AI content e engagement rate sui social media: cosa dicono davvero i dati nel 2026

Se lavori con i social media, di sicuro hai incrociato il dato: l’engagement rate medio su Instagram è calato del 24% nell’ultimo anno. E di sicuro hai sentito anche la spiegazione che viene fornita. Contenuti AI e engagement rate che crollano, feed inondati di roba sintetica, utenti stanchi di scorrere post che sembrano tutti uguali.

È una narrazione che ha senso in superficie. Il problema è che semplifica qualcosa che è molto più sfumato, e che semplificandolo porta a conclusioni sbagliate, o almeno incomplete. Perché se la risposta fosse davvero così lineare, basterebbe smettere di usare l’IA per produrre contenuti e il problema sarebbe risolto. Ma non funziona così, e chiunque lavori seriamente con i social lo sa già.

La realtà è che stiamo attraversando un momento in cui l’intelligenza artificiale ha cambiato le regole della produzione di contenuti in modo rapido e profondo, ma i dati su come questo cambiamento si traduca in performance reali sono ancora parziali, spesso mal interpretati, e quasi sempre presentati senza le precisazioni metodologiche che servirebbero per leggerli correttamente.

Ci sono numeri concreti, e vale la pena guardarli e analizzarli. Ci sono distinzioni importanti che quasi nessuno fa, e che cambiano completamente il quadro. E ci sono domande a cui la ricerca, per ora, non ha ancora risposto in modo soddisfacente, il che è già di per sé un’informazione utile.

Chi lavora con i social media non ha bisogno di un’altra opinione su quanto sia buona o cattiva l’intelligenza artificiale. Ha bisogno di capire cosa dicono davvero i numeri, dove i numeri mancano, e cosa fare con tutto questo nella pratica quotidiana.

Proviamo a mettere tutto in ordine, senza saltare alle conclusioni.

Engagement rate Instagram 2026: cosa dicono i numeri

Il dato di partenza viene da Socialinsider, che ha analizzato 35 milioni di post pubblicati da 447.613 pagine nel corso del 2025. È uno dei campioni più grandi disponibili sul mercato, la metodologia è dichiarata e verificabile, e il risultato è netto: l’engagement rate medio su Instagram è calato del 24% rispetto all’anno precedente. Non è un’opinione, non è una percezione, è un numero che emerge da un dataset abbastanza grande da essere significativo.

Il calo però non è distribuito uniformemente tra i formati, e questa è la prima distinzione che vale la pena fare perché cambia il modo in cui si legge il quadro generale.

Le immagini statiche sono quelle che soffrono di più: registrano una caduta del 17% anno su anno, scendendo a un engagement rate medio dello 0.37%. È un segnale chiaro che il formato ha perso rilevanza agli occhi dell’algoritmo e, prima ancora, agli occhi degli utenti. I Reels tengono meglio, con un ER di 0.52%, in leggera crescita rispetto allo 0.50% del 2024, e con un aumento del volume di pubblicazione del 33% da parte dei brand, a conferma che chi lavora sui social ha già iniziato a spostare risorse verso i formati che funzionano. I Caroselli si confermano il formato più stabile, con un ER dello 0.55% sostanzialmente invariato nell’arco dei due anni, e con i numeri più alti su saves e views in tutte le fasce di follower.

Formato	ER medio 2024	ER medio 2025
Carosello	0.55%	0.55%
Reels	0.50%	0.52%
Immagini	0.45%	0.37%

Guardando i dati sulla crescita del pubblico, il quadro si complica ulteriormente. Gli account più piccoli, tra 1.000 e 5.000 follower, registrano ancora tassi di crescita intorno al 22% annuo. Ma man mano che il profilo cresce, il ritmo rallenta in modo significativo: gli account tra 50.000 e 100.000 follower crescono al 13.62%, quelli tra 100.000 e un milione all’11.25%. È la matematica della saturazione: più sei grande, più devi lavorare per ogni nuovo follower acquisito.

Dimensione account	Crescita 2024	Crescita 2025
1.000 – 5.000 follower	38.00%	22.00%
5.000 – 10.000 follower	35.00%	20.29%
10.000 – 50.000 follower	33.80%	17.20%
50.000 – 100.000 follower	30.00%	13.62%
100.000 – 1M follower	27.00%	11.25%

Il quadro che emerge è quello di una piattaforma in cui la concorrenza per l’attenzione è aumentata in modo strutturale, non congiunturale. Più contenuti che competono per lo stesso numero di ore di attenzione umana disponibile: il risultato è matematicamente prevedibile, e non è una novità del 2025.

La domanda che quasi tutti si fanno a questo punto è ovvia: quanto c’entra l’intelligenza artificiale con tutto questo? Chloe Maguire, Brand & Social Media Lead di Leapsome, offre una lettura che vale la pena citare direttamente. Il calo non è casuale, è strutturale. Siamo in un’economia dell’attenzione che ha raggiunto la saturazione: i brand pubblicano più contenuti che mai, i creator monetizzano in modo più aggressivo, e l’IA ha aumentato drasticamente il volume di output disponibile. Il risultato è uno squilibrio tra offerta e domanda, con più contenuti che competono per la stessa attenzione umana finita.

È un’analisi corretta. Ma è anche incompleta, e capire perché è incompleta è esattamente il punto di partenza per leggere i dati in modo utile.

Contenuti AI e engagement rate: prima di tutto, di cosa stiamo parlando

Quando si parla di contenuti AI e engagement rate sui social media, il problema più grande non è la mancanza di dati. È che quasi sempre si discute come se “contenuto AI” fosse una categoria omogenea, quando in realtà comprende fenomeni molto diversi tra loro, con origini diverse, caratteristiche diverse e impatti diversi sulle performance. Mettere tutto nello stesso calderone porta inevitabilmente a conclusioni che non tornano, o che tornano solo in parte.

Vale la pena fare tre distinzioni che nel dibattito mainstream vengono quasi sempre saltate, e che invece cambiano completamente il modo in cui si leggono i dati.

La prima è l’AI-assisted content. È il contenuto scritto o concepito da un essere umano con il supporto di strumenti di intelligenza artificiale. Il copywriter usa un assistente AI per sbloccarsi su un hook, il social media manager fa girare un testo per testare varianti, il brand usa l’IA per ottimizzare i tempi di pubblicazione o per analizzare le performance storiche e orientare le scelte editoriali. Il contenuto finale porta giudizio umano, voce riconoscibile, contesto editoriale. L’IA ha accelerato il processo, ma non lo ha sostituito.

La seconda è l’AI-generated content. È il contenuto prodotto in modo prevalentemente autonomo dall’intelligenza artificiale, con minimo intervento umano. Testi completamente generati, immagini sintetiche, video creati con strumenti come Sora o Meta Vibes. Il confine con la categoria precedente è sfumato nella pratica, quasi nessun contenuto è al 100% machine-generated senza alcuna supervisione, ma la differenza sostanziale sta nella quantità di giudizio umano applicato prima della pubblicazione. Più è bassa, più ci si avvicina a questa categoria.

La terza è l’AI slop. È il termine che Merriam-Webster ha eletto parola dell’anno 2025, e descrive qualcosa di molto specifico: contenuto AI-generated privo di cura editoriale, ripetitivo, prodotto in serie per volumi massivi, senza valore aggiunto reale per chi lo fruisce. Non è semplicemente contenuto generato dall’IA. È contenuto generato dall’IA e pubblicato senza che nessuno si sia fermato a chiedersi se valesse la pena farlo. È il risultato dell’IA usata come sostituto della strategia, non come strumento a supporto di essa.

Queste tre categorie vengono trattate come sinonimi nel dibattito mainstream. Non lo sono. Le implicazioni sul piano dell’engagement, della percezione del pubblico e della risposta degli algoritmi sono radicalmente diverse per ciascuna, e confonderle significa parlare di cose diverse usando le stesse parole, il che è esattamente il motivo per cui molte delle discussioni sull’AI content sui social media finiscono per girare a vuoto.

Tenere a mente questa distinzione è il prerequisito per leggere i dati che seguono in modo utile. Perché quando una ricerca misura le performance dei “contenuti AI”, la prima domanda da fare è sempre: di quale delle tre categorie sta parlando? E spesso, come vedremo, la risposta non è così scontata.

AI content Instagram 2026: quello che i dati ci dicono

Arrivati a questo punto, la domanda concreta è una sola: esistono dati che misurano in modo affidabile come i contenuti AI performano sui social media rispetto ai contenuti prodotti da esseri umani? La risposta onesta è: dipende da cosa si intende per “contenuti AI”, da quale piattaforma si sta guardando, e da quale strumento ha raccolto i dati. Il che non è un modo per schivare la domanda, ma è esattamente la premessa necessaria per leggere quello che segue senza trarre conclusioni sbagliate.

Ci sono ricerche disponibili, e alcune sono metodologicamente solide. Ma nessuna di esse risponde alla domanda nel modo in cui viene solitamente posta, ovvero con un confronto diretto e netto tra contenuto AI e contenuto umano su Instagram. Quello che abbiamo sono dati parziali, ciascuno con il proprio perimetro metodologico, che messi insieme costruiscono un quadro utile anche se incompleto.

È importante capire perché questo accade, prima ancora di guardare i numeri. Classificare l’origine di un contenuto su scala è un problema metodologico reale. I rilevatori automatici di contenuto AI sbagliano spesso, molti contenuti sono ibridi per definizione, e la linea tra AI-assisted e AI-generated diventa sempre più sottile man mano che gli strumenti evolvono. Non è un problema che si risolve con più dati: è un problema di definizione, e finché il settore non converge su criteri condivisi, i benchmark diretti rimarranno difficili da produrre in modo affidabile.

Questo non significa che i dati disponibili siano inutili. Significa che vanno letti con la giusta lente, sapendo cosa misurano e cosa non misurano. Vale la pena guardarli uno per uno, con le precisazioni che ciascuno richiede.

AI-assisted content e performance: la ricerca di Buffer

Buffer ha analizzato 1,2 milioni di post pubblicati attraverso la sua piattaforma su sei canali principali, Facebook, LinkedIn, Pinterest, Threads, TikTok e X/Twitter, confrontando i post scritti interamente da esseri umani con quelli creati con il supporto del proprio AI Assistant. Il risultato che circola di più è questo: i post AI-assisted hanno registrato un engagement rate mediano del 5.87%, contro il 4.82% dei post human-only, con un incremento del 22%.

È un numero che viene citato spesso, e quasi mai con le precisazioni che lo renderebbero interpretabile correttamente.

La prima precisazione riguarda cosa sta misurando Buffer. Il suo strumento AI aiuta i creator a scrivere meglio e più velocemente, non a delegare interamente la produzione di contenuti. Stiamo parlando di AI-assisted content, non di AI-generated content. Il +22% non dice che l’IA produce contenuti che performano meglio di quelli umani. Dice che chi usa un assistente AI per scrivere ottiene risultati migliori di chi non lo usa, probabilmente perché produce varianti più efficaci, mantiene una maggiore consistenza di pubblicazione nel tempo, e arriva alla pubblicazione con testi più lavorati.

La seconda precisazione riguarda le piattaforme analizzate. Instagram non è tra i sei canali inclusi nello studio. I dati non sono trasferibili direttamente alle dinamiche specifiche di Instagram, che ha caratteristiche algoritmiche proprie e formati visivi che la differenziano sostanzialmente dalle piattaforme text-first incluse nella ricerca.

La terza precisazione, forse la più importante, riguarda la causalità. Il dato misura la correlazione tra uso di uno strumento AI e performance. Non isola la qualità del testo generato come variabile indipendente. Chi adotta strumenti di produttività tende ad avere un approccio più strutturato alla propria strategia editoriale. Il +22% potrebbe riflettere tanto l’effetto degli strumenti quanto il profilo degli utilizzatori.

Il dato rimane rilevante e vale la pena tenerlo presente: su 1,2 milioni di post analizzati su sei piattaforme, i post AI-assisted hanno registrato un engagement rate mediano del 5.87% contro il 4.82% dei post human-only, con un incremento del 22%. Ma va letto con la consapevolezza metodologica che abbiamo descritto, altrimenti rischia di diventare la giustificazione per delegare interamente la produzione di contenuti all’IA, che è esattamente l’uso che produce i risultati peggiori.

Come il pubblico reagisce ai contenuti AI generati social

Misurare le performance algoritmiche dei contenuti AI è difficile per i motivi che abbiamo visto. Ma c’è un altro livello di analisi che è altrettanto rilevante per chi lavora sui social media, ed è quello della percezione del pubblico. Non come l’algoritmo tratta i contenuti AI, ma come le persone li vivono, cosa pensano quando li riconoscono, e quanto questo influenza la loro propensione a interagire.

Su questo fronte i dati disponibili sono più diretti, anche se vanno letti con la stessa attenzione metodologica che abbiamo applicato agli altri.

Hootsuite, nel suo report Social Media Trends 2026 realizzato con i dati di TalkwalkerAI, ha analizzato 14,6 milioni di risultati confrontando il sentiment attorno a due categorie distinte. Da un lato “AI-generated content” come concetto generale, dall’altro “AI slop“. La scelta di analizzare le due categorie separatamente è metodologicamente interessante, perché permette di vedere se il pubblico distingue tra le due cose anche a livello di sentiment. E la risposta è sì, in modo abbastanza netto.

Sul tema “AI-generated content” in senso generale, il sentiment è distribuito in modo relativamente equilibrato. Il 16.5% delle mention è positivo, per un totale di 2.9 milioni, il 25.4% è neutro con 4.2 milioni di mention, e il 24.7% è negativo con 3.8 milioni. Non c’è un rigetto netto. C’è curiosità, scetticismo moderato, accettazione condizionale. Il pubblico non rifiuta l’IA come strumento, e questa è già una distinzione importante rispetto alla narrazione dominante che vorrebbe gli utenti dei social fondamentalmente ostili a qualsiasi contenuto prodotto con l’aiuto dell’intelligenza artificiale.

Sul tema “AI slop” la distribuzione cambia in modo significativo. Le mention negative raggiungono 2,3 milioni, con il sentiment negativo nettamente dominante. La frustrazione non è verso l’intelligenza artificiale in quanto tale, ma verso l’output privo di cura, ripetitivo, pubblicato senza giudizio editoriale. È esattamente la distinzione che abbiamo fatto nel capitolo precedente, confermata questa volta dai dati sul sentiment.

	Positivo	Neutro	Negativo
AI-generated content	16.5% (2.9M)	25.4% (4.2M)	24.7% (3.8M)
AI slop	16.4% (516K)	29.7% (943K)	14.7% (2.3M)

A completare il quadro, Hootsuite riporta due dati aggiuntivi che vale la pena tenere presenti. Oltre il 30% dei consumatori dichiara di essere meno propenso a scegliere un brand se sa che i suoi contenuti pubblicitari sono AI-generated. E il 91% dei professionisti del marketing ritiene che il coinvolgimento umano sia molto importante o critico nella produzione e valutazione di contenuti AI. Sono dati che non misurano l’engagement direttamente, ma misurano qualcosa che lo precede: la propensione del pubblico a fidarsi di un brand e a interagire con i suoi contenuti.

Il quadro che emerge da questi dati è coerente con quello che abbiamo visto finora. Il pubblico non rifiuta l’IA. Rifiuta lo slop. E questa distinzione, che a livello concettuale potrebbe sembrare sottile, nella pratica ha conseguenze molto concrete su come si progetta una strategia di contenuto che funzioni nel 2026.

Il gap che nessuno ha ancora colmato

Se avete seguito il ragionamento fino a qui, la domanda che rimane aperta è ovvia: esiste un dato che confronta direttamente l’engagement rate di contenuti AI-generated e contenuti human-generated su Instagram, controllando le altre variabili? La risposta è no, e vale la pena spiegare perché, perché non è una lacuna casuale.

Nessuna delle principali fonti di benchmark disponibili, né Socialinsider, né Buffer, né Hootsuite, pubblica questo confronto diretto su Instagram. Non perché la domanda sia irrilevante, ma perché produrlo in modo metodologicamente affidabile richiede di risolvere un problema a monte: classificare l’origine del contenuto su scala. E questo è un problema che, allo stato attuale, non ha una soluzione soddisfacente.

I rilevatori automatici di contenuto AI hanno tassi di errore significativi. Molti contenuti sono ibridi per definizione, scritti da un umano con il supporto di uno strumento AI in misura variabile. La linea tra AI-assisted e AI-generated diventa sempre più sottile man mano che gli strumenti evolvono e vengono integrati nei flussi di lavoro quotidiani. Lo stesso Hootsuite nel suo report lo riconosce esplicitamente, descrivendo la classificazione precisa dell’origine del contenuto AI come quasi impossibile da fare con precisione su scala.

A questo si aggiunge un problema di trasparenza. Meta ha introdotto label obbligatorie per i contenuti AI-generated considerati ad alto rischio di inganno, e l’EU AI Act richiede trasparenza nell’uso dell’IA nella comunicazione commerciale. Ma queste policy sono recenti, parzialmente applicate, e non coprono la grande maggioranza dei contenuti AI-assisted che circolano quotidianamente sui social. Il che significa che anche i dataset più grandi e aggiornati contengono una quantità ignota di contenuti la cui origine non è classificabile con certezza.

Questo gap è già di per sé un’informazione utile per chi deve prendere decisioni strategiche. Significa che chiunque presenti un dato preciso del tipo “i contenuti AI hanno X% di engagement in meno rispetto a quelli umani su Instagram” sta speculando, non citando ricerca. Significa che le scelte su come integrare l’IA nella produzione di contenuti devono essere fatte, per ora, sulla base di dati indiretti, ragionamenti qualitativi e osservazione diretta delle proprie performance, non di benchmark definitivi che semplicemente non esistono ancora.

Non è una situazione destinata a durare. Man mano che le policy di trasparenza si consolidano e i metodi di classificazione migliorano, i dati diventeranno più precisi. Ma nel 2026, chiunque vi dica di avere la risposta definitiva su questo punto vi sta vendendo una certezza che i dati non supportano.

Algoritmo Instagram 2026: cosa premia davvero e cosa no

Adam Mosseri, head di Instagram, dedica quasi ogni suo aggiornamento settimanale allo stesso tema: la portata. E il messaggio è sempre lo stesso. L’algoritmo non premia chi ha più follower, non premia chi pubblica più spesso, e non ha modo di sapere con certezza se un contenuto è stato scritto da un essere umano o generato da uno strumento AI. Quello che premia è la rilevanza percepita dall’utente, misurata attraverso segnali comportamentali sempre più granulari e difficili da manipolare.

Hootsuite descrive questa evoluzione come il passaggio dal “rabbit hole” allo “snowball”. Il rabbit hole era il meccanismo con cui gli algoritmi portavano gli utenti in approfondimenti verticali guidati dalla loro curiosità esplicita, seguendo i link che cliccavano e i profili che cercavano attivamente. Lo snowball funziona in modo diverso: i feed avvolgono gli utenti in sequenze tematiche costruite su micro-segnali comportamentali impliciti, spesso inconsapevoli. L’hover time, il tempo in cui si rallenta su un contenuto prima di scorrere oltre, è diventato un segnale chiave. Così come il rewatching, le pause, i salvataggi silenziosi che non compaiono nelle metriche pubbliche ma che l’algoritmo registra e pesa.

Questo significa una cosa precisa per il tema che stiamo affrontando. L’algoritmo non chiede se un contenuto è stato scritto da un umano o da una macchina. Chiede se quell’utente, in quel momento, nel suo contesto specifico, troverà quel contenuto abbastanza rilevante da fermarsi. E la risposta a quella domanda dipende dalla qualità dell’idea alla base del contenuto, dalla sua pertinenza per un pubblico specifico, dalla capacità di generare un’azione concreta. Queste non sono proprietà intrinseche dell’IA né dell’umano che scrive. Sono il risultato di una strategia editoriale che funziona.

L’AI slop performa male non perché è generato dall’IA. Performa male perché è generico, ripetitivo, non calibrato su nessun pubblico specifico. Esattamente come performa male qualsiasi contenuto umano con le stesse caratteristiche. Il problema non è l’origine, è la qualità. E la qualità, nel 2026, si misura in micro-segnali comportamentali che non si possono comprare e non si possono simulare a lungo.

Cosa significa tutto questo nella pratica

I dati che abbiamo visto costruiscono un quadro abbastanza chiaro, anche con tutti i limiti metodologici che abbiamo segnalato. E quel quadro ha implicazioni operative concrete per chi lavora sui social media ogni giorno.

La prima è che il volume non è una strategia. L’aumento della capacità produttiva permessa dagli strumenti AI non si traduce automaticamente in un aumento dell’engagement. Pubblicare più contenuti mediocri accelera il declino dell’ER, non lo inverte. I dati Socialinsider lo confermano: i brand stanno già spostando il volume dai formati meno performanti verso quelli più efficaci, non semplicemente aumentando la frequenza di pubblicazione. Il punto non è quanti post, ma quali.

La seconda è che l’AI-assist funziona quando accelera la strategia, non quando la sostituisce. Il +22% di Buffer non descrive un miracolo algoritmico. Descrive persone che usano uno strumento per scrivere meglio e con più consistenza. Il guadagno è reale, ma viene dalla qualità del processo, non dall’automazione in sé. Usare l’IA per produrre contenuti in serie senza giudizio editoriale è esattamente l’uso che produce i risultati peggiori, sia in termini di performance che di percezione del pubblico.

La terza è che il human judgment è il differenziatore competitivo reale. Non come alternativa agli strumenti AI, ma come livello di controllo che determina la qualità dell’output finale. Sapere quale angolo editoriale è rilevante per un pubblico specifico, quando un contenuto generato funziona e quando no, come calibrare tono e formato su ogni piattaforma: sono competenze umane che amplificano il valore degli strumenti, non che li sostituiscono. E nel momento in cui tutti hanno accesso agli stessi strumenti, queste competenze diventano l’unico vero vantaggio competitivo rimasto.

Siamo arrivati alla fine

Il dibattito sui contenuti AI e engagement rate sui social media soffre di due problemi speculari: chi demonizza l’IA come causa principale del declino delle performance, e chi la celebra come soluzione definitiva alla pressione produttiva. Entrambe le posizioni semplificano un fenomeno che è, nei dati disponibili, molto più sfumato e molto più interessante.

Quello che sappiamo, con una base di dati solida, è che l’engagement rate su Instagram è strutturalmente in calo perché il volume di contenuto ha superato la capacità di attenzione degli utenti. L’IA ha accelerato questo processo aumentando la capacità produttiva, ma non ne è la causa originaria. Quello che sappiamo anche, grazie ai dati di sentiment di Hootsuite e TalkwalkerAI su 14,6 milioni di risultati, è che il pubblico non rifiuta l’IA. Rifiuta lo slop. E l’algoritmo di Instagram, nel 2026, premia la rilevanza percepita indipendentemente dall’origine del contenuto.

Quello che non sappiamo ancora, e vale la pena dirlo chiaramente, è come cambierà il quadro man mano che le policy di trasparenza si consolidano, che i metodi di classificazione migliorano e che le piattaforme AI-native come Sora e Meta Vibes maturano. I benchmark diretti tra contenuto AI-generated e human-generated su Instagram non esistono ancora in forma affidabile, e le decisioni strategiche vanno prese tenendo conto di questo limite.

Il differenziatore competitivo, oggi, non è avere o non avere accesso agli strumenti AI. È sapere dove applicare il giudizio umano per trasformare capacità produttiva in rilevanza percepita. Quello è un problema di strategia. Ed è esattamente quello che distingue chi produce contenuto da chi costruisce presenza digitale.