Immagina di mandare qualcuno a comprare un caricabatterie con tre istruzioni: deve essere compatibile, deve costare meno di 25 euro e non deve tornare con altri cinque oggetti. Un delegato ideale confronta le offerte, verifica il prezzo finale e si ferma. Per chi vende, però, quel cliente così disciplinato potrebbe essere un problema: passa davanti alle vetrine senza lasciarsi distrarre.
È il sospetto che mi viene leggendo lo scontro tra Amazon e gli agenti AI per gli acquisti. La tutela del consumatore è una motivazione seria. Ma può convivere con un interesse altrettanto concreto: mantenere il controllo sulla relazione con il cliente, sulle raccomandazioni e sulle occasioni di vendita. Ho cercato documenti ufficiali e paper scientifici per capire quanto regge questa interpretazione. La risposta è interessante, e meno comoda della favola del robot incorruttibile.
Quadro verificato il 2 ottobre 2026. Le motivazioni dichiarate dalle aziende, i risultati degli studi e le mie interpretazioni sono distinti nel testo.
Amazon e i bot per gli acquisti: che cosa è successo davvero
Il caso riguarda Comet, il browser di Perplexity con un assistente che può navigare e svolgere attività su richiesta dell’utente. Nella posizione ufficiale di Amazon su Perplexity, l’azienda sostiene che le applicazioni di terzi debbano operare apertamente e rispettare la scelta dei servizi di partecipare o meno. Amazon lamenta inoltre un peggioramento dell’esperienza di acquisto e dell’assistenza. La diffida del 31 ottobre 2025 rende concreto il conflitto sugli accessi e sull’identificazione dell’automazione.
Perplexity propone una lettura opposta. Nel comunicato “Bullying is Not Innovation” accusa Amazon di voler preservare pubblicità, risultati sponsorizzati e proposte che spingono ad acquistare di più. È una fonte primaria utile per conoscere la sua posizione, ma resta la posizione di un concorrente interessato alla controversia, non la prova delle intenzioni di Amazon.
C’è poi un aggiornamento che non va saltato. Dopo la causa avviata nel novembre 2025 e l’ingiunzione preliminare ottenuta da Amazon nel marzo 2026, il 4 agosto 2026 la Corte d’appello degli Stati Uniti per il Nono Circuito ha annullato quell’ingiunzione e rinviato il caso. Nel quadro esaminato, la corte ha ritenuto improbabile che Amazon dimostrasse l’accesso di Perplexity ai fini delle norme invocate, distinguendolo dall’accesso dell’utente assistito dall’agente. Questo passaggio non equivale a una decisione definitiva su ogni questione della causa, né a un’autorizzazione universale per tutti i bot.
Quindi: Amazon ha cercato di impedire l’uso di uno specifico agente esterno. Raccontare oggi un divieto giudiziario definitivo contro tutti gli acquisti automatizzati sarebbe scorretto.
Anche eBay limita gli agenti, ma le restrizioni non sono tutte uguali
Amazon non è l’unico caso. Nell’accordo per gli utenti di eBay, la clausola sull’accesso automatizzato include esplicitamente agenti “buy-for-me”, bot basati su modelli linguistici e flussi che tentano di effettuare ordini senza revisione umana, salvo preventiva autorizzazione espressa di eBay. È un esempio documentato di restrizione contrattuale, con una possibilità di autorizzazione.
Conviene anche distinguere un agente incaricato da una persona da un bot che rastrella scorte, raccoglie dati in massa o tenta una frode. Obiettivi, carico sui sistemi e conseguenze sono diversi. Una discussione seria dovrebbe chiedere quali attività vengono bloccate e quali garanzie consentono l’accesso, invece di mettere ogni automazione nello stesso sacco.
Perché un agente personale può disturbare il marketing
La mia ipotesi è questa: un agente configurato per rispettare un budget può ridurre le occasioni in cui il venditore persuade il cliente a cambiare obiettivo. Se gli chiedo di acquistare soltanto il caricabatterie compatibile meno costoso, il percorso ideale contiene confronto, verifica e acquisto. Una raccomandazione accessoria vale solo se soddisfa un bisogno che ho autorizzato.
Per visualizzare il possibile cambiamento, consideriamo alcuni esempi ipotetici. Non descrivono un esperimento su Amazon e non indicano un risparmio già misurato.
| Situazione | Possibile deviazione | Regola per l’agente |
|---|---|---|
| Prodotto presentato per primo | Confondere visibilità e convenienza | Confrontare costo totale e compatibilità con alternative |
| Accessori suggeriti nel carrello | Aggiungere articoli non previsti | Non inserire prodotti fuori dalla lista autorizzata |
| Soglia per la spedizione gratuita | Spendere più del costo di consegna per raggiungerla | Calcolare la spesa finale con e senza aggiunte |
| Offerta con conto alla rovescia | Decidere prima di aver confrontato | Verificare l’offerta senza abbandonare i criteri iniziali |
Questa prospettiva rende plausibile un conflitto economico: il venditore vuole vendere, il cliente può voler comprare meno e meglio. Tuttavia, non ho trovato una prova scientifica diretta che Amazon blocchi gli agenti perché abbassano lo scontrino medio. Per dimostrarlo servirebbero dati causali sulle transazioni e prove sulle decisioni aziendali. Sarebbe altrettanto semplicistico escludere a priori ogni motivazione di sicurezza.
Per capire che cosa significa delegare un’attività, nel mio video “Come usare la modalità Agente di ChatGPT: 3 esempi pratici” mostro alcuni impieghi operativi. Il video introduce il funzionamento della delega, non è un test comparativo degli acquisti su Amazon.
Marketing e dark pattern: non confondiamo le due cose
Una raccomandazione pertinente o uno sconto reale possono aiutarmi. Un dark pattern, invece, orienta la scelta attraverso un’interfaccia ingannevole o manipolativa: costi nascosti, abbonamenti poco trasparenti, opzioni aggiunte senza consenso o ostacoli alla cancellazione. Il rapporto della Federal Trade Commission “Bringing Dark Patterns to Light”, pubblicato nel settembre 2022, documenta queste pratiche e il modo in cui possono compromettere la scelta del consumatore.
Non ogni conto alla rovescia è falso, non ogni upselling è abusivo e non ogni prodotto sponsorizzato è un inganno. Conta come viene presentata l’informazione e se la persona può scegliere consapevolmente. Attribuire l’etichetta “dark pattern” a tutto il marketing renderebbe la critica più rumorosa e meno precisa.
Gli studi dimostrano che i dark pattern influenzano le persone
Mathur e colleghi: una fotografia di migliaia di negozi
In “Dark Patterns at Scale: Findings from a Crawl of 11K Shopping Websites”, pubblicato nel 2019 negli atti ACM dedicati al lavoro cooperativo supportato dal computer, Arunesh Mathur e colleghi hanno analizzato circa 53.000 pagine prodotto di circa 11.000 siti. Hanno individuato 1.818 casi di dark pattern in 1.254 siti, organizzati in 15 tipi.
Il dato documenta la presenza del fenomeno nel campione e con il metodo utilizzato. Non misura tutti i dark pattern esistenti sul web, né quanto ciascuno abbia aumentato le vendite. È una fotografia storica, non una percentuale da applicare automaticamente all’e-commerce del 2026.
Luguri e Strahilevitz: l’effetto sulle decisioni
Lo studio di Jamie Luguri e Lior Jacob Strahilevitz “Shining a Light on Dark Patterns”, pubblicato nel Journal of Legal Analysis nel 2021 e disponibile nell’archivio dell’Università di Chicago, aggiunge un esperimento. Nel primo studio, chi era esposto a dark pattern lievi risultava più del doppio propenso ad aderire a un servizio discutibile rispetto al gruppo di controllo; con quelli aggressivi, la propensione era quasi quadrupla.
È un risultato sul comportamento umano in quel contesto sperimentale. Non autorizza a dire che tutti gli acquisti online quadruplicano grazie ai dark pattern o che un bot produce automaticamente l’effetto opposto. Ma rende concreta la domanda: che cosa cambia quando il cliente non attraversa personalmente l’interfaccia progettata per orientarlo?
La sorpresa: anche gli agenti AI possono cadere nei dark pattern
Qui la tesi del consumatore robotico immune si incrina. “Dark Patterns Meet GUI Agents: LLM Agent Susceptibility to Manipulative Interfaces and the Role of Human Oversight”, di Jingyu Tang e colleghi, studia le risposte di agenti, persone e gruppi persona-agente a 16 tipi di dark pattern. Il lavoro, inizialmente diffuso nel 2025, figura tra le pubblicazioni sottoposte a revisione paritaria di CHI 2026 elencate dal coautore Toby Jia-Jun Li.
Gli agenti spesso non riconoscono la manipolazione; in alcuni casi, anche quando la riconoscono, privilegiano il completamento del compito. La supervisione umana migliora la capacità di evitarla, ma comporta costi di attenzione e introduce altri problemi. Gli errori di persone e agenti sono diversi, e nessuno dei due è uniformemente resistente.
Un bot non deve provare ansia per cliccare il pulsante sbagliato. Gli basta interpretare male una domanda o considerare un consenso indesiderato necessario per andare avanti. Non avere emozioni umane non equivale a scegliere sempre nell’interesse dell’utente.
Un preprint del settembre 2026 studia proprio i prezzi
Ancora più vicino alla domanda iniziale è “Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer”, di Davood Wadi e Yu Ma, caricato su arXiv il 23 settembre 2026. Va letto come preprint: nella scheda consultata non è indicata una pubblicazione sottoposta a revisione paritaria.
Gli autori esaminano otto modelli commerciali di tre fornitori, studiando prezzi appena sotto una cifra tonda e presentazione delle promozioni. Quando ottenere informazioni non costa, questi segnali raramente portano fuori strada. Quando la ricerca ha un costo e l’obiettivo è vago, i modelli possono tralasciare dati necessari per calcolare il prezzo unitario e scegliere peggio. Un obiettivo specifico preserva maggiormente la ricerca delle informazioni rilevanti e la qualità della scelta.
Il risultato riguarda quel laboratorio, non tutti i bot in tutti i negozi. Suggerisce però una lezione pratica: la qualità della delega dipende anche da istruzioni e accessibilità delle informazioni. Dire “trovami un’offerta” può essere molto diverso da chiedere “confronta il costo per unità, comprese le spese, e non accettare sostituzioni”.
Amazon sviluppa i propri agenti: il controllo dell’intermediario conta
Amazon stessa descrive Rufus e il servizio agentico Buy for Me. Quest’ultimo può acquistare prodotti selezionati su siti di marchi esterni quando non sono venduti nel negozio Amazon. La posizione dell’azienda riguarda dunque le condizioni di accesso degli agenti esterni, mentre sviluppa esperienze AI proprie.
Da questa coesistenza ricavo una domanda economica, non un verdetto sulle intenzioni: chi decide quali alternative il cliente vede e quali passaggi può saltare? Se l’assistente diventa la porta d’ingresso allo shopping, chi lo controlla può acquisire un ruolo importante nella scelta. E questo vale anche per il fornitore dell’agente indipendente.
Perplexity non merita una patente automatica di neutralità, così come un assistente del venditore non è automaticamente scorretto. Valuterei entrambi con gli stessi criteri: trasparenza dei risultati sponsorizzati, eventuali compensi o commissioni, copertura delle alternative, uso dei dati e possibilità di rifiutare un acquisto. Sono criteri di valutazione, non accuse di pratiche già accertate.
Come chiedere a un agente di comprare nel tuo interesse
Nella mia guida alle dieci cose da sapere sugli agenti AI insisto sull’importanza di definire l’obiettivo e controllare le azioni. Per lo shopping partirei dalla preparazione del confronto, lasciando l’ordine alla conferma della persona. Ecco un prompt di esempio, da adattare alle funzioni e agli accessi autorizzati del servizio:
Aiutami a scegliere [prodotto] per [uso]. Budget massimo totale: [importo], comprese consegna e spese obbligatorie. Verifica queste caratteristiche: [elenco]. Confronta almeno tre alternative, se accessibili, usando costo totale e prezzo per unità quando pertinente. Distingui i risultati sponsorizzati quando sono identificabili. Non aggiungere accessori, abbonamenti o servizi. Non cambiare quantità o caratteristiche per raggiungere soglie promozionali. Indica fonti, dati mancanti e compromessi. Se una condizione è ambigua o non puoi accedere al sito, fermati e segnalalo. Prepara il riepilogo e attendi la mia conferma prima di effettuare un ordine.
Questo prompt non rende l’agente infallibile e non garantisce il prezzo minimo del mercato. Rende più controllabile il mandato. Per altre applicazioni quotidiane ho raccolto quindici idee per organizzare la spesa e cercare risparmi con ChatGPT.
Nel mio video “ChatGPT è il mio Jarvis: ecco come mi gestisce mail e preventivi” racconto un altro esempio di assistenza operativa. Mail, preventivi e acquisti richiedono mandati diversi, ma hanno una domanda comune: quali decisioni delego e quali voglio approvare?
Il cliente può delegare anche la propria resistenza alla vendita?
Continuo a trovare plausibile il sospetto iniziale: un assistente fedele alla lista può sottrarre opportunità alla persuasione e alle vendite aggiuntive. Le controversie documentano il conflitto sull’accesso; gli studi mostrano che le interfacce influenzano le persone e che anche gli agenti hanno vulnerabilità. Nessuno di questi elementi, da solo, dimostra la motivazione nascosta di una corporation.
La promessa che mi interessa è un assistente capace di mantenere il mandato ricevuto, anche quando incontra una vetrina molto convincente. Per capire se ci riesce, misurerei rispetto del budget, aggiunte non richieste, errori, qualità del prodotto e trasparenza del confronto. Lo scontrino medio andrebbe misurato separatamente: potrebbe scendere per meno extra, oppure salire perché comprare diventa più facile. Senza dati, entrambe restano possibilità.
Da formatore, vorrei insegnare a scegliere e controllare questi intermediari. Da consumatore, vorrei poter mandare qualcuno a comprare il caricabatterie senza che torni con una lampada, un abbonamento e un corso per usare la lampada. Se vuoi approfondire questi temi in azienda, scrivimi per un corso o un evento sugli agenti AI.
