Lead generation B2B con l'AI: la ricerca si automatizza, il primo contatto no (e in Italia c'è l'articolo 130)

Il pezzo di lead generation che tutti provano ad automatizzare per primo è quello sbagliato. Si parte dall'invio, perché è la parte che si vede e che si conta, e si finisce con una macchina che spara email a gente che non ha chiesto niente. In Italia quella macchina, oltre a non funzionare, è illegale.

Io la uso al contrario. Automatizzo tutto quello che sta prima del contatto, cioè la ricerca, la verifica e la qualificazione, e tengo il contatto in mano mia. Non è una scelta di stile: è la sola configurazione che sta dentro l'articolo 130 del Codice Privacy e che allo stesso tempo produce qualcosa di leggibile dall'altra parte.

Qui dentro c'è il workflow completo, i numeri veri di un pilota che ho girato a giugno 2026 con esiti modesti che riporto per intero, e la lista di quello che ho smesso di automatizzare dopo che mi si è rotto in faccia.

Il collo di bottiglia non è trovare i nomi

I nomi si trovano. Sales Navigator, Google Maps, registri camerali, elenchi di associazioni di categoria: la materia prima è abbondante e costa poco. Il collo di bottiglia sta due passi dopo.

Il primo è la verifica. Un nome in lista non ti dice se l'azienda è viva, se la persona ricopre ancora quel ruolo, se il sito è aggiornato al 2019 o a ieri, se hanno già dentro qualcuno che fa quello che fai tu. Questa verifica su venti nominativi ti porta via un'ora abbondante, e non produce niente di vendibile: produce solo il permesso di andare avanti.

Il secondo è la qualificazione. Serve decidere quali dei venti meritano il tuo tempo, e la decisione va presa con un criterio scritto, non a sensazione. Senza criterio scritto succede sempre la stessa cosa: scrivi ai nomi più grossi, quelli più grossi non ti rispondono, e concludi che l'outreach non funziona.

Il terzo è la personalizzazione. Una riga specifica su ogni azienda, quella che dimostra che hai guardato prima di scrivere. È il pezzo che determina se il messaggio viene letto, e per farlo bene devi aver fatto bene i due pezzi precedenti.

Tre attività diverse, un solo effetto: divorano il calendario e non compaiono da nessuna parte. Nessuno le fattura, nessuno le misura, e quindi nessuno le presidia.

Cosa dicono davvero le ricerche sull'automazione delle vendite

Qui vale la pena essere precisi, perché il settore è pieno di numeri gonfiati e di percentuali senza fonte.

McKinsey, nella sua analisi "Sales automation: the key to boosting revenue and reducing costs", riporta che chi adotta automazione nelle vendite osserva in modo ricorrente più tempo passato con i clienti, miglioramenti di efficienza nell'ordine del 10-15% e un potenziale incremento delle vendite fino al 10%. Nella ricerca sui top performer, gli stessi analisti misurano che i venditori più produttivi passano dal 20 al 25% di tempo in più con i clienti rispetto ai colleghi. Sono numeri sobri. Non promettono di triplicare la pipeline, promettono di spostare ore da un'attività a un'altra.

Sul lato di chi compra, Gartner ha presentato a maggio 2026 due survey che vale la pena leggere insieme, riprese in questa sintesi su Demand Gen Report. Il 69% dei buyer B2B si rivolge a un venditore per validare gli insight che ha ottenuto dall'AI. Il 51% dichiara di avere più probabilità di imbattersi in informazioni fuorvianti generate dall'AI. E i buyer risultano 32 punti percentuali più propensi a dichiarare di avere fiducia dopo un confronto con una persona rispetto a un'interazione con l'AI. Nella stessa analisi Gartner prevede che entro il 2027 il 95% dei flussi di ricerca dei venditori partirà dall'AI.

Le due cose insieme dicono una cosa sola, ed è esattamente la tesi di questo articolo. La ricerca si sposta sull'AI in fretta. La fiducia no. Chi automatizza il primo pezzo e presidia il secondo è nella posizione giusta. Chi automatizza il secondo sta costruendo attrito.

Un ultimo dato per capire dove siamo in Italia. L'Osservatorio Artificial Intelligence del Politecnico di Milano ha misurato un mercato AI italiano da 1,8 miliardi di euro nel 2025, in crescita del 50%, e allo stesso tempo il 76% delle PMI italiane che non ha investito né prevede di investire in AI. Il mercato corre in alto e sta fermo in basso. Se lavori con le PMI, il tuo prospect medio non ha ancora nulla, e questo cambia il tono con cui gli scrivi.

In Italia il vincolo non è tecnico, è l'articolo 130

L'articolo 130 del Codice Privacy regola le comunicazioni commerciali indesiderate. La sostanza è che email, sms e chiamate automatizzate a scopo promozionale richiedono un consenso raccolto prima. Non c'è una scappatoia B2B che rende lecita l'email a freddo a un indirizzo pescato da un elenco.

Nel mio sistema questo vincolo non è una nota a piè di pagina, è una regola scritta nel log di outreach e replicata dentro le automazioni. Suona così: nessun invio automatico, mai. L'invio è sempre un'azione umana, la faccio io, dopo un'approvazione esplicita. Niente email a freddo, niente DM a freddo, niente scraping di LinkedIn.

Il canale che resta lecito ha una forma precisa, ed è una scaletta a tre gradini. Prima una connection request neutra, senza pitch. Poi, solo se viene accettata, un messaggio diretto. Poi, solo dopo un consenso esplicito, l'email. Ogni gradino richiede che il precedente sia stato superato dall'altra parte, non da te.

Ho scoperto sulla mia pelle che scrivere la regola non basta. Il 24 giugno 2026 una delle mie automazioni di outreach ha inviato in autonomia un messaggio a un contatto che stava in lista esclusioni. La regola c'era ed era chiara, il codice non la conosceva. Da quel giorno la skill ha un guard sul destinatario cablato dentro, che blocca l'invio prima di comporlo. Il discorso è che una regola vive nel codice o non vive: se sta solo nel documento, prima o poi la macchina la scavalca.

Se il tema della conformità ti riguarda da vicino, e da agosto 2026 riguarda parecchi, ho scritto per esteso cosa cambia in l'AI Act diventa applicabile il 2 agosto.

Il workflow in tre step, com'è fatto davvero

Andiamo per ordine. Tre step, ognuno con un input, un output e un punto in cui decido io.

Step 1: ricerca e profiling

L'input è un profilo di cliente ideale scritto in modo che una macchina lo possa applicare. Non "PMI del Nord Italia interessate all'innovazione", che non vuol dire niente, ma criteri filtrabili: settore, fascia di fatturato o di dipendenti, area geografica, un segnale osservabile dall'esterno.

Il segnale osservabile è la parte che fa la differenza. Deve essere qualcosa che puoi verificare senza chiedere permesso a nessuno: un sito fermo da anni, l'assenza di una figura tecnica nell'organigramma pubblico, una posizione aperta che rivela una priorità, un adempimento normativo in arrivo che li tocca. Senza un segnale così, la lista è solo un elenco.

L'output è una tabella grezza di nomi con accanto i campi che servono a decidere. Non è ancora una lista di prospect. È il materiale su cui lavorerà lo step 2.

Step 2: qualificazione con scoring

Qui l'AI fa la cosa che sa fare meglio, cioè leggere tanto materiale e comprimerlo secondo un criterio che le hai dato tu.

Il criterio che uso ha quattro assi, e ognuno vale da zero a tre punti. Uno: aderenza al profilo, cioè quanto assomiglia ai clienti con cui ho già lavorato bene. Due: presenza di un segnale di bisogno osservabile. Tre: raggiungibilità lecita, cioè se esiste un canale che rispetta la scaletta di cui sopra. Quattro: dimensione compatibile, perché un'azienda troppo grande per me è un no anche se ha bisogno.

Sotto gli otto punti su dodici, il prospect esce. Non lo tengo "per dopo": esce. Una lista che non si accorcia non è una lista qualificata, è un archivio.

La regola che tengo più stretta in questo step è sulle fonti. Chiedo che ogni informazione arrivi con accanto da dove viene, e le conclusioni le tiro io. L'AI è brava a scrivere conclusioni convincenti anche quando i dati sotto sono deboli, e questo è precisamente il modo in cui ti frega. Ho sviluppato il punto in leggere l'output prima di usarlo, perché è il passaggio che quasi tutti saltano.

Step 3: generazione del primo contatto

Il messaggio lo scrive l'AI, la decisione di mandarlo la prendo io. Sempre.

Il formato segue quattro regole che uso da mesi e che sono diventate lo standard di tutto il mio outreach. Prima: massimo 150 parole nel corpo. Seconda: si apre con un dato specifico sul destinatario, mai con una presentazione di me. Terza: nessun em dash e nessuna formula da comunicato, quindi niente "cordiali saluti" e niente "in attesa di un cortese riscontro". Quarta: un solo follow-up, dopo cinque giorni lavorativi, e poi si smette.

Quel quarto punto è quello che mi ha fatto risparmiare più figure. A luglio 2026 ho mandato una proposta di retainer a uno studio legale con cui avevo già lavorato. Nessuna risposta. Ho mandato il ping unico previsto dalla regola, sette giorni dopo. Ancora silenzio. Lì mi fermo, e la relazione resta intatta per quando avranno voglia. La versione senza regola è quella in cui al terzo sollecito hai bruciato un cliente che ti aveva già pagato una volta.

Il pilota di Bergamo: 553 attività, 90 prospect, 2 email, 1 risposta

Questa è la parte che di solito non si racconta, e quindi la racconto io.

A giugno 2026 ho costruito un actor che interroga le Places API di Google e restituisce attività commerciali prive di sito web, cioè un bisogno osservabile dall'esterno senza chiedere niente a nessuno. Il pilota l'ho girato su Bergamo il 16 giugno 2026 con questi parametri: 28 categorie merceologiche, raggio di 14 chilometri, soglia minima di 30 recensioni per escludere le attività fantasma.

Il risultato della macchina: 553 attività analizzate, 90 prospect senza sito. L'offerta preparata sopra: 690 euro chiavi in mano, oppure 690 euro più 49 euro al mese di manutenzione.

Il risultato del contatto umano, che è quello che conta: ho telefonato ai primi dieci, tutti hanno acconsentito a ricevere la proposta via mail, ho inviato due email nei giorni successivi, ho ricevuto una risposta, ho chiuso zero vendite.

Uno su due che risponde suona benissimo finché non guardi il denominatore, che è due. Non è un tasso di risposta, è un aneddoto. Il numero onesto da riportare è questo: da 553 attività analizzate a zero euro incassati, con un canale che funziona ma che ho lavorato poco e male, perché nel frattempo stavo facendo altro.

Quello che il pilota ha dimostrato davvero è più utile di un tasso di conversione. Primo: la parte automatizzabile si automatizza per bene, e 553 verifiche a mano non le fai. Secondo: la telefonata prima della mail non è solo un adempimento normativo, è il pezzo che qualifica meglio di qualsiasi scoring, perché in trenta secondi capisci se c'è un interlocutore. Terzo: senza continuità nell'esecuzione umana, una pipeline piena vale come una vuota.

Se ti interessa il confronto con un impianto di vendita più strutturato, ho documentato quello costruito su n8n in n8n e Claude API per il ciclo di vendita B2B.

Il confronto con il workflow manuale, numeri alla mano

Verso la fine del 2025 un cliente B2B con cui lavoravo aveva questo ciclo di prospecting, cronometrato da lui su un ciclo tipo da venti nominativi.

Ricerca su Sales Navigator, 40 minuti. Verifica manuale dei profili e dei siti aziendali, 60 minuti. Scrittura di venti email personalizzate, 30 minuti. Inserimento a CRM e schedulazione dei follow-up, 20 minuti. Totale attorno alle due ore e mezza, con un tasso di risposta del 4%.

Spostando ricerca, verifica e prima stesura sull'AI, il blocco delle due ore e mezza scende sotto i trenta minuti. Il tempo che resta è tutto sul controllo e sulla decisione, che è dove serve una persona.

Vale la pena essere chiari su cosa dimostra questo confronto e cosa no. È misurato su un solo portafoglio, un solo settore, un solo operatore. Dice che il tempo di preparazione si comprime in modo netto e ripetibile. Non dice niente sul tasso di risposta, che dipende dall'offerta e dalla lista, e che nel breve non è cambiato. Chi ti vende l'automazione promettendoti il secondo numero ti sta vendendo il primo con un'etichetta sbagliata.

Cosa si rompe, e come me ne accorgo

Un workflow di lead generation ha tre modi tipici di guastarsi, e nessuno dei tre fa rumore.

1. La lista invecchia. Ruoli che cambiano, aziende che chiudono, email che rimbalzano. Un rimbalzo isolato è normale, un tasso di rimbalzo che sale è il segnale che la fonte si è degradata. Va guardato ogni ciclo, non ogni tanto.
2. Lo scoring si stacca dalla realtà. I criteri li hai scritti guardando i clienti di sei mesi fa. Se nel frattempo hai cambiato offerta, lo scoring sta selezionando per il te di prima. Rileggo i quattro assi ogni volta che cambio prezzo o posizionamento.
3. La personalizzazione diventa un template. È il guasto peggiore perché non produce errori, produce mediocrità uniforme. Se le prime righe di dieci messaggi diversi si assomigliano, l'AI ha smesso di guardare l'azienda e sta guardando il pattern. Il rimedio è banale e va fatto a mano: leggere dieci messaggi di fila prima di approvarli.

C'è poi il guasto di categoria superiore, che è quello di cui parlavo prima con l'invio automatico partito da solo. Vale la regola generale: qualsiasi automazione che possa raggiungere una persona esterna deve avere un blocco esplicito nel codice, non una raccomandazione nel documento. Sul perché smettiamo di accorgerci degli errori di una macchina che di solito funziona ho scritto qui.

Cosa non automatizzo, e perché

La telefonata. Trenta secondi di voce qualificano meglio di qualunque punteggio, e nel mio caso sono anche la base del consenso.

La risposta a chi risponde. Il momento in cui un prospect scrive è il momento in cui l'automazione deve farsi da parte. Una replica generata a un messaggio umano si sente sempre, e brucia esattamente il capitale che avevi appena guadagnato.

La decisione di scartare. Escludere un nome è una scelta strategica travestita da operazione di pulizia. La faccio io.

Il prezzo. Non c'è nessun caso in cui un numero che riguarda soldi esca da una pipeline senza che io lo abbia guardato.

Il criterio generale sta nella differenza tra delegare un compito e delegare una decisione. Un compito ha input, passi e output verificabile. Una decisione cambia in base a contesto, relazione e rischio. Ho scritto dove passa il confine in delegare un compito non è delegare una decisione.

Da dove partire, concretamente

Se hai un portafoglio piccolo e nessuna automazione, l'ordine che consiglio è questo.

Prima scrivi il profilo di cliente ideale in modo filtrabile, con almeno un segnale osservabile dall'esterno. Se non riesci a scriverlo, il problema non è l'AI, è il posizionamento, e nessuno strumento lo risolve.

Poi automatizza solo la verifica. È il pezzo più noioso, il più lungo e il meno rischioso: se sbaglia te ne accorgi subito e non l'ha visto nessuno. Ho spiegato il metodo per mappare un processo prima di toccarlo in mappare il processo prima di automatizzarlo, e vale la pena farlo in dieci righe prima di scrivere un prompt.

Poi aggiungi lo scoring, e per i primi due cicli tieni un doppio binario: la macchina assegna il punteggio, tu decidi lo stesso a mano e confronti. Dove non siete d'accordo, il criterio è scritto male.

La generazione del messaggio viene per ultima, e resta con l'uomo al centro. Sempre. Per il quadro completo di come si incastrano queste automazioni in un impianto B2B ho una guida più larga in automazione AI per il B2B, e il racconto di come gestisco più clienti da solo sta in Claude per consulenti B2B.

In breve

La lead generation B2B con l'AI funziona se la usi per il lavoro invisibile, cioè ricerca, verifica e qualificazione, e se lasci il contatto a una persona. In Italia questa non è una preferenza, è quello che l'articolo 130 ti lascia fare. I dati dicono la stessa cosa da due lati: chi compra vuole una persona che validi quello che l'AI gli ha detto, e chi vende guadagna tempo spostando la preparazione, non l'invio.

Il numero da tenere a mente del mio pilota non è il tasso di risposta, è che 553 verifiche automatiche non compensano due email mandate a mano. La macchina riempie la pipeline. Il lavoro resta.

Se vuoi capire come applicare questa struttura al tuo portafoglio, il modo più veloce è parlarne mezz'ora: prenota una call di scoping. Se preferisci partire da solo, il manuale operativo che uso per insegnare questa roba è Claude Mastery.