In sintesi. Abbiamo analizzato 617 domande provenienti da audit reali, poste in media a 4,3 modelli. Nel 23% delle domande almeno un modello ha citato il brand e almeno un altro non lo ha fatto. I brand avevano scelto di sottoporsi all’audit, quindi il campione non è rappresentativo di tutti i brand. Il risultato descrive differenze osservate, non la loro causa né la veridicità di ogni risposta.
Cosa misura esattamente il 23%
Il calcolo riguarda un evento preciso: la presenza di un brand nel testo di una risposta. Per ogni domanda verifichiamo separatamente il risultato prodotto da ciascun modello interrogato. Si registra un disaccordo quando almeno un modello cita il brand e almeno un altro non lo cita. Il 23% indica dunque la quota delle 617 domande che soddisfa questa definizione. L’unità conteggiata è la domanda, non la singola risposta o il brand.
Questa definizione è volutamente circoscritta e impedisce una scorciatoia interpretativa. Non misura la qualità complessiva, il tono, la lunghezza, l’ordine di una raccomandazione o l’accuratezza di tutte le affermazioni. Una risposta può citare un’azienda con prudenza, in modo errato o fuori tema. Un’altra può ometterla e restare comunque utile. La presenza del nome è soltanto una caratteristica: gli altri aspetti richiedono letture e verifiche distinte.
Perché un solo modello offre una misura parziale
Un modello non è un canale perfettamente intercambiabile con un altro. Ponendo una domanda a un solo sistema, otteniamo un’osservazione in condizioni determinate: quel modello, quel momento, quella modalità di risposta e quella formulazione. Se un altro sistema non cita il brand, ciò non rende falsa la prima risposta. Mostra invece che la presenza osservata dipende anche dalla condizione in cui viene effettuata la misurazione.
Una schermata isolata può essere un segnale utile per avviare un controllo, ma è una base fragile per una conclusione generale. Chi vuole confrontare situazioni diverse dovrebbe mantenere le stesse domande e annotare il modello utilizzato. Anche la data e la modalità fanno parte del contesto. Senza questi riferimenti, due risultati apparentemente contraddittori possono semplicemente descrivere prove differenti, non una contraddizione all’interno della stessa misurazione.
Meccanismi plausibili non sono cause dimostrate
Diversi meccanismi potrebbero contribuire a risposte differenti: corpora e date di aggiornamento distinti, regole di risposta, selezione delle fonti, formulazione della domanda oppure disponibilità della ricerca web. Sono ipotesi plausibili, non spiegazioni confermate. Le 617 domande consentono di contare il disaccordo definito, ma non di isolare una causa unica né di attribuire uno scarto a una decisione specifica di un fornitore.
Un’omissione in una risposta non dimostra un’assenza generale; una citazione isolata non dimostra nemmeno una presenza stabile.
Ricerca web e modalità nativa sono contesti distinti
Fonte: il nostro Barometro 2026, con dati raccolti da settembre 2025 a giugno 2026. La tabella riguarda il sottocampione di 63 audit che misurano entrambe le modalità, non le 617 domande di questo studio né l’edizione attuale dell’Osservatorio.
| Condizione di risposta | Punteggio medio di visibilità (/100) | Audit confrontati |
|---|---|---|
| Nativa, senza ricerca web | 63,4 | 63 |
| Con ricerca web | 70,5 | 63 |
| Differenza web meno nativa | 7,1 | 63 |
La differenza è di 7,1 punti di punteggio, non del 7,1% di presenza. Non è una media applicabile a ogni brand. La modalità nativa misura una risposta senza recupero web esterno attivato, non l’inclusione dimostrata di un brand nei dati di addestramento.
Esaminare le fonti senza sovrainterpretarle
Le risposte possono utilizzare segnali e fonti differenti. Il nostro studio sulle fonti elenca famiglie osservate in audit separati e offre spunti per controlli concreti. Per esempio, può essere utile verificare la coerenza tra le informazioni pubblicate dal brand e quelle diffuse da terzi. Questo lavoro può far emergere punti da chiarire, ma non ricostruisce da solo il percorso causale di una risposta né spiega tutte le citazioni e le omissioni.
Un URL che non si risolve non costituisce mai, da solo, la prova che un’informazione sia stata inventata. La pagina potrebbe essere stata spostata, l’indirizzo potrebbe reindirizzare altrove, l’accesso potrebbe essere limitato, potrebbe esserci un problema temporaneo o un errore di trascrizione. Occorre conservare l’URL, verificarne lo stato e leggere l’affermazione nel contesto. Solo questi passaggi permettono di concludere qualcosa su un elemento effettivamente verificato.
Come documentare un audit su più modelli
Per rendere il confronto utilizzabile, ogni scheda dovrebbe conservare la domanda esatta, la lingua, il modello, la modalità di risposta, la data di raccolta, il testo integrale e l’esito di presenza. Quando disponibili, vanno aggiunte anche le fonti mostrate, senza trattarle come prova di causalità. Questa documentazione consente di tornare dal valore aggregato ai casi che lo compongono e di verificare quali condizioni sono state realmente confrontate.
- Confrontate domande con lo stesso intento: raccomandazione, confronto e bisogno specifico non sono intercambiabili.
- Mantenete stabile la formulazione quando l’obiettivo è seguire una variazione nel tempo.
- Leggete le risposte prima di riassumere un tasso, soprattutto quando i modelli divergono sulla presenza.
- Distinguete presenza, accuratezza, tono e fonti nell’interpretazione, perché richiedono controlli differenti.
Conservate anche i parametri disponibili e le fonti così come erano mostrate alla raccolta. Un’altra persona deve poter capire perché due risposte abbiano ricevuto etichette di presenza diverse. Una casella non conserva riserve e contesto: mantenete il testo integrale.
Leggere il 23% al livello corretto
Inoltre, un valore aggregato può nascondere una distribuzione disomogenea. Alcuni brand o alcune tipologie di domande potrebbero concentrare molte divergenze, mentre altri restano stabili nelle risposte raccolte. Il solo 23% non rivela quale distribuzione esista. Per verificarla bisogna esaminare i dati dettagliati, mantenendo invariata la definizione dell’indicatore così che i gruppi restino confrontabili.
Quali decisioni può orientare questa misura
La nostra posizione: un audit su un solo modello non basta per valutare la visibilità tra modelli. Il 23% delle domande con disaccordo giustifica questa posizione, ma non impone un numero universale di modelli. Una schermata favorevole non convalida il quadro completo.
Partite dalle domande commerciali rilevanti per il brand. Ripetete la formulazione esatta su più modelli, separate modalità nativa e web ed esaminate prima i casi divergenti. Per ciascuno, annotate cosa manca, cosa è inesatto e cosa il brand può correggere con una fonte verificabile. È il nostro metodo di lavoro consigliato, non un effetto misurato da questo studio.
Seguire i cambiamenti senza inventare una tendenza
I modelli e le loro risposte cambiano. Ripetere un insieme di domande aiuta a confrontare le osservazioni, a condizione di non modificare contemporaneamente domanda, lingua, modello e modalità. Se cambiano più condizioni insieme, la differenza resta osservabile, ma diventa difficile attribuirla. La tracciabilità di ogni raccolta è quindi più utile di una dashboard che riduca tutti i dettagli a una sola curva.
Il monitoraggio non promette una traiettoria e due punti non costituiscono automaticamente una tendenza consolidata. Si può osservare un aumento o una diminuzione senza che ciò dimostri l’effetto di un’azione recente. Per collegare un cambiamento a un’ipotesi occorre registrare le modifiche, conservare le risposte e verificare che il perimetro confrontato sia coerente. Risultato osservato e spiegazione devono rimanere distinti.
Limiti da mantenere visibili
Le 617 domande provengono da brand che hanno scelto di essere sottoposti ad audit. Questa partecipazione volontaria costituisce un limite di selezione: il campione non è rappresentativo di tutti i brand. La media di 4,3 modelli descrive le condizioni di questa raccolta, non una regola per ogni studio. Infine, il disaccordo riguarda soltanto la presenza del brand, non tutte le dimensioni di una risposta.
Conclusione: casi e distribuzioni prima degli slogan
La nostra priorità è rendere verificabili le divergenze prima di avviare correzioni. Conservate il caso, individuate l’informazione da controllare e ripetete il confronto in condizioni documentate. È più utile di un punteggio isolato per decidere cosa esaminare.
Per approfondire, consultate il Barometro 2026, lo studio sulle fonti citate dalle IA, la metodologia AGS, l’Osservatorio e la guida per auditare la visibilità di un brand. Queste risorse aiutano a documentare le osservazioni senza trasformare un valore aggregato in una spiegazione causale.
Domande e risposte
Le diverse IA danno la stessa risposta su un brand?
No. Su 617 domande poste a più modelli, nel 23% dei casi almeno un modello cita il brand e un altro no. La presenza nelle IA dipende dal modello interrogato.
Perché ChatGPT, Gemini e Claude non concordano sul mio brand?
Perché hanno memorie di addestramento ferme a date diverse, alcuni navigano sul web e altri no, e non si basano sulle stesse fonti (LinkedIn, Wikipedia, recensioni, registri).
Basta un audit solo su ChatGPT?
No: misura una realtà su quattro. I tuoi clienti usano anche Gemini, Claude o Perplexity. Un audit affidabile interroga più modelli e ragiona in termini di distribuzione, con intervalli di confidenza.
Come misurate questo disaccordo?
Per ogni domanda posta ad almeno due modelli, rileviamo se il brand compare davvero in ogni risposta, poi contiamo le domande in cui i modelli divergono (uno lo cita, l'altro no).
Agenzie, consulenti e team interni: confrontate le risposte ai vostri scenari, nelle lingue e con i modelli selezionati. La nostra infrastruttura, i vostri scenari, la vostra esperienza.