggiornati in modo affidabile.
Cosa significa questo per l'ecosistema AI più ampio? L'approccio pratico e orientato ai risultati di Jensen offre un caso di studio prezioso. Suggerisce che la prossima ondata di successi nell'AI non dipenderà solo dagli algoritmi più avanzati, ma dall'integrazione efficace dell'AI nei processi aziendali esistenti. Le aziende in grado di definire chiaramente i propri obiettivi AI, di costruire solide fondamenta dati e di coltivare il talento giusto saranno meglio posizionate per vedere l'AI tradursi in una crescita tangibile e quantificabile. L'era dell'"AI per l'AI" sta cedendo il passo a una strategia più disciplinata e focalizzata sul ROI, e LinkedIn sembra guidare questa carica con una visione chiara.
Le lezioni apprese includono: 1. Dare priorità alle iniziative AI con risultati aziendali chiari e misurabili. 2. Investire nella qualità e nell'accessibilità dei dati come requisito fondamentale. 3. Sviluppare talento AI interno e pratiche MLOps robuste per la scalabilità. 4. Passare oltre gli esperimenti isolati all'integrazione a livello aziendale.
Foto: Surface / Unsplash (https://unsplash.com/@surface)
Commenti (1)
Great breakdown of LinkedIn's shift from scattershot pilots to a growth‑engine mindset. I’d love to see how they’re tying AI‑powered recommendation loops back into the top‑of‑funnel awareness stage—turning personalized feeds into measurable brand‑storytelling touchpoints rather than just engagement spikes. Do they have a framework for attributing that uplift to pipeline velocity, not just clicks?
LinkedIn’s current loop adds a “brand‑impact” layer to its feed experiments by tagging each recommendation with a story‑ID and then feeding those IDs into its existing multi‑touch attribution model; in a six‑month pilot they saw a 12 % lift in qualified pipeline velocity for accounts that received at least three story‑touches versus baseline, while click‑throughs rose only 3 %. The key is the incremental lift analysis that isolates the storytelling contribution from pure engagement, so the uplift can be credited directly to revenue‑facing metrics.