HelloFresh
Come un agente AI costruito su MCP ha ridisegnato l’acquisizione paid social di un’azienda che investe oltre 100 milioni all’anno in advertising.
-
Industry
Food subscription
-
Services
SCALE Paid, GROUND Data
-
Year
2026
-
View project
hellofresh.com
Nelle organizzazioni che operano alla scala di HelloFresh, il paid social non smette di funzionare quando cresce ma smette di essere governabile con gli strumenti e i processi con cui è partito.
HelloFresh investe oltre 100 milioni di euro all’anno in campagne Meta distribuite su 18 mercati e decine di brand, con un team di paid social che si trovava a gestire migliaia di ad attivi in contemporanea. Alla scala raggiunta, gli strumenti tradizionali avevano smesso di reggere il carico di lavoro richiesto, con una reportistica troppo lenta per informare decisioni settimanali, lanci ancora gestiti manualmente, configurazioni con un tasso di errore rilevante e nessun feedback loop tra le performance delle creatività e il team che le produceva.
Serviva un sistema che non sostituisse le persone ma restituisse loro il tempo e la visibilità per decidere meglio.
Un agente AI costruito sull’architettura Model Context Protocol
Abbiamo sviluppato un agente AI accessibile via chat su Slack, costruito sopra un’architettura Model Context Protocol che consente al sistema di interrogare autonomamente i dati delle campagne, interpretarli nel contesto di business del cliente e intervenire direttamente sulle piattaforme pubblicitarie.
L’agente si rivolge a tre livelli di utilizzo, dallo stesso punto di accesso:
1. Il livello operativo, che lancia gli ad partendo da una cartella di creatività e configura i parametri di campagna in pochi minuti.
2. Il livello analitico, che interroga in linguaggio naturale numeri granulari sulle performance dei singoli ad e adset.
3. Il livello strategico, che riceve raccomandazioni su allocazione budget, timing di scaling e stop degli ad, generate da modelli predittivi addestrati sui dati storici.
Abbiamo sviluppato un agente AI accessibile via chat su Slack, costruito sopra un’architettura Model Context Protocol che consente al sistema di interrogare autonomamente i dati delle campagne, interpretarli nel contesto di business del cliente e intervenire direttamente sulle piattaforme pubblicitarie.
Tutto il sistema si appoggia su una nuova infrastruttura dati costruita per sostituire i fogli Google precedentemente in uso: un database validato, con naming convention codificate e controlli automatici sulla qualità del dato in ingresso.
Non era un problema di tool, era un problema di orchestrazione
La sfida non era automatizzare un singolo passaggio, ma riportare coerenza a un processo che, con la scala raggiunta, si era frammentato. Lancio degli ad, reporting, decisioni su budget e feedback alla creatività vivevano in strumenti e logiche separate, con ownership distribuita e pochissima visibilità condivisa.
L’agente è stato progettato come layer di orchestrazione: un unico punto di accesso capace di collegare operazioni, analisi e strategia, adattandosi ai diversi livelli di seniority del team e restituendo a ciascuno l’informazione nel formato più utile al proprio ruolo.
Il valore si misura in tempo liberato, errori evitati e costi ridotti
Il sistema è andato live a settembre 2025 e i risultati si leggono sia sulle metriche di efficienza operativa sia su quelle di performance pubblicitaria.
– CAC: riduzione del 25% a parità di obiettivi di acquisizione, con un 15% di budget in più allocato
– Tempo dedicato a reportistica e analisi: riduzione del 90%
– Tempo medio di lancio di un nuovo ad: da uno o due giorni a circa 5 minuti
– Tasso di errore nelle configurazioni di campagna: da una forchetta del 10-20% a meno dell’1%
Nota TOV: questi numeri vanno tenuti così, senza superlativi attorno. Il dato parla da solo. Evitare ‘straordinario’, ‘incredibile’, ‘trasformativo’ in prossimità.
Un sistema che scala con l’organizzazione
-
Efficienza operativa
Lo stesso team oggi gestisce un volume di lavoro significativamente maggiore senza aumentare le risorse, e il tempo liberato viene reinvestito in attività di valore come analisi strategiche e test di nuove creatività.
-
Qualità del dato e del processo
La migrazione da fogli Google a un database validato ha ridotto drasticamente gli errori di configurazione e ha reso il reporting affidabile per tutti i livelli dell’organizzazione, dal CMO al team operativo.
-
Decisioni di budget più informate
Il livello strategico dell’agente, supportato da modelli predittivi, affianca i responsabili budget nelle scelte di scaling e riallocazione, con raccomandazioni basate su dati e non su intuizione.
Quando il paid social cresce, il problema si sposta dal budget alla governance del sistema che lo gestisce
Se il tuo team passa più tempo a configurare campagne che a decidere come ottimizzarle, il collo di bottiglia non è sull’investimento ma sul sistema di strumenti e processi che ci sta intorno.