L'AI parla di te anche se tu non le hai mai parlato

Apri una qualsiasi intelligenza artificiale, scrivi il nome della tua azienda e chiedi di cosa si occupa. La risposta arriva sicura, dettagliata, plausibile. Il punto è che non l'hai scritta tu. Quindi come fa l’AI a sapere tutto di te? Da dove ha preso le informazioni?

La verità sull’AI visibility che non vorresti sentire

Per le AI, quello che gli altri dicono di te conta più di quello che dici tu. Il tuo sito è solo una fonte di informazioni, e spesso non è neanche la più importante. Questo dato impone un vero cambio di paradigma nel modo di concepire la comunicazione aziendale. Per questo è importante capire il perché. In una serie di esperimenti controllati condotti all'Università di Toronto, i ricercatori hanno osservato che i motori di ricerca generativi mostrano un bias sistematico e schiacciante verso l'earned media, ossia una preferenza evidente per le fonti indipendenti di terze parti, rispetto ai contenuti pubblicati dal brand sul proprio sito e ai social, in netto contrasto con il mix più bilanciato di un motore di ricerca tradizionale. L'amara verità che la maggior parte delle aziende non vorrebbe sentirsi dire è che la narrazione ufficiale è solo uno degli ingredienti delle risposte AI.

Anche i contenuti social, allo stato attuale, contano poco: risultano quasi assenti nelle risposte. Naturalmente, è una fotografia del presente. La situazione è in evoluzione e va monitorata nel tempo.

Conta di più quello che dico io o quello che dicono gli altri di me?

Per l'AI la tua autodichiarazione pesa poco finché non è confermata da fonti indipendenti. Il contenuto del tuo sito è trattato con un certo scetticismo: è la parte interessata che parla di sé. Per definizione, non è del tutto obiettiva. Per evitare ambiguità su chi sei e per definire dati e struttura, il modello parte da fonti enciclopediche strutturate come Wikipedia e Wikidata, usate come riferimento iniziale. A queste si aggiungono le fonti editoriali indipendenti, mentre per capire opinioni e utilizzi reali di prodotti e servizi contano soprattutto piattaforme di recensioni e forum.

Attenzione a un'illusione diffusa: pompare la viralità non funziona come ci si aspetta. I modelli tendono a privilegiare il consenso consolidato e specifico più della popolarità del momento. Inoltre, il testo non viene quasi mai citato, ma piuttosto viene parafrasato in modo profondo.

Ultimo ma non ultimo, basta un numero ridotto di fonti negative ma autorevoli per influenzare il riassunto finale.

La gerarchia delle fonti AI, in sintesi, è la seguente:

Se l’AI preferisce le fonti esterne, che senso ha ottimizzare il sito Web?

Il sito web, anche se non è più l’unica fonte di verità, è consultato dalle AI per verificare o integrare le informazioni provenienti da altre fonti. Tutto ciò che riguarda prodotti, servizi, struttura societaria, posizionamento del brand, competenze e informazioni strategiche dovrebbe essere chiaramente disponibile sul sito, perché sono dati che nessun'altra fonte può rappresentare con lo stesso livello di accuratezza.

L’ambiguità: il nemico dell’AI visibility

Se la tua identità non è chiara, l'AI riempie lacune ed incertezze a modo suo, o ti lascia fuori del tutto. Il fattore decisivo si chiama chiarezza dell'entità: quanto sei definito in modo non ambiguo nelle fonti strutturate. Quando l’identità del tuo brand ha ancore coerenti (una scheda Wikidata pulita, dati strutturati coerenti sul sito, la stessa categoria su tutte le piattaforme), il modello ti disambigua e ti posiziona bene. Lo conferma la ricerca sulla estrazione strutturata delle entità: segnali chiari e coerenti migliorano l’interpretazione automatica del brand.

Quando invece i segnali sono contraddittori (un profilo che ti classifica in un modo, un blog in un altro, un sito in un altro ancora) la "nitidezza" della classificazione diminuisce. Non possono che derivarne definizioni vaghe, confusione con omonimi, attributi fusi per errore.

Qual è la peggiore condizione possibile per l’AI visibility?

Per una AI, la condizione peggiore possibile è un brand poco conosciuto con un sito difficile da leggere. Non è nemmeno così raro come può sembrare. Molte aziende solide e con fatturati rilevanti risultano di fatto invisibili alle AI perché i loro contenuti sono pensati per la lettura umana e non per l'interpretazione automatica, oltre a essere citate in modo limitato e frammentario nelle fonti esterne. Per un sistema che elabora testo strutturato, ciò che non è interpretabile semplicemente non entra nel campo dell’analisi e viene ignorato.

I pregiudizi invisibili delle AI

Molti immaginano che le AI generative funzionino come arbitri neutrali, capaci di valutare prodotti, aziende e marchi in maniera infallibile. In realtà, i modelli linguistici operano all'interno di un ecosistema informativo che presenta squilibri, inerzie e distorsioni. Eccone due da tenere assolutamente a mente.

Marchi descritti con informazioni obsolete

La stessa AI può continuare a raccontare i marchi con dati obsoleti, o confondendo dati vecchi e nuovi. La causa è la frizione tra due forme di conoscenza: la memoria appresa in addestramento (storica, statica) e le informazioni recuperate dal web al momento della risposta. Quando confliggono, il modello può oscillare, mescolando dati vecchi e nuovi, o cambiando versione a seconda di come è formulata la domanda, della lingua o del momento. La ricerca su come i modelli gestiscono conoscenza parametrica e contestuale inaffidabile e su come il tipo di compito influenzi la risposta nei conflitti memoria-contesto mostra che la "convinzione" appresa storicamente può prevalere sul contesto aggiornato, soprattutto se il brand aveva una forte presenza nei dati presenti nell’addestramento.

Lo stesso meccanismo spiega perché informazioni negative o superate restino "incollate": finché le fonti pubbliche non vengono aggiornate in misura sufficiente, il modello continua a riproporre il quadro precedente. Da qui un principio operativo importante: non si "smentisce" un'AI agendo sul modello, si agisce sulle fonti che lo alimentano, e l'effetto è graduale. Nessuno può promettere la rimozione immediata di una percezione: chi lo fa sta vendendo una certezza che la tecnologia, oggi, non offre.

Preferenza per marchi celebri e internazionali

I modelli AI partono prevenuti: a parità di tutto, premiano il nome più noto e quello globale. Uno studio sulle dinamiche di raccomandazione ha misurato un vero e proprio vantaggio del player storico: in una categoria come la cura della pelle, quando i prodotti hanno specifiche identiche, il brand più conosciuto viene raccomandato nella quasi totalità dei casi. È il peso delle menzioni storiche accumulate che decide al posto del merito.

C'è però una buona notizia. Lo stesso studio mostra che questo dominio è fragile: basta un micro-vantaggio verificabile per il concorrente o un linguaggio di autorevolezza supportato da prove, per spostare la raccomandazione verso il brand emergente.

Ciò significa anche che non ci si può adagiare: essere citati oggi non garantisce di esserlo domani, perché un concorrente che presidia meglio le proprie fonti può ribaltare la situazione.

Per un brand italiano o europeo c'è un secondo strato di pregiudizio da conoscere. Audit indipendenti hanno documentato un favoritismo sistematico verso entità e marchi anglosassoni e globali, con i brand locali più spesso associati ad attributi negativi e i modelli che tendono a preferire le opzioni globali a parità o superiorità di alternative locali. Non è una scelta deliberata dei modelli: è il riflesso della dominanza dei contenuti in lingua inglese nei dati di addestramento. Ciò significa che, a parità di qualità e rilevanza, un brand europeo dovrà investire in modo più consistente e strategico nel GEO per conseguire la stessa esposizione ottenuta da un concorrente statunitense.

Posso sapere cosa dice di me l’AI, e posso farci qualcosa?

Non puoi scrivere la risposta dell'AI, ma puoi misurarla e orientare le fonti che la alimentano. Partiamo dal punto che separa la lettura tecnica dalla strategia: essere accessibili e persino essere citati non equivale a essere descritti bene. L'accessibilità dei dati è il prerequisito; l'accuratezza dipende da chiarezza dell'entità e corroborazione esterna. Accesso, citazione e accuratezza sono tre cose diverse.

Misurare lo Share of model

La parte misurabile della citabilità AI esiste e ha un nome. La letteratura di marketing parla di Share of Model: ripetendo query di esplorazione e comparazione sui principali motori, si misurano tre cose:

• quante volte vieni menzionato
• in che posizione
• con quale sentiment.

È la base per fotografare il divario tra come ti racconti e come vieni descritto.

Un brand chiaro, coerente, autorevole

Sul fronte dell'influenza, la leva è indiretta ma concreta: rendere l'entità brand chiara e coerente, presidiare le fonti terze autorevoli, aumentare la densità di fatti verificabili. Lo studio accademico fondativo sulla Generative Engine Optimization (Aggarwal et al., KDD 2024) ha quantificato l'effetto di queste scelte di contenuto: aggiungere statistiche pertinenti e citazioni di fonti ha migliorato la visibilità nelle risposte AI fino al 41% e al 28% sulle metriche misurate. È un dato sull'aggiunta di contenuto sostanziale, non su trucchi formali: la differenza è tutta lì.

Non tentare di manipolare le risposte AI

Esistono scorciatoie, come inserire istruzioni nascoste nei contenuti per manipolare il modello, che non sono legittime e pertanto non fanno parte del metodo Ensi Protocol. Meritano una trattazione a parte e con le dovute cautele. Allo stesso modo, intervenire di persona sulla propria pagina Wikipedia per "correggere" l'AI è quasi sempre controproducente: gli editing promozionali vengono annullati dalla community secondo le sue regole di neutralità, e il registro pubblico di quei tentativi può a sua volta diventare un segnale di inaffidabilità. La presenza enciclopedica si costruisce indirettamente, partendo da una copertura editoriale solida e fattuale.

Una nota di metodo

Non esiste, oggi, una percentuale unica e affidabile che dica "tot% delle citazioni viene dalle fonti terze". I numeri tondi che circolano provengono in larga parte da fonti di parte o non verificabili, e per questo non li abbiamo riportati. Quello che le ricerche indipendenti mostrano con solidità è la tendenza generale, non una regola universale. Inoltre, siamo in una fase iniziale della disciplina GEO: i modelli cambiano, e ciò che vale oggi potrebbe cambiare in futuro. È esattamente questo che rende il monitoraggio continuo, e non lo scatto una tantum, l'unico approccio sensato.

Ensi Protocol si occupa di questo: rendere un brand leggibile, chiaro e citabile dai sistemi AI, e misurare come questi lo percepiscono. Where brands become sources.

Il primo passo è semplice e si fa una volta sola: scoprire cosa dicono di te oggi. Vuoi sapere cosa dicono di te le AI?