Come misurare la visibilità del tuo brand nelle risposte AI (e perché il numero è quello che è)

Qualcuno apre ChatGPT e scrive «miglior strumento di analytics privacy-first per un negozio Shopify in Italia». Riceve tre nomi, una frase su ciascuno e uno o due link. Ne clicca uno. Tutto il percorso d’acquisto è questo: nessuna pagina di risultati, nessuno scroll, nessun secondo parere.

Se il tuo brand è uno dei tre, hai appena trovato un cliente. Se non lo è, non hai perso una posizione: semplicemente non eri nella stanza. E la tua dashboard di analytics non te ne dirà nulla, a parte che il mese scorso il traffico «Diretto» è cresciuto un po’.

In breve:

• La visibilità nelle risposte AI è la quota di domande d’acquisto in cui un modello nomina il tuo brand, misurata per domanda, per modello e per concorrente.
• Fai 20–30 domande reali dei tuoi acquirenti, tre volte ciascuna, su ogni modello che ti interessa, e riporta la dispersione accanto a ogni media.
• Monitora sette numeri: tasso di menzione, posizione, tasso di link, tasso di raccomandazione, indice di dominanza, correttezza e varianza.
• Prima di scrivere nuove pagine, verifica che i crawler AI riescano davvero a leggere il tuo sito. Una bassa visibilità di solito ha una causa tecnica.
• Misura anche il secondo asse: le visite dagli assistenti AI come canale a sé nei tuoi analytics.

Questa guida spiega come misurare quella stanza: se ci sei, dove ti trovi, chi ti sta accanto e quante persone passano davvero dalla risposta al tuo sito. È scritta per marketer e titolari di siti, non per data scientist, e tutto quello che contiene si può fare a mano su una manciata di domande, prima di automatizzare qualsiasi cosa.

Cosa significa davvero «visibilità nelle risposte AI»

La visibilità nelle risposte AI è la quota di domande d’acquisto a cui un modello risponde nominando il tuo brand. Si misura per domanda, per modello e per concorrente: se il brand viene nominato, in quale posizione, con o senza link, e chi viene nominato insieme a lui.

Quest’ultima parte conta. Nella ricerca hai dieci link blu e una posizione tra questi. In una risposta AI ci sono due o tre nomi, oppure nessuno. Non esiste una «seconda pagina» da cui risalire. O il modello ha il tuo brand tra i nomi a cui attinge per quella domanda, o non ce l’ha, e il motivo di solito non è quello che pensi.

Parti dalle domande, non dalle keyword

Qui le liste di keyword sono la materia prima sbagliata. Nessuno scrive «strumento analytics GDPR» in ChatGPT. Si fa una domanda con dentro una situazione, e la situazione cambia la risposta.

Il primo passo, quindi, è una lista di scenari di domanda: le domande che i tuoi acquirenti fanno davvero, raggruppate per chi chiede e per cosa vuole. Da venti a trenta scenari coprono la maggior parte delle aziende. Ecco un estratto per un’azienda che vende sedie da ufficio ergonomiche:

Tre cose da fare bene. Scrivi le domande come le scriverebbe una persona, comprese quelle goffe. Includi gli scenari in cui ti aspetti di perdere: sono quelli che ti insegnano qualcosa. E mantieni la lista invariata tra una misurazione e l’altra. Se cambi le domande ogni mese, non stai misurando un cambiamento, stai misurando le tue modifiche.

Fai ogni domanda più di una volta

È la parte che quasi tutti saltano, ed è quella che decide se i tuoi numeri significano qualcosa.

I modelli linguistici non sono deterministici. Fai la stessa domanda tre volte e ottieni tre risposte diverse: a volte il tuo brand compare in tutte e tre, a volte in una sola. Una singola rilevazione è un lancio di moneta travestito da report.

La soluzione è noiosa: fai ogni domanda più volte per rilevazione (tre è un minimo ragionevole) e riporta la dispersione insieme alla media. Il tuo tasso di menzione non è «58 %», è «58 % ± 9 punti». Se il mese dopo il numero è 63 %, sai che rientra nel rumore. Se è 78 %, sai che è successo qualcosa.

Una regola utile: una crescita conta solo se è più ampia della dispersione. Chiunque abbia presentato una slide con «+8 %» svanito alla rilevazione successiva capirà perché.

Sette numeri da monitorare

Una volta raccolte le risposte, devi trasformare il testo in numeri. Questi sette coprono quasi tutto quello che un team marketing ti chiederà, e ognuno ha una definizione semplice che puoi calcolare a mano su un piccolo campione.

L’indice di dominanza merita una spiegazione. Un modo per costruirlo: ogni risposta assegna a un brand fino a quattro punti, uno per la menzione, uno per essere nominato per primo, uno per il link e uno per la raccomandazione. Il tuo indice è il totale dei tuoi punti diviso per i punti di tutti i brand nelle stesse risposte, moltiplicato per 100. Sommato su tutti i brand fa 100, quindi si comporta come una quota di mercato e si legge allo stesso modo. Se il tuo è 45 e quello del concorrente più vicino è 31, sai a chi pensa per primo il modello.

Lo abbiamo applicato al nostro brand il 2 ottobre 2026: sette scenari, quattro modelli, tre ripetizioni, 84 risposte. EuroMetrics ha ottenuto un indice di dominanza di 7, contro 32 di Plausible e 20 di Matomo, con una share of voice del 21 % e un link nel 18 % delle risposte. Non è lusinghiero, ed è esattamente il tipo di numero che ti serve prima di decidere cosa correggere.

Monitora tutti e sette per modello, non solo come media. Alcuni modelli allegano fonti a quasi ogni risposta, altri lo fanno di rado. Un «tasso di link» aggregato nasconde questa differenza e, con essa, la decisione su dove investire.

Conserva le risposte, non solo le percentuali

Salva ogni risposta per intero, con tutti i link prodotti dal modello. Sembra un dettaglio di archiviazione. È la scelta più utile dell’intero metodo, per tre motivi.

Primo, ogni numero può essere ricondotto al testo che lo ha generato. Quando qualcuno chiede perché la correttezza è scesa, apri le risposte e leggi cosa ha sbagliato il modello. Di solito è un prezzo vecchio, un prodotto fuori produzione o un’affermazione di un concorrente riportata come un fatto.

Secondo, vedi chi ha preso il tuo posto. Nelle risposte in cui il tuo brand manca, il modello ha citato qualcosa: un sito di comparazione, una scheda su un marketplace, un thread su Reddit, la guida di un concorrente. L’elenco di quelle pagine, ordinato per frequenza, è la tua lista di attività fuori dal sito. Nella nostra rilevazione, 140 delle 184 fonti citate accanto a uno qualsiasi dei brand monitorati comparivano solo accanto ai concorrenti. Quell’elenco è anche l’unica risposta onesta a «perché loro e non noi».

Terzo, lo storico si ricalcola gratis. Aggiungi un concorrente che avevi dimenticato, o una grafia del brand usata dal modello che non avevi previsto, e ogni rilevazione passata viene ricalcolata dalle risposte salvate. Nessuna nuova rilevazione, nessuna linea di tendenza spezzata, nessun costo.

Perché il numero è quello che è

Ecco la parte scomoda. Una bassa visibilità ha quasi sempre una causa tecnica, ed è invisibile da un browser: a te il sito sembra a posto perché non sei un crawler AI.

Prima di scrivere una sola pagina nuova, fai sette verifiche. Rispondono al «perché» accanto al «quanto».

Accesso

1. Il robots.txt ammette ogni crawler AI singolarmente? GPTBot e OAI-SearchBot, ClaudeBot, PerplexityBot e Googlebot sono token diversi, e una regola scritta per uno non dice nulla sugli altri.
2. Cosa restituisce davvero il server quando il visitatore è un crawler AI? Un firewall o un sistema di protezione dai bot può bloccare un crawler che robots.txt consente, senza avvisarti.

Contenuto

1. Il crawler riceve tanto testo quanto ne vede una persona? La maggior parte dei crawler AI non esegue JavaScript; Googlebot sì. Se le descrizioni dei tuoi prodotti vengono generate lato client, il crawler riceve solo lo scheletro.
2. Il testo è leggibile anche senza JavaScript: titoli, prezzi, indirizzi, nell’HTML che il server invia?

Brand

1. Il markup dice di chi è il sito, in un modo che una macchina può verificare? Un’entità Organization con nome, logo e link agli altri tuoi profili fa la differenza tra «un sito sulle sedie» e «il sito di questa azienda».
2. Gli indirizzi dei tuoi negozi o uffici sono visibili come testo, o nascosti dentro un widget di mappa che il crawler non riesce a leggere?

Convenzioni

1. I segnali più recenti: llms.txt, versioni Markdown per gli agenti, intestazioni Content Signals. Vale la pena conoscerli, ma nessuno sostituisce i sei punti precedenti. Google dichiara nella sua guida alle funzionalità di AI generativa che non usa questi file.

Le verifiche 1, 3 e 4 si fanno da terminale in meno di un minuto. Scarica una pagina prodotto due volte, una come browser e una come crawler, e conta le parole:

curl -sA "Mozilla/5.0 (Windows NT 10.0) Chrome/128.0" https://example.com/product | wc -w
curl -sA "GPTBot/1.2 (+https://openai.com/gptbot)" https://example.com/product | wc -w

Se il secondo numero è una frazione del primo, hai trovato il tuo problema prima ancora del tuo concorrente. Per una singola pagina, senza terminale, il nostro SEO checker gratuito verifica in un solo passaggio l’accesso dei crawler AI, il robots.txt e il markup schema.

Un esempio reale dalle nostre misurazioni di questo settembre: un sito retail serviva a un crawler AI il 22 % del testo che vede una persona, e nemmeno una riga di markup che dicesse a quale azienda appartenesse. Visto da fuori, era un sito come tanti. Dal punto di vista del modello, quasi non esisteva.

Il secondo asse: chi è arrivato davvero

Tutto quello che abbiamo visto finora misura cosa dicono i modelli. Non ti dice se qualcuno ha agito di conseguenza, ed è la domanda che ti farà il tuo CFO.

Il traffico dagli assistenti AI arriva quasi sempre con un referrer: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai. Quasi tutti gli strumenti di analytics lo archiviano come «Referral» accanto a un blog qualsiasi, oppure lo perdono in «Diretto» quando il referrer viene rimosso. In entrambi i casi non vedi le piattaforme AI come sorgente di traffico, quindi non vedi le loro pagine di destinazione, il comportamento dei visitatori né le loro conversioni.

Due cose da sistemare. Metti i referrer AI in un canale dedicato, separato dalla ricerca organica e dai referral generici. E accetta il limite con onestà: alcuni assistenti non passano alcun referrer, quindi questo canale è un minimo, non un massimo. Quello che puoi dire è «almeno queste persone sono arrivate dalle risposte AI, e questo è ciò che hanno fatto», che è più di quanto possa dire oggi la maggior parte dei team.

Metti i due assi uno accanto all’altro e il quadro diventa operativo. Tasso di menzione in crescita, traffico AI fermo: il modello ti nomina ma non ti linka, quindi lavora sul tasso di link. Tasso di menzione fermo, traffico AI in crescita: il modello manda persone su una pagina che non ti aspettavi, quindi vai a guardarla. Entrambi in crescita: le correzioni hanno funzionato. Ora scrivi il case study.

Tre cose da chiarire subito

Ogni misurazione onesta ha dei limiti, ed è meglio dichiararli all’inizio che nel terzo report mensile.

Non tutte le superfici sono già misurabili. ChatGPT, Claude, Gemini, Perplexity e Google AI Overview si possono misurare facendo domande. Alcuni assistenti regionali oggi non sono raggiungibili tramite nessun fornitore di dati, quindi restano fuori dai numeri finché non lo saranno.

I blocchi AI non compaiono per ogni query. Google mostra un AI Overview per alcune domande commerciali e una fila di risultati Shopping per altre. È un risultato della misurazione, non un errore di misurazione. Fissa gli obiettivi di copertura rispetto alla quota di query in cui il blocco esiste.

I modelli cambiano. I sistemi di retrieval vengono sostituiti, i formati delle risposte cambiano, un modello inizia a linkare di più o di meno. Una linea di tendenza che attraversa un aggiornamento del modello ha bisogno di una nota. Conservare le risposte complete (vedi sopra) è ciò che rende possibile quella nota.

Una routine mensile che sta in un pomeriggio

1. Congela la lista degli scenari. Da venti a trenta domande, raggruppate per segmento e intento. Cambiala solo quando cambia il business.
2. Fai ogni domanda tre volte su ogni modello che ti interessa, ogni mese nello stesso giorno. Salva le risposte complete.
3. Calcola le sette metriche per modello, con la varianza accanto a ciascuna. Confronta con il mese precedente e ignora tutto ciò che sta dentro la dispersione.
4. Leggi le risposte in cui manchi ed elenca le pagine citate al posto tuo. Sono i tuoi obiettivi di outreach e di contenuto.
5. Ripeti le sette verifiche tecniche sulle pagine che il modello dovrebbe citare. Correggi, poi misura di nuovo.
6. Guarda il canale AI nei tuoi analytics: visite, pagine di destinazione, conversioni. Collega ogni variazione alle metriche qui sopra.

Fallo a mano per un mese e ne saprai di più sulla tua visibilità AI della maggior parte dei tuoi concorrenti. Dopo, vorrai automatizzarlo.

Come lo fa EuroMetrics

Il modulo AI Visibility applica questo metodo al posto tuo. Pone i tuoi scenari di domanda a ChatGPT, Claude, Gemini, Perplexity e Google AI Overview a intervalli regolari, più volte ciascuno, e salva ogni risposta con le sue fonti. Calcola tasso di menzione, posizione, link, raccomandazioni, correttezza e dominanza per modello, per scenario e per concorrente, con la dispersione accanto a ogni numero e l’elenco delle pagine che hanno preso il tuo posto. Le verifiche tecniche girano sulle pagine che dovrebbero essere citate. E poiché vive dentro i tuoi analytics del traffico, le visite dagli assistenti AI compaiono come canale a sé accanto alla ricerca, con pagine di destinazione e conversioni.

Un solo prodotto, due assi: se sei nella risposta e cosa ti ha portato esserci.

Vuoi vedere come appare il tuo brand nelle risposte AI?
Richiedi una prima misurazione →

Domande frequenti

È la stessa cosa di AEO o GEO?

AEO (answer engine optimisation) e GEO (generative engine optimisation) sono il lavoro che rende le pagine più facili da citare. Questa guida descrive la misurazione che ti dice se quel lavoro sta avendo effetto: il tabellone, non lo schema di gioco. Servono entrambi, e il tabellone viene prima.

Quanti scenari e ripetizioni servono davvero?

Per un singolo brand in un solo mercato, 20–30 scenari posti tre volte ciascuno a quattro o cinque modelli danno un quadro mensile stabile, circa 300–450 risposte per rilevazione. Con meno scenari i numeri ballano; con meno ripetizioni perdono significato. Aumentare ha senso solo quando il primo set è stabile.

Posso farlo con l’app di ChatGPT invece che con l’API?

Per una prima occhiata sì, ed è un buon modo per farsi un’idea. Per una linea di tendenza no: l’app aggiunge personalizzazione e memoria che cambiano le risposte tra utenti e sessioni, quindi due persone che fanno la stessa domanda ottengono tabelloni diversi. La misurazione richiede ogni volta le stesse condizioni neutre.

Perché i modelli sono così in disaccordo?

Usano indici di ricerca diversi, regole di retrieval diverse e abitudini diverse nel linkare. Nella nostra rilevazione del 2 ottobre 2026, Claude e Perplexity hanno allegato fonti a 21 risposte su 21 ciascuno, mentre Gemini lo ha fatto in 15 su 21. Per questo le metriche si monitorano per modello: una media tra loro nasconde proprio le differenze su cui agiresti.