Come si legge uno studio sulla visibilità IA

Ti faranno vedere degli studi. Ogni fornitore di questo mercato ne pubblica, ne pubblichiamo noi, e quasi tutti sono prodotti da aziende che hanno un interesse commerciale nella conclusione. Non basta a buttarli via: alcuni dei dati migliori di questo campo vengono da chi vende, perché è l’unico ad averli. Vuol dire però che ti serve un modo per leggerli.

A luglio 2026 una rassegna metodologica ha esaminato 45 studi sull’ottimizzazione per i motori generativi pubblicati fra novembre 2023 e luglio 2026. Le sue critiche alla letteratura sono una lista di controllo insolitamente buona, e l’abbiamo usata sul nostro lavoro.

1. Dà per scontato che tu sia già stato trovato?

È il difetto più comune. Uno studio mette cinque pagine sotto il naso di un modello, ne cambia una, e guarda quale viene citata. Risponde alla domanda “una volta trovato, sei stato scelto?”, e salta quella più difficile: se il modello ti avrebbe trovato da solo.

Conta, perché le due cose possono tirare in direzioni opposte. Un test su 171.003 pagine ha trovato che lavorare solo sul testo faceva uscire la pagina dai primi venti risultati circa una volta su dieci, e da lì scendeva anche il numero di citazioni finali. Le stesse mosse che facevano scegliere la pagina, quando era in gara, la buttavano fuori dalla gara. Vincere la selezione non serve a niente se non ti sei qualificato.

Chiedi: il modello quella pagina l’ha trovata da solo, o gliel’hanno messa in mano?

2. Chi giudica?

Uno schema ricorrente: la stessa famiglia di modelli genera il contenuto di prova, lo riscrive, e poi valuta quale versione sia migliore. Non è una truffa, è un cerchio che si chiude su se stesso: chi corregge i compiti è lo stesso che li ha scritti, e scoprirà puntualmente che i testi fatti su misura per i modelli IA piacciono ai modelli IA.

Lo studio più solido di questo campo, le 252.000 prove con il risultato sul prezzo dichiarato, ha esattamente questa caratteristica, e i suoi autori lo dicono. Come controllo ne hanno riletti a mano 300. Noi quello studio lo citiamo di continuo e ha questo difetto, ed è per questo che ogni volta scriviamo che non è ancora passato al vaglio di altri ricercatori.

Chiedi: chi ha generato il materiale, e chi lo ha valutato?

3. Qual è il denominatore?

Quando leggi “quota di citazioni”, quel numero è quasi sempre calcolato solo sulle risposte che qualcuno l’avevano citato. Ma quasi nessuna risposta cita qualcuno. Similarweb ha trovato che a maggio 2026 solo 7 domande su 100 fatte a ChatGPT negli Stati Uniti ottenevano una risposta con una fonte qualsiasi: erano meno di 2 l’anno prima, quindi cresce in fretta, ma restano 7.

Quindi un titolo che dice che un marchio si prende 30 citazioni su 100 può star descrivendo 30 su 100 di quasi niente. Non è scritto da nessuna parte, e non lo vedi se non lo chiedi.

Chiedi: 30 su 100 di cosa, e quante risposte non citavano proprio nessuno?

4. Sta ottimizzando anche qualcun altro?

Quasi tutti gli studi mettono alla prova un attore che cambia una cosa mentre il resto del mondo sta fermo. I mercati veri non funzionano così. Uno studio chiamato C-SEO Bench, controllato da altri ricercatori prima di uscire, cosa che quasi nessun lavoro di questo campo può dire, ha trovato che quasi tutte le tecniche in circolazione “non solo sono largamente inefficaci ma hanno anche frequentemente un impatto negativo sul posizionamento del documento”, e che funzionavano sempre meno man mano che più concorrenti le adottavano. In quel campo, scrivono, quello che guadagna uno lo perde un altro.

Il che significa che una tattica che funzionava in uno studio fatto all’inizio del 2025 può non funzionare adesso, per il motivo banale che quello studio lo hanno letto tutti.

Chiedi: cosa succede quando lo fanno anche i tuoi concorrenti?

5. Misura la visibilità, o una sua approssimazione?

La conclusione della rassegna vale la pena citarla intera:

“Nessuna tecnica esaminata mostra un effetto causale stabile, longitudinale e valido su tutte le piattaforme sulla reperibilità organica o sui comportamenti successivi.”

Quante volte vieni citato, quante volte vieni nominato, quanto spazio occupi rispetto ai concorrenti: sono tutte cose vicine al risultato, non il risultato. Quello che vuole chiunque sono i clienti, e il legame fra le due cose, in questo campo, non l’ha ancora dimostrato nessuno.

Chiedi: qual è il risultato che si sta misurando, e quanto è lontano dai soldi?

---

Adesso applicala a noi.

Il nostro report gratuito fa dieci domande a ChatGPT, ognuna due volte. Ecco come se la cava sulla sua stessa lista di controllo.

Essere trovati: misuriamo risposte vere a domande vere, quindi il fatto di essere trovati sta dentro la misura invece di essere dato per scontato. Bene.

Giudizio: un modello estrae le menzioni e le posizioni da ogni risposta, ma non calcola mai un punteggio: l’aritmetica la fa il codice, sui dati salvati. Questo evita il peggio della circolarità, anche se il passaggio dell’estrazione resta un programma che legge un altro programma.

Denominatore: riportiamo il numero di risposte che non hanno nominato nessuno, accanto a quelle che hanno nominato qualcuno. Spesso è il numero più interessante della pagina.

Concorrenza: non possiamo controllarla. Non può nessuno. Se tutti nella tua categoria fanno questo lavoro, il vantaggio si comprime. Preferiamo dirtelo piuttosto che venderti una posizione permanente.

Distanza dall’approssimazione: misuriamo se un’IA ti nomina. Non misuriamo se questo ti ha portato un cliente, e non lo diremo mai. È il confine onesto di quello che questo servizio può dimostrare, e qualsiasi fornitore che ti dica il contrario ti sta descrivendo una catena causale che la letteratura non ha stabilito.

Un’ultima nota sui voti che diamo agli studi. Quasi tutti i risultati più solidi di questo campo, compresi parecchi su cui ci appoggiamo, sono lavori pubblicati prima che altri ricercatori li controllassero. Noi lo scriviamo tutte le volte. Quando qualcuno ti mostra uno studio senza dire in quale categoria ricade, quell’omissione è già un’informazione.