Misurare la visibilità nelle risposte AI: metriche e metodo

“Quanto siamo visibili su ChatGPT?” è una domanda che fino a poco tempo fa non aveva una risposta seria. Oggi ce l’ha, a patto di usare metriche precise e un metodo di rilevazione onesto. E il metodo conta più dello strumento: una ricerca pubblicata nel 2026 mostra che le classifiche di visibilità AI lette una volta sola sono in gran parte rumore statistico¹. In questo articolo descrivo come misuro la visibilità nei motori di risposta AI per i miei clienti: le metriche quantitative e qualitative, la costruzione del set di domande, le due condizioni in cui interrogare i modelli, quante risposte servono perché un confronto abbia senso e gli errori che rendono inutili molte misurazioni fai da te.

Le tre metriche di base

Metrica	La domanda a cui risponde	Perché conta
Presenza	Il brand viene nominato nella risposta?	Dice se i modelli ti considerano parte del tuo mercato: la percentuale di risposte in cui compari sul set di domande rilevanti
Citazione	Il tuo sito è tra le fonti della risposta?	Vale più della menzione: porta un link, qualifica il sito come riferimento e tende a rafforzarsi nel tempo
Share of voice	Che quota delle menzioni ti prendi rispetto ai concorrenti?	È la metrica più utile per decidere: mette la tua presenza in rapporto a quella di chi compete con te

Due precisazioni cambiano il valore di questi numeri. Sulla presenza c’è una regola che sembra un dettaglio e non lo è: la menzione conta solo se la domanda non nomina il brand. Se chiedo “meglio X o Y?” e la risposta parla di X, il modello sta eseguendo la consegna, non è visibilità guadagnata. Insieme alla presenza registro anche la posizione della prima menzione: aprire una risposta che elenca cinque operatori vale più che chiuderla.

Sulla share of voice (alcuni strumenti la chiamano “share of model”): una presenza del 30% vale poco se un competitor è al 70%, e molto se il resto del mercato è frammentato al 5%. E va letta motore per motore, non solo aggregata: si può essere primi su Google e invisibili su ChatGPT, o dominare su ChatGPT e non esistere su Perplexity, perché ogni sistema recupera e cita le fonti con logiche proprie².

Come sei descritto: quello che le percentuali non dicono

Due brand con la stessa presenza possono trovarsi in situazioni opposte: uno raccomandato esplicitamente con descrizioni ricche, l’altro liquidato in un elenco o menzionato con riserve. Per questo ogni menzione va giudicata anche nel merito, su tre dimensioni:

Dimensione	La domanda	Come si giudica
Tono	Sei raccomandato, presentato positivamente, elencato in modo neutro o accompagnato da riserve?	Con una classificazione fissa, dallo “sconsigliato esplicitamente” al “raccomandato come scelta migliore”
Profondità	Sei solo un nome in un elenco, una frase su cosa fai e per chi, o un approfondimento con dettagli e casi d’uso?	Una menzione secca e una raccomandazione argomentata non valgono uguale
Accuratezza	Quello che la risposta dice di te è vero?	Contro una scheda dei fatti compilata prima della misurazione (identità, offerta, geografia, concorrenti reali), non a memoria e non a sensazione

L’accuratezza merita un passaggio in più, perché è il terreno degli errori più dannosi. Oltre alle risposte alle domande di mercato, chiedo a ogni motore un profilo completo dell’azienda e lo confronto con la scheda dei fatti, dimensione per dimensione. Gli scostamenti si classificano per gravità: un’informazione imprecisa o datata sfuoca il posizionamento; un’identità confusa con un’altra azienda, un’offerta sbagliata o concorrenti fuorvianti lo danneggiano, e vanno trattati come criticità, ciascuna con l’evidenza testuale che la prova.

Un vincolo vale su tutta questa parte: i giudizi si danno leggendo solo il testo della risposta, su scale scritte prima e versionate. Se le scale cambiano, il confronto qualitativo con le rilevazioni precedenti si sospende e lo si dichiara, altrimenti si finisce per confrontare metri diversi.

Costruire il set di domande

La misurazione vale quanto il set di domande su cui la fai. I criteri che uso:

• Domande vere, non slogan: quello che un cliente chiederebbe davvero a un’AI (“qual è il miglior gestionale per uno studio dentistico?”), non le keyword secche della SEO.
• Copertura per tipo e per stadio: domande sulla categoria, sui verticali, su funzionalità e settori specifici, distribuite lungo il percorso di acquisto, da “che cos’è X?” a “quanto costa Y?”. I modelli si comportano in modo diverso su ciascuna, e un set sbilanciato racconta una storia parziale.
• Il brand mai nelle domande di visibilità: chiedere “quanto è bravo il brand X?” inquina la misura. Le domande comparative che nominano il brand si possono includere, ma con un ruolo dichiarato: servono al confronto diretto con un competitor e restano fuori dal calcolo di presenza e share of voice.
• Un set stabile, con identificativi stabili: le stesse domande a ogni rilevazione, ognuna con un suo id che non cambia mai; le domande nuove si aggiungono in coda, quelle ritirate si tolgono senza riciclarne l’id. Sembra pignoleria, ed è quello che rende leggibili le serie storiche.

Quante? Nei miei progetti tra le 15 e le 30: abbastanza da coprire tipi e stadi diversi, poche abbastanza da poterle ripetere più volte a ogni rilevazione senza far esplodere i costi.

A memoria o cercando sul web: due condizioni di misura

Ogni domanda si può porre in due condizioni. Nella prima il modello risponde solo con quello che ha imparato durante l’addestramento; nella seconda ha a disposizione la ricerca web e decide da solo se e quanto usarla, che è il comportamento normale di ChatGPT e degli altri assistenti. In gergo le due condizioni si chiamano parametric e grounded³; Perplexity fa eccezione, perché cerca sul web per costruzione.

Il confronto tra le due è la parte più diagnostica dell’intera misurazione, perché dice da dove nasce un problema e con quali tempi si può correggere:

	A memoria (parametric)	Cercando sul web (grounded)
Cosa misura	Quanto il brand è entrato nella conoscenza del modello	Cosa dicono le fonti online in quel momento
Se l’errore compare qui	Sta nei pesi del modello	Sta in una fonte web sbagliata o datata
Come si corregge	Lavorando sulla coerenza delle fonti che i modelli leggeranno in addestramento	Individuando e correggendo la fonte che alimenta l’errore
Quando si vede l’effetto	Ai cicli di addestramento successivi	In tempi molto più brevi, tipicamente settimane

C’è anche un dettaglio di efficienza: finché i modelli restano gli stessi, la risposta a memoria non può cambiare tra una rilevazione e l’altra, perché dipende solo dai pesi. La misuro una volta per ogni versione dei modelli; nelle rimisure periodiche ripeto solo la parte con ricerca web, che è quella che si muove.

Quanto rumore c’è in questi numeri

Chi ripete la stessa domanda a un motore AI ottiene risposte diverse: i modelli sono costruiti per variare, e ogni citazione è una delle tante possibili. SparkToro ha misurato che gli strumenti AI restituiscono una lista di brand diversa in oltre il 99% dei casi in cui si ripete la stessa domanda⁴. La domanda giusta quindi non è “chi è primo?”, ma “quante risposte servono prima che una classifica significhi qualcosa?”.

Un preprint del 2026 firmato da Ron Sielinski (IQRush) affronta esattamente questo punto¹. Un esempio dal suo lavoro precedente rende l’idea: interrogando SearchGPT (la modalità di ricerca di ChatGPT) sull’attrezzatura da corsa, Tom’s Guide raccoglieva circa il 9,5% delle citazioni e Runner’s World il 6%; sulla dashboard il primo sembrava davanti, ma con una sola serie di rilevazioni i margini di errore si sovrapponevano, e affermare che uno superasse l’altro non era corretto.

La proposta del paper è un criterio per decidere quando fidarsi: una classifica è affidabile solo quando valgono due condizioni insieme.

1. L’ordine ha smesso di cambiare. Con poche risposte raccolte, ogni risposta in più può rimescolare le posizioni: chi era secondo passa primo, chi era quarto sale. Quando la classifica resta uguale anche continuando ad aggiungere risposte, il campione comincia a bastare.
2. I distacchi sono più ampi del margine di errore. Ogni percentuale misurata su un campione porta con sé un’incertezza, come nei sondaggi elettorali: se due partiti sono dati al 24% e al 23% con un margine di ±3 punti, non c’è nessun sorpasso, è un pareggio statistico. È quello che succedeva a Tom’s Guide e Runner’s World nell’esempio sopra: finché i margini si sovrappongono, l’ordine in classifica non distingue davvero i due siti.

Se manca anche una sola delle due, la classifica non è ancora una misura: è una fotografia mossa. Nei 30 test piattaforma-argomento dello studio servivano da 33 a 94 risposte utili (contando solo quelle con citazioni) perché entrambe fossero soddisfatte; in 3 casi su 30, tutti su SearchGPT, la classifica non si è stabilizzata nemmeno dopo 125 domande. Non esiste quindi una soglia universale, e lo stesso numero di risposte non compra la stessa confidenza su motori diversi: Gemini tende a concentrare le citazioni sugli stessi siti dentro una risposta, SearchGPT le distribuisce, e ogni sua risposta porta più informazione indipendente. Anche in cima alla classifica la precisione è relativa: il margine di errore tipico su un sito in top 10 era di circa cinque posizioni, e in un caso su cinque superava le dieci. Dei primi ci si può fidare; delle posizioni esatte a metà classifica no.

Le cautele: è un preprint, non ancora sottoposto a revisione, costruito su domande generate artificialmente. Ma un secondo gruppo, tre ricercatori dell’Università di San Gallo, è arrivato nello stesso periodo alla stessa conclusione su dati propri: una singola lettura non è affidabile, bisogna campionare ripetutamente¹.

Per chi compra o vende misurazioni di visibilità AI le conseguenze sono concrete. Un numero letto una volta è un’istantanea, non una misura; un numero “pulito”, senza intervallo, è un campanello d’allarme più che una rassicurazione; e un +3% dopo un intervento sui contenuti può rientrare nella variabilità naturale tra rilevazioni successive: per attribuirlo all’intervento servono più letture prima e più letture dopo.

Il metodo di rilevazione

Il metodo che uso discende da tutto questo: ogni domanda viene posta più volte a ogni rilevazione, su più motori (ChatGPT, Gemini, Claude, Perplexity, più le AI Overviews di Google, rilevate a parte su un paniere di ricerche), a cadenza regolare. I risultati si aggregano in percentuali di presenza e citazione per motore e in una share of voice complessiva rispetto ai competitor definiti in partenza. Insieme ai numeri registro le condizioni della misura: quali modelli, quante domande, quale versione delle scale di giudizio. Così ogni rilevazione futura è confrontabile, o dichiara esplicitamente di non esserlo.

La prima rilevazione è la baseline: da sola dice già molto (dove sei forte, dove non esisti, chi domina le risposte del tuo settore), ma il suo valore vero emerge nei mesi successivi, quando misura l’effetto degli interventi. E il trend tra una rilevazione e l’altra ha una soglia di rumore dichiarata, sotto la quale una variazione non è una notizia.

Gli errori più comuni

L’errore	Perché invalida la misura
Misurare una volta sola, magari con una domanda	La variabilità documentata sopra rende il dato singolo quasi privo di valore
Misurare un solo motore	Ogni sistema recupera e cita con logiche proprie: essere forti su uno non dice nulla sugli altri
Contare le menzioni ottenute nominando il brand nella domanda	Gonfiano presenza e share of voice senza misurare niente
Non distinguere memoria e ricerca web	Le due condizioni si correggono con leve e tempi diversi: mescolarle rende impossibile ogni diagnosi
Ignorare i competitor	La presenza assoluta, senza confronto, non dice se stai vincendo o perdendo
Cambiare le domande a ogni giro	Ogni modifica al set azzera la comparabilità con le rilevazioni precedenti
Attribuire ogni variazione all’ultimo intervento	Senza più letture prima e dopo, un +3 è indistinguibile dal rumore

L’altra faccia della misura: il traffico che le AI ti mandano

La visibilità nelle risposte è una faccia della misura; l’altra è il traffico che i motori AI portano già al sito, e si rileva con gli strumenti di analytics che usi ora. I volumi sono quasi sempre piccoli in proporzione, ma le fonti concordano sulla qualità. I dati di clickstream di Similarweb, su base ampia, danno le visite in arrivo da ChatGPT a un tasso di conversione intorno al 7%, sopra la ricerca organica e non lontano dal traffico a pagamento⁵; i casi aziendali sono anche più netti: Ahrefs riporta che la ricerca AI vale lo 0,5% dei suoi visitatori ma il 12,1% delle iscrizioni, Webflow ha misurato sul traffico da ChatGPT una conversione del 24%, sei volte quella del traffico da Google² (aziende con un pubblico che vive di strumenti digitali: nel tuo settore i numeri saranno diversi). Il punto resta: chi arriva da una risposta AI ha già ricevuto una raccomandazione.

Rilevarlo bene, però, richiede un minimo di cura. GA4 ha introdotto a maggio 2026 un canale nativo “AI Assistant”, ma letto da solo sottostima: l’elenco delle piattaforme che Google riconosce cambia nel tempo (Perplexity, a oggi, non c’è e finisce tra i Referral), e lo stesso referrer può spargersi su tre canali diversi, AI Assistant, Referral e Unassigned, perché i browser interni delle app AI spesso non passano il medium⁵. La soluzione è un gruppo di canali personalizzato che raggruppa per sorgente, ignorando il medium: riunifica i frammenti, recupera retroattivamente lo storico e include le piattaforme che Google lascia fuori.

Anche così, il numero va dichiarato per quello che è: il traffico delle sorgenti AI identificabili. Le visite dalle app senza referrer finiscono in Direct, e i click dalle AI Overviews di Google vengono conteggiati come ricerca organica: una parte del fenomeno resta invisibile a qualsiasi canale. È una misura utile e quasi gratuita, non la misura dell’influenza totale delle AI: essere raccomandati a qualcuno che poi non clicca non lascia traccia nell’analytics.

Dal numero all’azione

La misura serve solo se orienta il lavoro. Le letture che uso più spesso:

Cosa emerge dalla misura	Cosa fare
I competitor compaiono su domande dove tu non ci sei	Creare o ristrutturare i contenuti su quei temi
Le risposte ti nominano senza citare il sito	Rafforzare l’autorevolezza e la citabilità delle pagine
Le descrizioni del brand sono sbagliate	Correggere alla fonte: la pagina che alimenta l’errore se nasce dal web, la coerenza delle fonti se nasce dalla memoria dei modelli
I motori citano sempre le stesse fonti terze sul tuo mercato	Presidiare quelle pagine: valgono più di una menzione generica
Su alcuni temi nessuno domina	Occuparli: è lo spazio più facile da conquistare

I tempi vanno dichiarati insieme alle azioni: gli interventi sulle fonti web tendono a mostrare effetti nel giro di settimane nelle risposte con ricerca; le correzioni della conoscenza a memoria dei modelli si vedono solo ai cicli di addestramento successivi. Prometterle per il mese prossimo non è metodo, è marketing.

Se vuoi sapere qual è oggi la tua baseline, scrivimi: la prima rilevazione di presenza, citazioni e share of voice è il punto di partenza di ogni mia consulenza GEO/AEO.

Fonti

1. Ron Sielinski (IQRush), preprint arXiv:2607.10341 (2026), che estende il precedente arXiv:2603.08924 sulla variabilità delle citazioni; ripresi da Matt G. Southern, “AI Visibility Rankings Aren’t Stable – New Research Shows It’s Mostly Statistical Noise”, Search Engine Journal (luglio 2026): searchenginejournal.com. La conclusione sulla necessità di campionare ripetutamente è confermata, su dati indipendenti, da Julius Schulte, Malte Bleeker e Philipp Kaufmann (Università di San Gallo), “Don’t Measure Once: Measuring Visibility in AI Search (GEO)”, arXiv:2604.07585 (2026). ↩ ↩² ↩³

2. Maja Voje, “AEO: How to Make AI Recommend Your Product”, GTM Strategist (aprile 2026): knowledge.gtmstrategist.com. I dati di conversione di Ahrefs e Webflow sono riportati lì dalle aziende stesse. ↩ ↩²

3. Parametric indica la conoscenza codificata nei parametri (i pesi) del modello durante l’addestramento: la distinzione tra memoria parametrica e non parametrica è formalizzata in Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, arXiv:2005.11401 (2020). Grounding è il termine con cui i fornitori chiamano l’ancoraggio delle risposte alla ricerca in tempo reale: è il nome ufficiale della funzione Grounding with Google Search dell’API Gemini. ↩

4. SparkToro (Rand Fishkin), studio sulla variabilità delle raccomandazioni AI, ripreso da Search Engine Journal, “AI Recommendations Change With Nearly Every Query”: searchenginejournal.com ↩

5. Itamar Blauer, “GA4’s AI Assistant Channel Undercounts Your AI Traffic: How To Build One That Doesn’t”, Search Engine Journal (2026): searchenginejournal.com. Il dato sulla conversione dei referral ChatGPT viene dai dati di clickstream di Similarweb: similarweb.com ↩ ↩²