Dalla keyword all'annuncio finito: una pipeline in cinque fasi e sei stati per farla funzionare davvero

Inserire una keyword e ricevere in cambio un video pubblicitario: è la promessa ricorrente di quasi tutti gli strumenti di AI creative. Ed è anche il punto in cui è più facile raccontarsi una storia troppo semplice.

Quando provi a far girare davvero un flusso del genere, dietro la parola "automatico" emergono domande che nessuno ha risolto al posto tuo. La keyword è di nicchia, la ricerca organica non restituisce nulla e nemmeno la libreria commerciale contiene risultati. La pipeline deve fermarsi e segnalare "nessuna evidenza", oppure deve mandare un brief vuoto alla generazione di un video che nessuno ha validato? A metà processo, poi, un canale può essere fuori dalla copertura del tuo account e i dati non arrivano. È "nessun risultato" oppure "richiesta mai eseguita"? Sono due casi che richiedono reazioni opposte, mentre la maggior parte degli strumenti one-click li nasconde dietro lo stesso loader che gira.

Una pipeline creativa pensata per essere usata davvero, e non solo mostrata in una demo, non vive del pulsante "genera" alla fine. Il suo valore sta nel dichiarare con onestà lo stato di ogni fase. Da questo dipende sia la possibilità di portarla in produzione, sia la capacità di capire dove si è rotta quando, una volta, non esce nulla.

Prima di tutto, il perimetro. Le fasi di ricerca di questa pipeline interrogano la libreria pubblica degli annunci e il creative center di ogni piattaforma, usando il tuo account e dati che la piattaforma pubblica per tutti gli inserzionisti. Nessuna firma, nessun aggiramento. Qui parliamo di come trasformare quei dati pubblici in decisioni e asset pronti per la pubblicazione, non di come ottenerli.

Una pipeline in cinque fasi, prima dell'automazione

Il percorso che porta da una keyword a un video adv attraversa cinque fasi ordinate. Non sono semplici "passaggi": ciascuna consuma l'output della precedente e alimenta la successiva.

1. Scoperta della domanda. Si parte dal termine di ricerca del mercato, si analizzano i contenuti organici e si verifica se l'argomento ha una domanda reale presso utenti reali. L'output è un segnale dai contenuti organici.

2. Validazione commerciale. Qui entrano due segnali commerciali. Il primo è l'opportunità della keyword: volume di ricerca, concorrenza e dati legati alla spesa. Il secondo sono le Top Ads che ottengono buoni risultati nel creative center. In entrambi i casi qualcuno ha investito denaro e il mercato ha già validato quei segnali: non sono quindi la stessa cosa dei contenuti organici.

3. Matching dei creator. Si cercano nella libreria influencer i creator adatti a quel tema e a quel mercato.

4. Brief creativo. Le evidenze qualificate raccolte nelle tre fasi precedenti vengono riunite in una specifica strutturata, pronta da passare a un modello di generazione. Qui si fissano struttura narrativa, forma dell'hook e mercato di destinazione.

5. Generazione. Il brief viene affidato a un modello di generazione video per produrre un annuncio nativo verticale in formato 9:16.

Il fulcro è tutto nella quarta fase. Le prime tre raccolgono evidenze, la quinta consuma budget; il brief è il punto in cui le evidenze diventano una decisione. Se raccogli dati in modo superficiale nelle prime tre fasi, il brief deciderà sul rumore e genererà un video costruito sul rumore. Il loader non te lo dice: lo scopri solo esponendo chiaramente lo stato di ogni fase.

Ciascuna delle prime tre fasi meriterebbe un approfondimento a parte. Come leggere una curva di retention secondo per secondo, come trasformare l'opportunità di una keyword in un unico numero di budget e come incrociare la libreria influencer con la libreria degli asset anziché scegliere le persone in base al numero di follower sono il tema di altri tre articoli. Qui ci concentriamo sulle domande aggiuntive che emergono solo quando le metti in sequenza.

Sei stati per fase: perché "failed" non basta

Questa è la sezione più importante dell'articolo.

Molte pipeline prevedono due soli esiti per ogni fase: successo o fallimento. Con una o due fasi può funzionare; con cinque collassa, perché "fallimento" comprime in un'unica etichetta quattro situazioni che richiedono interventi del tutto diversi.

In questo flusso, l'esito di ogni fase rientra in uno di sei stati:

• completed: la fase è stata eseguita, ha prodotto un risultato qualificato e può passare al passaggio successivo.

• empty: la fase è stata eseguita, il canale era disponibile, ma non è arrivato alcun risultato qualificato. Hai cercato e non hai trovato nulla.

• skipped: hai disattivato tu la fase impostando la sua quota a 0, quindi non è mai stata eseguita.

• unavailable: la fase avrebbe dovuto essere eseguita, ma non ha potuto farlo. Il canale è fuori dalla copertura del tuo account, ad esempio perché l'opportunità keyword copre solo alcune lingue di mercato, oppure una dipendenza era temporaneamente non disponibile.

• blocked: le evidenze a monte non sono sufficienti e un gate ha fermato intenzionalmente la fase. Non è fallita per conto suo: una fase precedente non le ha fornito ciò che serviva.

• ready: stato intermedio riservato alla generazione. Il preflight è passato, ma non hai ancora dato il comando di invio. Il sistema può produrre un video ed è in attesa del tuo via libera.

Non si tratta di collezionare sei etichette. Il punto è che, nel momento in cui empty, skipped, unavailable e blocked confluiscono in un generico "failed", la pipeline smette di essere gestibile. Tutti e quattro significano "stavolta nessun video", ma ti chiedono azioni completamente diverse:

• empty indica un problema di dati. Il mercato non ha volume oppure la keyword è stata scelta in modo troppo restrittivo. Devi cambiare termine o allentare la soglia, senza toccare una riga di codice.

• skipped è una tua decisione. Non c'è nulla da fare, ma deve restare distinto da empty, altrimenti potresti passare mezza giornata a fare debug di una fase che non era mai stata attivata.

• unavailable segnala un problema di canale o configurazione. Conviene verificare la copertura dell'account o riprovare, non armeggiare con la keyword.

• blocked è un problema a monte. Questo livello è sano: una fase precedente è tornata vuota. Devi risalire alla fase in stato empty, non cercare di forzare il livello bloccato.

Un unico "failed" opaco chiude tutte e quattro le strade e ti lascia a indovinare. Ecco perché una pipeline che restituisce un risultato ma non espone gli stati non può reggere a lungo: ogni volta che qualcosa si rompe, devi rieseguire tutto per scoprire cosa è successo.

Il funnel delle evidenze: segnali organici e commerciali non si sommano

La scoperta della domanda non è conclusa quando hai semplicemente "trovato qualcosa". I risultati grezzi devono attraversare un funnel che conta ogni livello: quanti sono arrivati, quanti erano fuori dalla finestra temporale, quanti nella lingua sbagliata, quanti fuori tema, quanti avevano troppe poche visualizzazioni per costituire un campione e quanti, alla fine, erano davvero qualificati. Quando questa fase restituisce empty, il funnel mostra in quale punto si sono disperse le evidenze. Non trovare nulla, trovare molto ma tutto scaduto, oppure avere contenuti che non raggiungono la soglia del campione sono tre tipi di vuoto e richiedono tre interventi differenti. Senza il funnel, empty è soltanto un array vuoto e non sai nemmeno come sia diventato tale.

Ancora più importante dei conteggi è una regola: i segnali dei contenuti organici e quelli commerciali vanno contati separatamente, mai sommati in un unico "evidence score". Una Top Ad è un asset su cui qualcuno ha investito denaro reale e che la piattaforma considera performante. Dieci video organici, per quanto caldi, dicono soltanto che le persone sono disposte a guardarli gratuitamente. Una somma pesata permette a dieci video organici di sovrastare una Top Ad per puro volume, anche se quella Top Ad ha un valore commerciale molto superiore. L'approccio corretto è prima creare bucket, poi ordinare. Si guardano prima i segnali commerciali; in loro assenza si passa ai contenuti organici qualificati; solo se manca anche quelli si ricorre ai creator. I livelli vanno ordinati per credibilità, non per quantità.

La stessa regola vale anche per il singolo video. Quando analizzi un contenuto organico, like e commenti sono un tipo di segnale, condivisioni e salvataggi un altro. Condivisioni e salvataggi sono azioni più vicine all'intenzione commerciale, il gesto del "vale la pena conservarlo o inoltrarlo", e nella classifica pesano più dell'engagement semplice. Il volume di interazioni dice che il video è guardabile; condivisioni e salvataggi suggeriscono che potrebbe davvero muovere un prodotto. Anche nello stesso video, sono due letture diverse.

(A margine: "scambiare la correlazione per causalità e la frequenza per efficacia" è l'errore che un modello tende più facilmente a commettere nella fase di attribuzione. Per questo il prompt deve obbligarlo a fornire un controesempio. È la stessa disciplina di prompt che porta il modello a mettere in discussione il pattern appena riconosciuto nell'articolo sul fingerprinting. Lì si parla della sezione dedicata alle contro-evidenze nel reverse engineering; qui del controesempio nell'attribuzione pubblicitaria. Il meccanismo è lo stesso.)

Due tipi di "ready": preflight della piattaforma ed evidenze di ricerca

Subito prima della generazione c'è una distinzione facile da confondere, ma che non va mai unificata: "la piattaforma può produrre un video" e "questo video va prodotto" sono due gate diversi.

Il primo è il preflight della piattaforma: il servizio di generazione è attivo, la quota è sufficiente, il prompt è consentito? Sono controlli infrastrutturali. Il secondo riguarda le evidenze di ricerca: nel materiale raccolto esiste almeno un'evidenza primaria qualificata? È un controllo sul contenuto. Entrambi devono passare prima dell'invio e, se uno dei due fallisce, lo stato è blocked.

La tentazione di unirli è forte, perché entrambi sembrano rispondere alla domanda "possiamo generare?". Ma così si finisce nel fallimento più costoso: la piattaforma funziona, la quota è abbondante, il prompt è valido, il preflight passa e viene generato un video fondato su zero evidenze. Costa molto più di un errore pulito, perché sembra un successo e potresti persino investirci sopra. Separando i due gate, quel caso rimane correttamente in stato blocked e chiarisce che manca evidenza, non quota. "Può essere prodotto" non equivale mai a "dovrebbe essere prodotto": condensare le due condizioni in una sola è l'errore di progettazione più comune in pipeline di questo tipo.

Il brief usa solo evidenze qualificate: il copy dei competitor serve alla ricerca, non al prompt

Il brief creativo è il punto della pipeline in cui si chiede di più al modello testuale e, allo stesso tempo, quello in cui è più facile perdere il controllo della disciplina di decontestualizzazione.

Il suo compito è estrarre dalle evidenze qualificate le strutture già validate: quale hook ricorre nelle Top Ads, in quale secondo raggiunge il picco la curva di retention, quale schema usano i migliori contenuti organici tra "presenta il problema, dimostra il risultato, call to action". Poi sintetizza queste strutture in una specifica per la generazione.

Esiste però un vincolo rigido: il testo grezzo degli asset dei competitor serve solo a selezionare le strutture e non deve mai finire nel prompt finale di generazione. Nomi dei brand, quantità dichiarate dal fornitore, quote, prezzi e promesse di performance presenti nell'hook di un competitor sono affermazioni specifiche di quel competitor, non una struttura. Restano intatti nei risultati della ricerca, dove puoi rivederli e risalire all'asset che ha suggerito un'idea, ma vengono esplicitamente esclusi quando si costruisce il prompt di generazione. Il modello riceve quindi un'indicazione come "crea un video per il mio prodotto usando questa struttura narrativa e questa forma di hook", non "copia questa frase".

Perché vale la pena imporre questo vincolo: riversare direttamente il copy dei competitor nel prompt di generazione può produrre un video con il brand altrui e la sua promessa di prezzo, creando nel migliore dei casi un asset rischioso sul piano legale e nel peggiore un plagio vero e proprio. Passare soltanto la struttura, ripulita dalle affermazioni, permette invece di riutilizzare un impianto validato raccontando la tua storia. La ricerca deve restare fedele alle fonti, l'input di generazione deve restare pulito. Stesso blocco di evidenze, due usi e due modi di leggerlo.

"Estrai da un insieme di evidenze le strutture davvero validate, escludi attivamente le affermazioni dei competitor e fornisci un controesempio per ogni 'struttura efficace'" mette alla prova proprio il ragionamento solido e la capacità di contraddirsi. È la stessa divisione dei compiti descritta in ciò che un modello dovrebbe e non dovrebbe fare nel reverse engineering: il modello è forte nel formulare ipotesi e debole nel verificare i fatti; la verifica deve tornare alle tue evidenze e ai tuoi test.

Un modello diverso per ogni tipo di lavoro

In questa pipeline il modello testuale non svolge un unico compito. Ne svolge quattro, con requisiti molto diversi, a cui si aggiunge la generazione di immagini e video alla fine. Usare un solo modello per tutto significa o sprecare denaro sulle fasi batch, oppure sacrificare precisione nel brief:

Il livello del brief è quello che vale la pena testare separatamente. È l'unica fase in cui cambiare modello modifica visibilmente il risultato. Il test è specifico, ed è l'unico punto di questo articolo in cui devi fare una prova in prima persona:

1. Prendi da un'esecuzione della pipeline effettivamente completata un pacchetto di evidenze qualificate: hook delle Top Ads, punti salienti delle curve di retention, profili creator, opportunità keyword e alcuni contenuti organici vincenti.

2. Usando lo stesso prompt per il brief, con le regole "usa solo la struttura degli asset; escludi esplicitamente nomi dei brand, prezzi, quote e promesse di performance; fornisci un'ipotesi controesempio per ogni 'struttura efficace'", invialo separatamente a claude-opus-5 e gpt-5.6-sol.

3. Osserva soltanto due aspetti: ha fatto filtrare nel prompt di generazione le affermazioni specifiche del competitor? In quel caso ha fallito. E quando afferma che "questa struttura funziona", porta un controesempio oppure scambia la frequenza per efficacia?

4. Il comportamento su questi due criteri è il tuo criterio di selezione. Determina direttamente se il video generato ha "copiato lo script di un competitor" oppure "riutilizzato una struttura validata".

Basta un giro per vedere la differenza più chiaramente di qualunque benchmark. Il livello batch di estrazione dei campi, Sonnet, richiede appena una scelta: va bene qualsiasi modello che regga il carico. Kimi, invece, viene scelto per il contesto esteso e per evitarti di scrivere un retrieval a chunk.

Generazione video: invio, attesa dello stato finale e task_id in caso di timeout

Generare non significa "fai una chiamata e ottieni un video". La generazione video è un job lento: invii la richiesta, questa entra in coda e devi fare polling fino a uno stato terminale prima di conoscere il risultato. Ci sono tre esiti distinti, che vanno mantenuti tali:

• Risposta immediata dopo l'invio. Il job entra in coda, ricevi un task_id e lo stato processing. Puoi occuparti d'altro senza aspettare.

• Attesa dello stato terminale. Esegui il polling finché non ottieni completed o failed. Questo è il risultato che stavi cercando.

• Timeout al limite di attesa. Hai assegnato al polling un budget di tempo e questo si è esaurito prima del risultato. Non devi trattare il task come fallito: conserva il task_id, segnalo come "timeout, non completato" e permetti di riprendere l'attesa più tardi sullo stesso id, anziché inviarlo di nuovo. Reinviarlo significa pagare una seconda volta.

Il terzo caso è quello più facile da gestire male. Molte implementazioni equiparano "timeout del polling" a "task fallito", buttando via un job che in realtà sta ancora facendo rendering, solo più lentamente del previsto. Distinguere tra "il task è fallito" e "ho smesso di aspettare" è il cuore di questa fase. Il primo è uno stato terminale; il secondo indica solo che hai interrotto l'attesa per questa sessione. Il task esiste ancora, l'id esiste ancora: riprendi da lì.

Se tutte le evidenze sono vuote, non inviare nulla

Riunendo tutti i vincoli precedenti emerge la regola più controintuitiva e più preziosa della pipeline: se le evidenze sono tutte vuote, non inviare la generazione.

Scoperta della domanda in empty, validazione commerciale in empty, matching creator in empty. Non c'è una sola evidenza primaria qualificata in nessuno dei tre percorsi. Il brief passa a blocked, il gate research-ready nel preflight di generazione non passa, l'intero flusso si ferma su blocked e non viene generato nemmeno un frame.

Sembra di "non aver fatto nulla", ma è la parte più difficile da progettare bene e quella che fa risparmiare più denaro. Una pipeline che sa solo andare avanti, davanti a evidenze completamente vuote, ripiegherà su un brief generico, produrrà un video che non interessa a nessuno e riporterà "success". Tu penserai che abbia funzionato; in realtà avrà speso il costo di una generazione senza alcuna informazione e ti avrà consegnato un falso segnale di successo.

Metà del valore di una pipeline sta nel saper generare. L'altra metà sta nel sapere quando non farlo. La prima è capacità, la seconda è disciplina. E la condizione necessaria per questa disciplina sono i sei stati descritti prima. Senza distinguere tra empty e blocked, non hai un segnale pulito di "tutto vuoto" su cui basare la decisione di non inviare.

Una sola chiave per analisi e generazione

Il disegno della pipeline è completo. Resta un attrito puramente ingegneristico, che è anche il punto in cui la maggior parte delle persone finisce per bloccarsi.

I modelli richiesti da questo flusso appartengono a due categorie di fornitori. I livelli testuali, cioè lettura delle evidenze, estrazione dei campi, scrittura del brief e attribuzione, provengono da più vendor; la generazione è invece un servizio distinto per immagini e video. Puoi integrare per ogni livello un SDK, un sistema di autenticazione e un formato errori diverso oppure, come fanno molti, usare un solo modello per tutto, sprecando denaro sulle fasi batch e perdendo precisione sul brief, per poi integrare separatamente una piattaforma video. Per risparmiare sull'integrazione, abbassi di fatto la qualità dell'intera pipeline.

AIReiter elimina questo livello di complessità. Una chiave, un'interfaccia compatibile con OpenAI e tutti e quattro i livelli testuali dietro la stessa API: per cambiare modello basta modificare il campo model nel body della richiesta. La generazione di immagini e video è disponibile sullo stesso sito con la stessa chiave, quindi appena il brief è pronto puoi provare a generarlo direttamente in /chat.

# Write the brief: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<brief prompt + qualified evidence bundle>"}]
  }'

# Extract fields in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Stage attribution:      "model": "gpt-5.6-sol"
# Read long evidence at once: "model": "kimi-k3"

Se usi già l'SDK OpenAI, imposta base_url su https://aireiter.com/api/v1 e non cambiare altro. Con l'SDK Anthropic, usa POST /api/v1/messages con la stessa chiave.

Il prezzo si allinea alla struttura dei costi della pipeline. La fase con più chiamate è l'estrazione batch dei campi: da decine a centinaia di asset, una chiamata per ciascuno, e quindi la parte principale del costo testuale. Claude con il 30% di sconto è posizionato proprio qui: Sonnet esegue il batch, Opus rifinisce il brief, entrambi nei livelli Claude. L'attribuzione usa GPT-5.6 a metà prezzo. Le evidenze estese passano su Kimi K3 con la stessa chiave. La generazione è una voce di costo separata, fatturata per esecuzione, ma parte soltanto quando il gate delle evidenze passa e il video va davvero prodotto. La regola "non inviare se tutto è vuoto" fa risparmiare direttamente anche sui costi di generazione.

• Ottieni una chiave API

• Provalo senza registrarti: passa manualmente un pacchetto di evidenze qualificate al prompt del brief e verifica se fa filtrare nomi dei brand e prezzi dei competitor nell'input di generazione; quando il risultato è corretto, automatizzalo.

Conclusioni

Nel percorso "dalla keyword all'annuncio finito", il vero lavoro ingegneristico non è nell'"annuncio finito". È nella parte centrale, quella che trasforma dati pubblici in evidenze qualificate e poi in un brief pulito.

La possibilità di gestire operativamente quel tratto dipende da tre elementi. L'esito di ogni fase rientra in sei stati anziché nei soli "successo o fallimento", così empty, skipped, unavailable e blocked indicano ciascuno una prossima azione chiara. Le evidenze vengono suddivise in bucket e livelli anziché sommate, quindi un segnale forte non viene sommerso dal volume di quelli deboli. Infine, "può produrre" e "dovrebbe produrre" sono due gate separati: quando tutte le evidenze sono vuote, il processo si arresta in sicurezza prima della generazione.

Il modello è uno strumento che svolge lavoro dentro questa pipeline, non il protagonista. Legge le evidenze, estrae i campi, scrive il brief, spiega l'attribuzione e un modello di generazione produce il video alla fine. A decidere se procedere sono sempre gli stati e i gate, non la sicurezza mostrata dal modello. Metti in piedi questo disegno, collega con una sola chiave tutti e quattro i livelli testuali e la generazione sul sito, e la pipeline può davvero funzionare dalla keyword all'annuncio finito.