C’è una domanda che sta diventando sempre più frequente quando si parla di visibilità online: «Se qualcuno chiede a ChatGPT un consiglio su un prodotto o un servizio come il mio, la mia azienda viene menzionata?».
La curiosità è comprensibile. Se gli utenti iniziano a utilizzare gli assistenti AI anche per confrontare prodotti, scegliere fornitori e valutare alternative, sapere come viene rappresentata la propria azienda diventa rilevante.
Il problema è il modo in cui spesso si cerca di rispondere.
Si apre ChatGPT, si scrive qualcosa come «Quali sono le migliori aziende che si occupano di questo settore?» e si controlla se compare il proprio nome.
Se compare, tutto bene. Se non compare, bisogna fare GEO.
Magari si ripete il test su Gemini e Perplexity, si raccolgono tre screenshot e si presenta il risultato come un’analisi della visibilità AI.
Non considero questo approccio particolarmente utile.
Una risposta generata in un determinato momento non rappresenta necessariamente ciò che gli utenti vedranno domani, né permette di stabilire quanto frequentemente un brand venga raccomandato.
Il punto non è chiedere una volta a ChatGPT se conosce la nostra azienda. È costruire un metodo per osservare quando, come e in quali contesti la nostra azienda compare nelle risposte AI.
In questo articolo provo a spiegare come imposterei un’analisi del genere, quali dati raccoglierei e, soprattutto, quali conclusioni eviterei di trarre.
La prima distinzione: conoscere un brand non significa consigliarlo
Prima ancora di costruire un sistema di misurazione, dobbiamo distinguere tre situazioni.
La prima è quando l’assistente AI conosce un’azienda. Se gli chiediamo «Che cos’è il brand X?», potrebbe essere perfettamente in grado di descriverne prodotti, servizi e mercato.
La seconda è quando l’azienda viene menzionata spontaneamente. Per esempio, se chiediamo «Quali software gestionali dovrei valutare per un piccolo hotel?» e il sistema include il brand X tra le possibili soluzioni.
La terza è quando il sistema cita il sito dell’azienda come fonte, magari utilizzandone un articolo per spiegare un concetto, senza necessariamente raccomandare i suoi prodotti.
Questi risultati misurano cose differenti.
Un’azienda può essere conosciuta dal modello ma non comparire nelle risposte commerciali. Può essere citata come fonte informativa ma non essere menzionata come possibile fornitore. Oppure può ricevere una raccomandazione senza ottenere un collegamento diretto al proprio sito.
Una ricerca pubblicata nel luglio 2026 da Victorious, su un insieme di brand appartenenti a diversi settori, ha mostrato proprio la differenza tra riconoscimento e menzione: il 96% dei brand valutabili nel test di riconoscimento veniva descritto correttamente, mentre l’89% del gruppo analizzato per le menzioni non compariva nelle risposte alle domande generiche di ricerca della categoria.
Sono risultati riferiti a un campione e a una metodologia specifici, non percentuali da estendere automaticamente a tutte le aziende. Lo studio era inoltre un contenuto sponsorizzato, un elemento da considerare nella valutazione.
Il messaggio però è abbastanza chiaro: la conoscenza del brand e la sua presenza nelle raccomandazioni sono fenomeni distinti.
Per questo motivo non costruirei un report GEO limitandomi a verificare se ChatGPT sa descrivere un’azienda.
Cominciare dalle domande che farebbero davvero i clienti
Il primo lavoro non riguarda ChatGPT, ma l’azienda che vogliamo analizzare.
Bisogna capire quali problemi risolve, a quali clienti si rivolge, quali alternative vengono valutate durante il processo d’acquisto e in quali situazioni sarebbe ragionevole aspettarsi che venga menzionata.
Prendiamo come esempio un’azienda che sviluppa un software gestionale per hotel indipendenti.
Invece di utilizzare un’unica domanda, organizzerei un insieme di prompt per intento di ricerca.
| Intento | Domanda di esempio |
|---|---|
| Esplorativo | Come può un piccolo hotel semplificare la gestione delle prenotazioni? |
| Informativo | Qual è la differenza tra un PMS e un channel manager? |
| Comparativo | Quali software gestionali sono adatti agli hotel indipendenti? |
| Decisionale | Quale PMS dovrei valutare per un hotel di 25 camere? |
| Vincolato | Cerco un PMS con booking engine, gestione tariffaria e integrazioni OTA |
| Brand | Quali sono i punti di forza e i limiti del software X? |
Non tutte queste domande devono produrre una menzione commerciale.
Se un utente chiede la differenza tra PMS e channel manager, può essere del tutto ragionevole ricevere una spiegazione senza nomi di aziende.
Una domanda comparativa, invece, è molto più interessante per osservare quali fornitori il sistema considera.
In altre parole, non valuterei negativamente l’assenza di un brand da una risposta nella quale menzionarlo non sarebbe particolarmente utile.
Distinguerei quindi i prompt informativi da quelli nei quali una raccomandazione è pertinente.
Quanti prompt servono?
Non esiste un numero universale.
Per un primo audit di una piccola o media azienda partirei, come scelta operativa, da circa 30 domande ben selezionate, distribuite tra i principali intenti.
Non sono 30 domande scelte a caso o generate automaticamente senza una revisione.
Le costruirei utilizzando informazioni provenienti dal sito, dalle query di Search Console, dalle campagne Google Ads, dalle conversazioni commerciali, dalle domande frequenti dei clienti e dall’analisi dei concorrenti.
L’obiettivo è coprire un insieme credibile di situazioni d’acquisto.
Un campione di questo tipo non rappresenta necessariamente la distribuzione reale delle domande rivolte agli assistenti AI. Serve come pannello di osservazione controllato, che possiamo mantenere costante nel tempo.
Ed è già molto più utile di una sola domanda.
Non basta un prompt: bisogna considerare le varianti
C’è un secondo problema, ancora più importante.
Due utenti che cercano lo stesso prodotto possono formulare richieste completamente diverse.
Uno potrebbe chiedere:
«Quali sono i migliori gestionali per piccoli hotel?»
Un altro:
«Gestisco una struttura da 25 camere, vorrei sostituire il PMS e mi interessa soprattutto ridurre il lavoro manuale sulle prenotazioni. Quali fornitori dovrei valutare?»
L’intenzione commerciale è simile, ma il livello di dettaglio è differente. Anche i risultati possono cambiare.
Uno studio pubblicato nel luglio 2026 da ricercatori associati a Peec AI ha affrontato proprio il problema della variazione nella formulazione dei prompt, mostrando perché una singola domanda non dovrebbe essere considerata una misura sufficiente della visibilità.
Per questa ragione organizzerei il monitoraggio per argomenti, non soltanto per singole frasi.
Un argomento come “gestionali per piccoli hotel” potrebbe comprendere diverse formulazioni: una generica, una comparativa, una con vincoli tecnici e una basata su un problema operativo.
Terrei però distinta la variazione linguistica da quella dell’intento. Cambiare semplicemente le parole di una domanda non è la stessa cosa che aggiungere nuovi requisiti.
Questo approccio permette di capire se un’azienda è presente in modo ricorrente in una determinata area tematica, oppure se compare soltanto grazie a una formulazione molto specifica.
Come imposterei materialmente il test
Una volta definite le domande, dobbiamo stabilire come eseguirle.
Per una prima analisi manuale utilizzerei le modalità di ricerca disponibili su ChatGPT, Gemini e Perplexity, registrando le condizioni nelle quali viene generata ogni risposta.
Non mescolerei risposte prodotte senza ricerca web con risposte che utilizzano fonti aggiornate: sono condizioni differenti.
Quando possibile, utilizzerei nuove conversazioni e limiterei l’influenza della personalizzazione. Registrerei lingua, paese, data, piattaforma e modalità di utilizzo.
Ripeterei inoltre le domande in più sessioni, perché la stessa richiesta può generare risposte differenti.
Come configurazione iniziale, si potrebbe utilizzare questa:
- 30 prompt rappresentativi.
- 3 varianti per ciascun argomento prioritario, già comprese nel campione o catalogate separatamente.
- 3 piattaforme: ChatGPT, Gemini e Perplexity.
- 3 ripetizioni per ogni prompt e piattaforma.
Se utilizziamo 30 prompt complessivi, il risultato è un massimo di 270 risposte per ogni ciclo di osservazione.
È un volume gestibile con strumenti di raccolta appropriati, ma già impegnativo per un lavoro interamente manuale.
La scelta delle tre ripetizioni non costituisce una soglia scientifica. È un compromesso operativo per iniziare a osservare la variabilità senza rendere il test sproporzionato.
Per analisi più robuste, occorre aumentare la numerosità del campione e valutare l’incertezza statistica.
Attenzione all’automazione
Automatizzare i test può essere utile, ma richiede attenzione.
L’utilizzo di API o servizi dedicati non garantisce di ottenere le stesse risposte che un utente vedrebbe nell’interfaccia web del prodotto.
Possono cambiare modelli, strumenti di ricerca, impostazioni, gestione delle fonti e comportamento dell’applicazione.
Per questo motivo documenterei il metodo utilizzato e non mescolerei risultati provenienti da ambienti diversi senza tenerne conto.
Rispetterei inoltre le condizioni d’uso dei servizi e distinguerei chiaramente la raccolta automatizzata autorizzata dalle interazioni manuali.
Quali dati raccogliere: una matrice di visibilità AI
Non registrerei soltanto la presenza o l’assenza del nome dell’azienda.
Per ogni risposta raccoglierei almeno:
- Identificativo del prompt e argomento.
- Piattaforma, modalità e data del test.
- Presenza o assenza del brand nel testo.
- Presenza di un collegamento al sito ufficiale.
- Posizione del brand nell’eventuale elenco di alternative.
- Altri brand menzionati.
- Fonti citate, con relativi URL.
- Correttezza delle informazioni riportate.
- Tipo di menzione: neutra, positiva, negativa o condizionata.
- Testo completo della risposta, per poterla verificare successivamente.
La classificazione dovrebbe seguire regole stabili.
Per esempio, considererei una menzione soltanto la presenza riconoscibile del brand nel testo della risposta, non il semplice fatto che venga citato un articolo pubblicato sul suo dominio.
Allo stesso modo, registrerei una raccomandazione solo quando il sistema presenta l’azienda come un’opzione pertinente da prendere in considerazione, distinguendola da una menzione puramente descrittiva.
Sono distinzioni meno spettacolari di un singolo indice percentuale, ma senza queste definizioni il confronto nel tempo rischia di perdere significato.
Le quattro metriche che utilizzerei
Per una prima dashboard eviterei di concentrare tutto in uno “score GEO” senza spiegare da cosa derivi.
Preferirei quattro metriche separate.
1. Brand Mention Rate
Misura la percentuale di risposte nelle quali il brand viene nominato.
La formula è:
Brand Mention Rate = risposte con menzione del brand / risposte valide × 100
Supponiamo di avere 90 risposte valide a prompt commerciali non brandizzati e di trovare l’azienda in 18 di queste.
Il Mention Rate sarebbe del 20%.
Significa che il brand è comparso nel 20% delle risposte del nostro campione, non nel 20% di tutte le conversazioni che gli utenti hanno con ChatGPT.
Questa precisazione dovrebbe essere presente in qualsiasi report professionale.
2. Citation Rate
Misura quante risposte contengono almeno un collegamento al dominio ufficiale dell’azienda.
Citation Rate = risposte con almeno una citazione del dominio / risposte valide × 100
Considererei la citazione separatamente dalla menzione perché un sito può essere utilizzato come fonte senza che venga nominata l’azienda.
Uno studio Semrush pubblicato nel giugno 2026 ha analizzato proprio questo fenomeno, definito ghost citations, ossia citazioni del dominio che non si accompagnano alla menzione esplicita del brand.
Nel campione analizzato, circa il 62% delle apparizioni dei domini sotto forma di citazione non produceva una menzione del brand nel testo.
Il dato conferma l’importanza di non trattare i due indicatori come equivalenti.
3. Recommendation Rate
Per i soli prompt nei quali è pertinente suggerire un fornitore, misurerei la percentuale di risposte che presentano esplicitamente l’azienda come possibile scelta.
Non basta che il brand compaia in un elenco o in una frase secondaria. Bisogna leggere il contesto.
Una risposta che dice «il software X è conosciuto nel settore» è diversa da una che dice «per una struttura con queste caratteristiche valuterei il software X».
La classificazione contiene inevitabilmente una componente interpretativa. Per mantenerla coerente utilizzerei esempi, regole documentate ed eventualmente una seconda revisione sulle risposte dubbie.
4. Competitor Presence
Infine, misurerei la presenza dei concorrenti nello stesso campione di domande.
Questa analisi è spesso più utile del dato isolato sulla propria azienda.
Se il nostro brand compare nel 15% delle risposte, dobbiamo capire se il principale concorrente compare nel 70% oppure nel 12%.
Non parlerei automaticamente di quota di mercato o di share of voice generale: stiamo confrontando un campione di risposte AI, non l’intero comportamento degli utenti.
Utilizzerei un indicatore di presenza relativa, sempre accompagnato dal numero di risposte analizzate.
Un esempio di report
Immaginiamo di aver effettuato 90 test validi su prompt commerciali non brandizzati per una singola piattaforma.
Il risultato potrebbe essere questo:
| Brand | Risposte con menzione | Mention Rate |
|---|---|---|
| Azienda analizzata | 18 | 20% |
| Concorrente A | 39 | 43,3% |
| Concorrente B | 25 | 27,8% |
| Concorrente C | 12 | 13,3% |
Dati interamente ipotetici, utilizzati per illustrare il metodo.
Le percentuali non sommano al 100%, perché una stessa risposta può menzionare più aziende.
La tabella ci permette di osservare la frequenza relativa delle menzioni, ma il lavoro interessante comincia dopo.
In quali argomenti compare più frequentemente il concorrente A? Quali domande fanno emergere il concorrente B? Quali fonti vengono citate quando il nostro brand non compare?
E soprattutto: ci sono informazioni importanti che i concorrenti riescono a rendere accessibili e che sul nostro sito sono assenti, ambigue o poco strutturate?
Un report utile dovrebbe provare a rispondere anche a queste domande.
Analizzare le fonti citate può essere più utile che contare le menzioni
Quando un assistente AI cerca informazioni sul web, alcune interfacce mostrano collegamenti alle fonti utilizzate.
Studiare quelle fonti permette di capire quali tipologie di contenuti compaiono nel campione di risposte: siti ufficiali, comparatori, directory, forum, media specializzati, documentazione tecnica o recensioni.
Per esempio, se le risposte sui software alberghieri citano frequentemente determinati comparatori, può essere utile verificare se la nostra azienda è presente in quelle risorse e se le informazioni pubblicate sono corrette.
Non significa che dobbiamo cercare di ottenere una presenza su ogni sito citato.
Significa individuare quali fonti risultano rilevanti nei percorsi informativi osservati e valutare interventi coerenti con la strategia del brand.
Qui entra in gioco una distinzione importante: la fonte più citata non è necessariamente il brand più raccomandato.
Uno studio Semrush pubblicato nel luglio 2026, basato su oltre 50.000 brand e 1.094 aree tematiche, ha evidenziato proprio la differenza tra frequenza delle citazioni e presenza del brand nel testo delle risposte.
Questa osservazione ha implicazioni concrete.
Un blog può essere frequentemente utilizzato come fonte informativa senza che il suo autore o la relativa azienda vengano consigliati come fornitori.
Viceversa, un brand può comparire tra le alternative suggerite pur senza ricevere un collegamento diretto al proprio sito.
Per questo motivo continuerei a separare la qualità della presenza editoriale dalla visibilità commerciale.
Come collegare l’analisi a GA4 e Search Console
Finora abbiamo parlato di ciò che accade nelle risposte AI. Ma, per valutare il contributo al business, dobbiamo osservare anche cosa succede quando gli utenti arrivano sul sito.
In GA4 possiamo esaminare il traffico referral proveniente da domini riconducibili agli assistenti AI, quando il riferimento viene effettivamente trasmesso.
È importante però evitare di considerare questo dato come una misura completa della visibilità.
Un utente potrebbe leggere il nome dell’azienda in ChatGPT e cercarla successivamente su Google. Potrebbe aprire il sito direttamente, utilizzare un altro dispositivo o non visitarlo affatto.
In tutti questi casi l’eventuale contributo della risposta AI può non essere identificabile attraverso i normali report di attribuzione.
La novità di Search Console nel 2026
Dal 3 giugno 2026 Google ha iniziato a introdurre report dedicati alle funzionalità generative nella Search Console.
Il rilascio, inizialmente limitato a una parte dei siti, è stato esteso a livello mondiale entro il 31 agosto 2026.
È un cambiamento rilevante perché rende disponibile una vista specifica delle impression nelle esperienze generative di Google, tra cui AI Overviews e AI Mode.
Questo dato non va però confuso con le menzioni o le raccomandazioni del brand in ChatGPT e negli altri assistenti.
Si tratta di ambienti differenti, con meccanismi e possibilità di misurazione differenti.
Li affiancherei all’interno di una dashboard, ma eviterei di sommarli in un unico numero senza spiegare cosa rappresentano.
Come capire se gli interventi GEO stanno funzionando
Supponiamo che dopo il primo audit decidiamo di aggiornare alcune pagine del sito.
Miglioriamo le descrizioni dei servizi, introduciamo informazioni tecniche più precise, rendiamo espliciti i casi d’uso e correggiamo informazioni incomplete o obsolete.
Dopo qualche settimana ripetiamo il monitoraggio.
Il Mention Rate passa dal 20% al 27%.
Possiamo dichiarare che la GEO ha funzionato?
Non ancora.
Prima di tutto dobbiamo verificare che il campione sia comparabile: stessi argomenti, stessa distribuzione degli intenti, piattaforme e modalità equivalenti.
Dovremmo anche osservare la variabilità delle risposte e valutare se il cambiamento sia più ampio delle normali oscillazioni del sistema.
Soprattutto, non possiamo escludere che siano intervenuti altri fattori: aggiornamenti dei modelli, nuove fonti disponibili, attività dei concorrenti o cambiamenti nell’ambiente di ricerca.
Per avere indicazioni più solide utilizzerei, quando possibile, un gruppo di domande di controllo o un insieme di pagine non modificate, pur sapendo che questo non elimina tutte le interferenze.
Non considero inutile il confronto prima e dopo. Lo considero un’indicazione da interpretare, non una prova automatica di causalità.
Cosa consegnerei a un cliente dopo un primo audit
Un’analisi di questo tipo dovrebbe concludersi con qualcosa di più concreto di una dashboard colorata.
Io organizzerei il report in cinque parti.
La prima è la fotografia della situazione: quante risposte sono state analizzate, su quali piattaforme, con quali domande e in quali condizioni.
La seconda riguarda la visibilità del brand: menzioni, raccomandazioni e citazioni, con la distinzione tra domande brandizzate e non brandizzate.
La terza è il confronto competitivo: quali aziende compaiono, in quali contesti e con quale continuità.
La quarta è l’analisi delle fonti e della correttezza delle informazioni: quali risorse vengono utilizzate, quali dati sono obsoleti o inesatti e quali contenuti potrebbero essere migliorati.
La quinta contiene un piano di intervento: poche attività ordinate per priorità, con una motivazione e un metodo per verificarne gli effetti.
Non inizierei necessariamente creando decine di nuovi articoli. In molti casi potrebbe essere più sensato migliorare le pagine dei servizi esistenti, correggere informazioni nei siti esterni o rendere più chiara la documentazione dei prodotti.
Il punto non è produrre contenuti perché esiste una nuova sigla da inserire nel preventivo.
È intervenire dove l’analisi ha individuato un problema reale.
Quanto è affidabile una misurazione di questo tipo?
La risposta dipende da cosa pretendiamo di ottenere.
Se vogliamo conoscere con precisione quante persone, in tutto il mondo, hanno visto il nostro brand consigliato da ChatGPT in un determinato mese, un monitoraggio basato su prompt campione non è sufficiente.
Non abbiamo accesso alla distribuzione completa delle domande degli utenti, e la variabilità delle risposte rende difficile generalizzare.
Se invece vogliamo osservare un insieme di argomenti commercialmente rilevanti, verificare la presenza dei concorrenti e identificare anomalie nelle informazioni riportate, possiamo costruire un sistema utile e replicabile.
La ricerca disponibile conferma la necessità di questa prudenza.
Già nel 2025 uno studio di AirOps su oltre 45.000 citazioni aveva mostrato quanto la presenza dei brand potesse oscillare tra sessioni differenti.
Nel giugno 2026 un lavoro di ricerca sulla misurazione GEO su larga scala, basato su oltre 100.000 risposte, ha evidenziato ulteriori differenze nella visibilità tra brand di dimensioni e notorietà differenti.
Non credo quindi abbia senso inseguire la posizione numero uno in una singola risposta, come se fosse una SERP tradizionale.
Ha molto più senso osservare un argomento nel tempo e capire se l’azienda compare con continuità nelle conversazioni nelle quali sarebbe pertinente.
Conclusioni: misurare prima di ottimizzare
La GEO è ancora un ambito nel quale è facile vendere certezze che non abbiamo.
È relativamente semplice produrre uno screenshot nel quale ChatGPT menziona un’azienda. È molto più difficile dimostrare che quella menzione è frequente, rappresentativa e collegata a un risultato commerciale.
Questo non significa rinunciare alla misurazione.
Significa definire bene le domande, distinguere le metriche, ripetere i test e dichiarare i limiti delle osservazioni.
È lo stesso principio che dovrebbe guidare qualsiasi attività di digital marketing: non confondere ciò che possiamo misurare con ciò che vorremmo dimostrare.
Quando preparo un’analisi di visibilità, preferisco un risultato meno spettacolare ma verificabile a uno score apparentemente preciso costruito su criteri poco chiari.
In fondo, il valore di un audit GEO non è dirci se ChatGPT oggi conosce il nostro nome. È aiutarci a capire dove siamo presenti, dove siamo assenti e cosa possiamo fare, concretamente, per migliorare la qualità della nostra presenza online.
E se, nel tempo, questo lavoro contribuisce anche a generare opportunità commerciali misurabili, allora avremo qualcosa di più interessante di una semplice menzione in una risposta AI.
Fonti e approfondimenti
- Google Search Central, Introducing Search Generative AI performance reports in Search Console, 3 giugno 2026, aggiornato al 31 agosto 2026. https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports
- Semrush, AI visibility is a topic-level game: A study of 50,000 brands in ChatGPT, 20 luglio 2026. https://www.semrush.com/blog/chatgpt-topic-authority-study/
- Semrush, Why 62% of AI citations don’t lead to brand mentions, 9 giugno 2026. https://www.semrush.com/blog/the-ghost-citations-study/
- Victorious / Search Engine Journal, AI Recognizes 96% of Brands But Mentions Almost None, 29 luglio 2026. https://www.searchenginejournal.com/ai-brand-mention-study-victorious-spa/582765/
- Ehrlinspiel J., Landwehr M., Rudzki T., Prompt Tracking Works, But Not as a One-Prompt Measurement System, luglio 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6914539
- Kumar P., Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines, giugno 2026. https://arxiv.org/abs/2606.20065
- AirOps, Staying Seen In AI Search: How Citations & Mentions Impact Brand Visibility, 23 settembre 2025. https://www.airops.com/report/how-citations-mentions-impact-visibility-in-ai-search
Leave a reply