Netflix GenRec: LLM instead of traditional recommendation

Cosa ha cambiato Netflix — e perché la notizia riguarda tutti

The August 22, 2026, The Decoder reported un aggiornamento tecnico rilevante da parte di Netflix. L’azienda ha testato un modello linguistico interno — denominato GenRec — in alternativa al proprio motore di raccomandazione tradizionale. I risultati hanno favorito il nuovo approccio.

Tuttavia, la vera novità non è il risultato del test. È il metodo. GenRec non lavora con feature numeriche costruite a mano dagli ingegneri. Al contrario, converte il comportamento di visione degli utenti in natural language text and processes it like any LLM would with a prompt.

Questo cambio di paradigma è sottile ma profondo. Pertanto, vale la pena capirlo bene prima di valutarne le implicazioni operative.

From feature engineering to text: how GenRec works

I sistemi di raccomandazione tradizionali — come quello che Netflix usava fino a ieri — si basano su manual feature engineering. Gli ingegneri definiscono centinaia (o migliaia) di variabili: genere preferito, orario di visione, durata media degli episodi guardati, tasso di abbandono per categoria, e così via.

Questo approccio funziona. Tuttavia, presenta limiti strutturali. Ogni nuova feature richiede lavoro umano. Inoltre, le interazioni tra variabili diventano difficili da modellare oltre una certa complessità. Di conseguenza, il sistema tende a cristallizzarsi attorno a pattern già noti.

GenRec adotta una logica diversa. Il comportamento dell’utente viene serializzato in forma testuale — ad esempio: «L’utente ha guardato tre episodi di una serie crime in lingua spagnola, ha abbandonato dopo 12 minuti un thriller domestico, ha completato un documentario ambientale». Il modello linguistico elabora questa sequenza e genera raccomandazioni coerenti.

Infatti, questa architettura sfrutta ciò che gli LLM sanno già fare bene: reasoning about text sequences and infer implicit patterns. There is no need to manually code every relationship. The model learns it from the context.

L’impatto immediato sulla personalization strategy

Netflix opera su scala globale con centinaia di milioni di utenti. Pertanto, anche un miglioramento marginale nella qualità delle raccomandazioni si traduce in retention misurabile. Ma cosa significa questo per chi gestisce un e-commerce o una piattaforma B2B con volumi molto inferiori?

La risposta è meno ovvia di quanto sembri. Infatti, i modelli linguistici non richiedono necessariamente grandi volumi di dati per funzionare. Al contrario, la loro capacità di generalizzare da pochi esempi — il cosiddetto few-shot reasoning — li rende potenzialmente adatti anche a contesti con cataloghi limitati o utenti poco numerosi.

Inoltre, l’approccio testuale abbassa la barriera tecnica. Un team di marketing con accesso a dati comportamentali strutturati può costruire prompt descrittivi senza necessariamente coinvolgere data scientist specializzati in feature engineering. Questo non significa che sia semplice. Tuttavia, la curva di accesso è diversa rispetto ai sistemi tradizionali.

According to McKinsey, la personalizzazione efficace può generare un incremento dei ricavi tra il 10% e il 15% per le aziende che la implementano correttamente. Di conseguenza, qualsiasi tecnologia che migliori la qualità delle raccomandazioni merita attenzione strategica.

What no one is saying yet: the open limits of GenRec

Netflix stessa usa parole caute: «un passo iniziale ma promettente». Questa formulazione non è retorica. Indica che il sistema non è in produzione completa e che i test hanno perimetri specifici.

So, what are the still open issues? At least three deserve attention.

• Latency and computational cost. Gli LLM sono più lenti e costosi dei sistemi di raccomandazione tradizionali a parità di scala. Pertanto, l’adozione in produzione richiede ottimizzazioni significative — quantizzazione, caching, architetture ibride.
• Interpretabilità. Un sistema hand-built è spiegabile feature per feature. Un LLM, al contrario, opera come una black box. Questo può creare problemi di compliance in contesti regolamentati, ad esempio nel settore finanziario o sanitario.
• Hallucination and coherence. Language models can generate plausible but incorrect recommendations. Therefore, validation mechanisms are needed that traditional systems do not require.

Nonostante ciò, la direzione è chiara. Anche Gartner segnala che l’integrazione di AI generativa nei sistemi di personalizzazione è tra le priorità tecnologiche del biennio 2026-2027. Quindi, la domanda non è «se» ma «quando» e «come».

Implications for Italian e-commerce and digital retail

Per i responsabili marketing di PMI e mid-market italiani, questa notizia ha implicazioni concrete. Non si tratta di replicare l’infrastruttura di Netflix. Si tratta di capire quale logica di personalizzazione stia diventando lo standard competitivo.

In particular, three areas deserve immediate reflection.

1. Audit of the current recommendation system. Molte piattaforme e-commerce usano ancora logiche basate su regole statiche — «chi ha comprato X ha comprato anche Y» — o collaborative filtering di prima generazione. Pertanto, è utile valutare se il proprio sistema stia perdendo terreno rispetto alle aspettative degli utenti, sempre più abituati a esperienze personalizzate di qualità Netflix.

2. Qualità e struttura dei dati comportamentali. GenRec funziona perché Netflix ha dati comportamentali ricchi e ben tracciati. Di conseguenza, la priorità per molte aziende non è ancora l’LLM — è costruire una base dati comportamentale affidabile. Questo significa tracciamento corretto degli eventi, integrazione tra canali e una CDP (Customer Data Platform) funzionante.

3. Integration with the content strategy. Se le raccomandazioni diventano testuali, la qualità delle descrizioni di prodotto, delle categorie e dei metadati diventa un fattore competitivo diretto. Pertanto, investire in structured SEO copywriting non è solo una questione di posizionamento organico — è infrastruttura per i sistemi AI.

Cosa fare ora: priorità operative per il secondo semestre 2026

La notizia di GenRec non richiede azioni immediate per la maggior parte delle aziende italiane. Tuttavia, suggerisce alcune mosse preparatorie che hanno senso già oggi.

• Map the technological gap. Comparing your recommendation system with industry benchmarks. We at SHM Studio we offer applied AI consulting specifically for this type of assessment.
• Evaluate LLM-ready solutions. Alcune piattaforme e-commerce stanno già integrando moduli di raccomandazione basati su linguaggio naturale. Vale la pena esplorare le opzioni disponibili nel proprio stack tecnologico.
• Invest in structured data. Prima di qualsiasi implementazione AI, è necessario avere dati comportamentali puliti, integrati e accessibili. Questo è il prerequisito che spesso manca.
• Build the marketing team. La logica LLM cambia il modo in cui si pensano le campagne di personalizzazione. Pertanto, la formazione interna è un investimento con ritorno rapido.

In addition, who manages Google Ads campaigns o LinkedIn campaign dovrebbe iniziare a ragionare su come la personalizzazione AI possa integrarsi con la targeting strategy esistente. Le due dimensioni — paid media e recommendation engine — stanno convergendo.

Perspectives: where personalization is heading in the next 18 months

Il test di Netflix non è un caso isolato. Analogamente, aziende come Amazon, Spotify e YouTube stanno esplorando architetture ibride che combinano sistemi tradizionali con componenti LLM. La direzione del settore è chiara.

According to MIT Technology Review, l’integrazione di modelli linguistici in sistemi decisionali aziendali è destinata ad accelerare significativamente tra il 2026 e il 2028. Pertanto, chi inizia a costruire le competenze e l’infrastruttura dati oggi avrà un vantaggio competitivo misurabile tra 12-18 mesi.

Per il mercato italiano, questo si traduce in una finestra di opportunità. Infatti, la maggior parte delle PMI non ha ancora adottato sistemi di personalizzazione avanzati. Di conseguenza, chi si muove ora — anche con implementazioni parziali — può posizionarsi in anticipo rispetto alla concorrenza.

Infine, vale la pena ricordare che la personalization non è solo una questione tecnologica. È una questione di strategia di contenuto, di qualità dei dati e di comprensione profonda del comportamento utente. Pertanto, il punto di partenza non è sempre l’LLM — a volte è una SEO strategy più solida, un website better structured or one digital marketing strategy più integrata.

Per approfondire come queste evoluzioni impattano sulla strategia digitale della propria azienda, è possibile Contact the SHM Studio team or explore the insights from our blog.