Cosa dovrebbe misurare un audit di visibilità AI?

La visibilità del marchio nella ricerca AI è spesso ridotta a una sola domanda: ChatGPT, Google AI Overviews o Perplexity menzionano l'azienda?

Questa è un'osservazione utile come primo passo, ma è uno standard troppo superficiale per un audit.

Un marchio può apparire frequentemente ma essere assegnato alla categoria sbagliata. Può essere citato come fonte senza essere raccomandato come fornitore. Può essere rappresentato accuratamente in una formulazione di una domanda e scomparire dopo una leggera modifica nella formulazione. Un sistema può anche ripetere informazioni obsolete in modo costante, confondere due entità simili o attribuire una caratteristica a un prodotto che non l'ha mai offerta.

Un audit di visibilità AI professionale dovrebbe quindi esaminare cinque domande separate:

• Il marchio è presente?

• Quale ruolo gli viene assegnato?

• Quali fonti visibili supportano la sua rappresentazione?

• Le affermazioni sono accurate?

• Il risultato persiste attraverso le esecuzioni, i prompt, le piattaforme e il tempo?

Una menzione è un'osservazione. Un audit affidabile spiega la rappresentazione dietro di essa.

Questo articolo definisce quelle cinque dimensioni. Il prossimo articolo della serie spiega come eseguire un audit di visibilità AI attraverso le superfici di ricerca AI pubbliche.

Un audit di visibilità AI non è un controllo dei prompt

La forma più semplice di test di visibilità AI di solito segue quattro passaggi:

1. preparare un elenco di domande;

2. inserirle in diversi sistemi di risposta;

3. contare quante volte appare il marchio;

4. confrontare il totale con i concorrenti.

Questo può rivelare assenze o errori evidenti. Non stabilisce perché sono state selezionate le domande, quali intenzioni commerciali rappresentano, se la ricerca web era attiva, se le esecuzioni sono state ripetute o se il marchio è apparso come raccomandazione, fonte o esempio incidentale.

Rischia anche di trattare un output probabilistico come un risultato stabile.

In Quantifying Uncertainty in AI Visibility, Ronald Sielinski ha testato campioni ripetuti da Perplexity Search, OpenAI SearchGPT e Google Gemini. Le distribuzioni delle citazioni variavano sostanzialmente tra misurazioni giornaliere e ad alta frequenza, e alcune apparenti differenze tra i domini rientravano nel rumore statistico del processo di misurazione. Il documento è un preprint del 2026, quindi i suoi risultati numerici richiedono ulteriori repliche, ma sfida direttamente i report di visibilità a singola esecuzione.

Don’t Measure Once: Measuring Visibility in AI Search raggiunge la stessa conclusione più ampia: le risposte possono variare tra esecuzioni, prompt e tempo, quindi la visibilità dovrebbe essere trattata come una distribuzione di possibili risultati piuttosto che come un rango fisso.

Questo non implica un numero universale di ripetizioni. La dimensione del campione dovrebbe dipendere dalla piattaforma, dallo scenario e dalla variabilità osservata. Supporta però una regola minima:

Un audit in cui ogni prompt viene eseguito solo una volta è una raccolta di osservazioni illustrative, non una misurazione affidabile della stabilità della visibilità.

Il modello di audit di rappresentazione AI 5P

Brand Semantics utilizza il modello di audit di rappresentazione AI 5P:

1. Presenza

2. Posizione

3. Provenienza

4. Precisione

5. Persistenza

Le preoccupazioni sottostanti non sono nuove. La ricerca GEO, pubblicata successivamente al KDD 2024, ha formalizzato misure di visibilità e posizionamento per risposte generative. Ricerche successive hanno esaminato la misurazione ripetuta, il supporto delle citazioni e l'affidabilità a livello di affermazione.

Elementi comparabili appaiono anche nelle metodologie pratiche. Il Five Layers of AI Brand Knowledge di David Cosgrove copre il riconoscimento delle entità, l'accuratezza fattuale, il posizionamento, le lacune di conoscenza e l'attribuzione delle fonti. Il AI Search Visibility Score di Digital Applied include Posizione e Persistenza, anche se li definisce in modo più ristretto e li combina in un punteggio composito. Anche Yotpo utilizza il termine brand persistence per visibilità ripetuta attraverso le sessioni.

Il valore del modello 5P risiede nell'integrare queste preoccupazioni come cinque dimensioni operativamente separate di un audit focalizzato sulla rappresentazione. Non afferma che menzioni, posizionamento, provenienza, accuratezza o stabilità siano stati scoperti di recente.

Presenza: il marchio appare?

La presenza è il livello più basilare. Stabilisce se il marchio, il prodotto, il dominio o l'entità correlata appare nella risposta.

Le misure utili includono:

• tasso di menzione negli scenari rilevanti;

• copertura delle piattaforme;

• presenza del prodotto;

• co-occorrenza del marchio e della sua categoria;

• presenza in domande brandizzate e non brandizzate.

Un audit utile dovrebbe distinguere almeno quattro forme di presenza:

• presenza sollecitata — il marchio appare perché la domanda lo nomina;

• presenza spontanea — il marchio appare in una categoria, problema o scenario di raccomandazione senza essere nominato;

• presenza solo fonte — il dominio è citato, ma il marchio è assente dal testo della risposta;

• presenza solo prodotto — un prodotto è menzionato senza un chiaro collegamento con il marchio genitore.

Questo è importante perché un marchio riconosciuto quando esplicitamente richiesto non è necessariamente scopribile in scenari decisionali non brandizzati.

Il tasso di menzione non è quindi quota di mercato, probabilità di raccomandazione o valore commerciale. È un'osservazione sull'inclusione.

Posizione: quale ruolo viene assegnato al marchio?

La posizione è più ampia della posizione fisica di un nome di marchio nella risposta. Copre:

• il ruolo assegnato al marchio;

• stato di raccomandazione;

• assegnazione di categoria;

• idoneità per casi d'uso particolari;

• relazione comparativa con i concorrenti;

• prominenza all'interno della risposta.

Una tassonomia pratica può includere:

• raccomandazione primaria;

• raccomandazione secondaria;

• inclusione nella lista corta;

• esempio di categoria;

• fonte di informazione;

• menzione di sfondo;

• cautela o confronto negativo;

• inclusione irrilevante;

• confusione delle entità.

Un marchio menzionato nel 70% delle risposte ma quasi sempre solo come fonte ha un problema di visibilità diverso rispetto a un marchio presente nel 30% delle risposte ma regolarmente presentato come la raccomandazione più forte.

Questo è il motivo per cui la posizione non dovrebbe essere ridotta a quanto presto appare una menzione. L'ordine testuale può essere utile, ma non cattura categoria, ruolo o stato di raccomandazione.

Provenienza: quali fonti visibili plasmano la risposta?

La provenienza riguarda l'ambiente delle fonti osservabili attorno a una risposta.

Un audit può stabilire:

• quali domini sono citati;

• quali fonti appartengono al marchio;

• quali provengono da media, directory, forum, partner o concorrenti;

• se le fonti sono attuali;

• se una pagina citata riguarda l'entità corretta;

• se supporta l'affermazione specifica ad essa attribuita;

• se diverse piattaforme si basano su ecosistemi di fonti differenti.

Il termine preciso è provenienza visibile. Un'interfaccia che visualizza diversi link non rivela ogni documento considerato o il completo processo di recupero interno. L'assenza di una citazione non prova nemmeno che nessuna informazione esterna abbia contribuito alla risposta.

La provenienza non è quindi sinonimo di conteggio delle citazioni. Dovrebbe includere tipo di fonte, indipendenza, attualità, corrispondenza dell'entità, contraddizioni e supporto a livello di affermazione.

Il preprint From Citation Selection to Citation Absorption separa la selezione di una pagina citata dal grado in cui quella pagina contribuisce linguaggio, prove, struttura o supporto fattuale alla risposta finale. Attraverso 602 prompt e più di 21.000 citazioni a livello di ricerca, gli autori hanno scoperto che la varietà di citazioni e la profondità misurata dell'influenza possono divergere. Lo studio non giustifica un ranking permanente delle piattaforme, ma supporta la misurazione del contributo delle fonti separatamente dal volume delle citazioni.

Precisione: le affermazioni sono accurate?

La precisione riguarda l'accuratezza fattuale e semantica delle affermazioni sull'entità auditata. Non dovrebbe essere confusa con la precisione delle citazioni, che valuta le citazioni piuttosto che la verità della rappresentazione del marchio.

Una risposta dovrebbe essere scomposta in affermazioni atomiche.

La frase:

“L'azienda X è una piattaforma SaaS britannica che offre analisi predittive nel suo piano base”

contiene almeno quattro affermazioni:

1. L'azienda X è una piattaforma SaaS.

2. L'azienda X è britannica.

3. Offre analisi predittive.

4. La funzione è disponibile nel piano base.

Ognuna di esse può essere vera, falsa, obsoleta, parzialmente vera, non verificabile, mancante di un'importante limitazione o attribuita all'entità sbagliata.

Il DeepTRACE framework applica un'analisi a livello di affermazione e costruisce matrici che collegano affermazioni, citazioni e supporto fattuale. I suoi autori hanno scoperto che le risposte generative e le risposte di ricerca approfondita possono contenere proporzioni materiali di affermazioni non supportate dalle loro fonti elencate. Il documento è un preprint e parte della sua valutazione ha utilizzato un giudice basato su modelli validato contro valutazioni umane, ma il metodo a livello di affermazione è direttamente rilevante per l'audit del marchio.

Le misure di precisione utili includono:

• accuratezza delle affermazioni;

• tasso di affermazioni non supportate;

• tasso di allucinazione;

• tasso di affermazioni obsolete;

• tasso di confusione delle entità;

• tasso di limitazione mancante;

• tasso di raccomandazioni non supportate.

Un tasso di allucinazione non può essere calcolato credibilmente senza una verità di riferimento definita. L'audit ha prima bisogno di una mappa delle affermazioni approvata, documentazione attuale sui prodotti, dati sui prezzi, dati organizzativi e altre fonti verificate.

Persistenza: la rappresentazione regge?

La persistenza è una dimensione ombrello per diverse forme di stabilità:

• stabilità delle esecuzioni ripetute;

• stabilità delle varianti di prompt;

• coerenza tra piattaforme;

• coerenza tra lingue;

• stabilità delle citazioni;

• stabilità delle affermazioni;

• persistenza temporale.

I metodi precedenti del settore utilizzano anche il termine, a volte in modo più ristretto. Digital Applied definisce la persistenza attraverso la continua presenza settimanale delle citazioni, mentre Yotpo applica la persistenza del marchio a sessioni ripetute. Il modello 5P la utilizza attraverso presenza, ruolo, fonti, affermazioni e concorrenti piuttosto che ridurla alla durata di una citazione.

Questa distinzione è importante perché un sistema può:

• menzionare il marchio in modo costante ma cambiare il suo ruolo;

• raccomandare il marchio in modo costante mentre cambia le sue prove;

• ripetere lo stesso errore fattuale in ogni esecuzione;

• rappresentare il marchio correttamente in inglese ma in modo errato in polacco;

• rimanere stabile all'interno di una piattaforma mentre diverge bruscamente altrove.

La stabilità non è accuratezza. Una rappresentazione inaccurata può essere altamente persistente.

Perché un punteggio di visibilità AI non è sufficiente

Un punteggio composito può essere utile per la reportistica esecutiva, ma è un cattivo sostituto per la diagnosi.

Un'alta presenza può coesistere con una bassa precisione. Un'alta persistenza può significare che un'affermazione falsa viene ripetuta costantemente. Una forte quota di citazioni può coesistere con una debole visibilità di raccomandazione. Un marchio può dominare le domande sollecitate mentre rimane assente da scenari di scoperta non brandizzati.

Combinare questi risultati in un solo numero nasconde il meccanismo che dovrebbe guidare l'azione.

Un cruscotto 5P può comunque utilizzare riassunti numerici, ma le cinque dimensioni dovrebbero rimanere visibili e separatamente interpretabili. L'audit dovrebbe rispondere non solo se la visibilità è alta o bassa, ma che tipo di visibilità esiste, se è accurata e quali prove la supportano.

Cosa non significa questo

Una menzione non è una raccomandazione

Un marchio può apparire come fonte, esempio o riferimento periferico. Il tasso di menzione non indica automaticamente la quota di raccomandazione.

Una citazione non è prova di assorbimento

Un link visibile non stabilisce quanto profondamente la pagina abbia influenzato la risposta. La selezione delle citazioni e l'assorbimento delle citazioni sono osservazioni diverse.

Nessuna citazione non prova nessun recupero

L'assenza di un link visibile non rivela il completo processo di generazione. Un audit valuta output osservabili e fonti visibili.

La stabilità non è accuratezza

Un sistema può ripetere costantemente un'affermazione obsoleta o falsa.

Un punteggio non rappresenta l'intero audit

L'aggregazione può nascondere un errore materiale, una raccomandazione instabile o una dipendenza da fonti.

La visibilità AI non prova l'impatto commerciale

La presenza nelle risposte può supportare decisioni di scoperta o acquisto, ma l'impatto sui ricavi richiede prove separate di traffico, conversione, attribuzione e qualitative.

Misura la rappresentazione, non solo la menzione

Un audit di visibilità AI non dovrebbe rispondere solo se un marchio appare in ChatGPT o Google AI Overviews.

Deve stabilire:

• dove appare il marchio;

• quale ruolo riceve;

• quali concorrenti lo circondano;

• quali fonti sono visibili;

• se quelle fonti supportano le affermazioni;

• se la rappresentazione è accurata;

• se il risultato persiste attraverso condizioni rilevanti.

Il modello 5P organizza quelle domande senza ridurre risultati materialmente diversi in un solo punteggio di visibilità.

Il passo successivo è metodologico: definire l'entità, costruire scenari di intenzione, selezionare le superfici di prodotto rilevanti e preservare prove sufficienti affinché i risultati possano essere esaminati. Questo processo è trattato in Come eseguire un audit di visibilità AI attraverso le piattaforme di ricerca AI.

Brand Semantics applica questa distinzione attraverso AI Strategic Consulting, collegando visibilità tecnica, analisi delle fonti, accuratezza delle affermazioni e monitoraggio della rappresentazione.

Fonti e note metodologiche

• Pranjal Aggarwal et al., GEO: Generative Engine Optimization, peer-reviewed al KDD 2024. Utilizzato per la formalizzazione iniziale di misure di visibilità e posizionamento nelle risposte generative.

• Ronald Sielinski, Quantifying Uncertainty in AI Visibility, preprint arXiv, rivisto a giugno 2026. Utilizzato per misurazioni ripetute, variabilità delle citazioni e incertezze.

• Julius Schulte, Malte Bleeker e Philipp Kaufmann, Don’t Measure Once, preprint arXiv, aprile 2026. Utilizzato per la visibilità come distribuzione attraverso esecuzioni, prompt e tempo.

• Zhang Kai, He Xinyue e Yao Jingang, From Citation Selection to Citation Absorption, preprint arXiv, aprile 2026. Utilizzato per la distinzione tra selezione delle citazioni, ampiezza e assorbimento misurabile.

• Pranav Narayanan Venkit et al., DeepTRACE, preprint arXiv, settembre 2025. Utilizzato per auditing a livello di affermazione e analisi del supporto delle citazioni.

• David Cosgrove, The Five Layers of AI Brand Knowledge; Digital Applied, AI Search Visibility Score; e Yotpo, Come fare un audit di ricerca AI per le menzioni del marchio. Questi materiali pratici documentano l'uso pubblico precedente di concetti sovrapposti; non sono una validazione indipendente di metriche proprietarie.

Nota metodologica: Il modello di audit di rappresentazione AI 5P è un framework organizzativo di Brand Semantics. Il suo contributo è l'integrazione e la separazione operativa di cinque preoccupazioni di audit consolidate. La terminologia non è ufficiale né standard accademico consolidato.