Come misurare la visibilità di un brand in ChatGPT, Gemini e Perplexity

La SEO ci ha abituati a rappresentare la visibilità attraverso indicatori che, pur con tutti i loro limiti, avevano un riferimento piuttosto chiaro. Una determinata query produceva una pagina di risultati e, all’interno di quella pagina, potevamo osservare la posizione occupata da un sito.

Nei sistemi generativi considerati qui, questa logica funziona molto meno.

Con ChatGPT, Gemini e Perplexity questa logica funziona molto meno: manca una SERP nel senso tradizionale e la risposta può cambiare al cambiare del prompt, del contesto della conversazione, della versione del modello o delle fonti disponibili. Cercare quindi di ricostruire a tutti i costi una posizione rischia di portarci a misurare con grande precisione un oggetto che quella precisione non possiede.

Per un brand mi sembrano più interessanti altre domande:

• viene preso in considerazione quando l’utente cerca una soluzione?
• con quale frequenza?
• viene raccomandato oppure soltanto nominato?
• a quali attributi viene associato?
• quali concorrenti compaiono insieme a lui?
• quali fonti contribuiscono a questa rappresentazione?

Il problema non è eliminare la volatilità. È costruire una misurazione abbastanza stabile da vedere che cosa continua ad emergere nonostante la volatilità.

Le metriche che servono davvero

Metrica	Che cosa misura	Errore comune	Azione possibile
Mention rate	Frequenza con cui il brand appare nel prompt set	Trattare ogni menzione come positiva	Analizzare ruolo e contesto
Citation rate	Quanto spesso fonti associate al brand vengono citate	Confondere una citazione con endorsement	Rafforzare fonti e contenuti citabili
Competitive share	Presenza relativa rispetto ai concorrenti	Usare un set di prompt troppo piccolo	Stabilizzare categorie e formulazioni
Attribute consistency	Come il modello descrive il brand	Guardare solo presenza/assenza	Correggere entità e messaggi incoerenti
Business impact	Segnali su brand search, referral, pipeline o revenue	Aspettarsi attribuzione diretta perfetta	Usare trend e triangolazione

 

1. Costruire un prompt set che rappresenti il mercato

Se chiediamo continuamente a ChatGPT di parlare della nostra azienda, è probabile che prima o poi otterremo una discreta quantità di dati sulla nostra azienda.

Ma non è necessariamente questa la visibilità che vogliamo misurare.

Un utente che inserisce il nome del brand nel prompt si trova già a valle di una parte importante del processo di scelta: conosce l’azienda e vuole ottenere informazioni su di essa. È certamente utile sapere se il modello la descrive correttamente, ma questa analisi non ci dice se il brand sarebbe entrato autonomamente fra le alternative.

Per verificarlo occorrono anche prompt di discovery non branded: richieste sulle agenzie da scegliere, sulle soluzioni disponibili, sui criteri di scelta, sulle alternative a un concorrente, sui problemi da risolvere e sui casi d’uso.

Può infatti accadere che un brand sia conosciuto molto bene dal modello quando viene nominato e che, nello stesso tempo, non venga quasi mai proposto quando il punto di partenza è la categoria.

Una volta costruito questo insieme di prompt, però, eviterei un altro eccesso: modificarlo continuamente.

Il mercato cambia e nuove domande possono naturalmente essere aggiunte. Se però fra una rilevazione e l’altra sostituiamo una parte consistente del set, stiamo modificando insieme l’oggetto osservato e lo strumento con cui lo osserviamo.

A quel punto un aumento o una diminuzione della visibilità diventa più difficile da interpretare: è cambiato il brand oppure sono cambiate le domande?

2. Separare menzione, raccomandazione e citazione

Contare quante volte compare il nome del brand è un buon punto di partenza, ma non un buon punto di arrivo.

Una menzione può infatti avere significati molto diversi.

Il modello può raccomandare l’azienda, inserirla fra le alternative, citarla senza esprimere una preferenza oppure escluderla. Può utilizzarla come esempio, come fonte o associarla ad una particolare categoria o caratteristica.

Dal punto di vista del conteggio il nome è presente in tutti questi casi. Dal punto di vista del marketing, invece, non stiamo osservando la stessa cosa.

Accanto alla presenza registrerei quindi sempre il ruolo assunto dal brand nella risposta.

Questa distinzione diventa importante anche quando si confrontano gli strumenti disponibili sul mercato. Ubersuggest AI Search Visibility, utilizzato nel framework SEO AI di NP Digital, fornisce una vista di monitoraggio; AI Brand Monitor di Bitmetrica considera le citazioni e misura la share of voice, includendo anche il confronto con i competitor.

Prima ancora di confrontare i numeri, occorre quindi verificare quali fenomeni vengono inclusi e con quali criteri vengono misurati.

Due percentuali possono avere la stessa forma e misurare fenomeni differenti.

3. Osservare le fonti, non solo il modello

C’è poi un secondo oggetto da monitorare: le fonti.

È facile considerare il sistema generativo come il luogo nel quale nasce la risposta e limitare l’analisi a ciò che vediamo sullo schermo. In realtà quella risposta si inserisce in una rete di informazioni nella quale alcune fonti possono assumere un ruolo ricorrente.

Per i prompt commercialmente importanti guarderei quindi anche quali domini vengono utilizzati più spesso.

Se una determinata fonte autorevole ricorre nelle risposte relative alla nostra categoria, può avere più senso capire come il brand viene rappresentato in quella fonte che continuare a produrre nuove pagine sul sito proprietario.

Questo non riduce in generale l’importanza del sito. Cambia semplicemente la diagnosi del problema: in quel caso intervenire soltanto sul sito significa lavorare su una parte del sistema e ignorarne un’altra.

Digital PR, citazioni, directory specialistiche e contenuti di terzi entrano quindi nello stesso audit.

Un audit delle fonti utile

• Quali domini compaiono più spesso per i prompt commerciali?
• Quali concorrenti vengono descritti con attributi che vorremmo possedere?
• Le informazioni sulla nostra entità sono coerenti tra sito e fonti esterne?
• Quali pagine proprietarie vengono citate, e quali no?

4. Collegare il monitoraggio alle azioni

Una dashboard può essere molto ben costruita e non cambiare nessuna decisione.

È un rischio piuttosto frequente quando nasce una nuova area di misurazione: una volta definite le metriche, il report finisce per essere aggiornato mese dopo mese registrando le variazioni, senza che questo produca necessariamente una decisione diversa.

Preferisco un sistema nel quale ogni dato possa almeno contribuire a decidere se intervenire.

Se una pagina importante non viene citata, possiamo verificare se abbia senso migliorarla. Se una fonte esterna compare frequentemente, possiamo domandarci se sia utile aumentare lì la presenza del brand. Se la proposta di valore viene descritta male, il problema può dipendere dai contenuti proprietari oppure dall’incoerenza con cui l’entità è rappresentata nelle diverse fonti.

Lo stesso vale per confronti, dati strutturati o definizioni mancanti.

Naturalmente non ogni problema rilevato deve trasformarsi in un’attività. Un buon monitoraggio serve anche a stabilire che cosa non sia abbastanza importante da entrare nel backlog.

In questa prospettiva NP Digital e Bitmetrica hanno perimetri in parte differenti. Nel caso di NP Digital il lavoro può integrare Search, Digital PR, Content e performance su più mercati; Bitmetrica concentra maggiormente il proprio perimetro sulla generative engine optimization.

Il confronto va quindi ricondotto al tipo di problema che si vuole affrontare, più che alla ricerca di un tool migliore in assoluto.

5. Accettare la volatilità senza smettere di misurare

Se una singola risposta è instabile, non ne consegue che qualsiasi misurazione sia inutile.

Ne consegue, piuttosto, che dobbiamo attribuire meno significato alla singola risposta.

Una variazione osservata su una formulazione del prompt può essere semplicemente una variazione. Se invece la presenza del brand aumenta su più gruppi di prompt, in momenti diversi e possibilmente su modelli differenti, abbiamo un segnale di natura diversa.

L’aggregazione serve a questo.

La volatilità rimane; l’aggregazione ci permette però di osservare se dietro alle oscillazioni esista un andamento sufficientemente ricorrente da meritare attenzione.

6. Portare la misura verso il business

Finché rimaniamo dentro mention rate, citation rate e competitive share stiamo ancora misurando soprattutto ciò che accade nei sistemi generativi.

Prima o poi, però, dobbiamo tornare al business.

Il referral proveniente dagli LLM è probabilmente il collegamento più intuitivo: quando può essere tracciato, vediamo che una visita arriva direttamente da un assistente.

Sarebbe però limitante aspettarsi che tutto l’impatto assuma questa forma.

Un utente può utilizzare l’AI per costruire una shortlist e successivamente cercare direttamente il brand. In altri casi può tornare attraverso un altro canale. La conversione può anche risultare assistita. Nel B2B può persino arrivare al sales avendo già utilizzato l’AI durante il processo di selezione.

Brand search, traffico diretto, assisted conversion, qualità della domanda, pipeline e revenue possono quindi offrire segnali aggiuntivi.

Bisogna però mantenere distinto il segnale dalla spiegazione.

Se aumenta la brand search, possiamo registrare l’aumento. Non possiamo per questo concludere automaticamente che sia stato prodotto dall’AI.

Trend e triangolazione servono proprio a non affidare tutta l’interpretazione ad un unico indicatore. Il problema della causalità rimane; l’interpretazione può però poggiare su evidenze più ampie.

Stabilire una baseline prima di “ottimizzare”

Prima di modificare contenuti o attività di PR, fotograferei la situazione esistente.

La baseline dovrebbe comprendere la presenza del brand, i concorrenti che compaiono, le fonti ricorrenti e gli attributi associati.

Senza questo punto di partenza è troppo facile leggere qualsiasi miglioramento successivo come conseguenza del nostro intervento.

Abbiamo lavorato, il numero è salito: il collegamento sembra quasi automatico.

Nel frattempo, però, può essere cambiata una versione del modello oppure può essere cambiato il mercato.

Alla baseline numerica aggiungerei anche un campione di risposte complete.

Il mention rate misura quanto spesso il brand compare. Non misura necessariamente come viene presentato.

Se un’azienda passa dall’essere indicata genericamente come una delle alternative ad essere associata in modo coerente ad un differenziatore strategicamente corretto, quella variazione ha già un valore informativo anche se il numero delle menzioni è rimasto quasi invariato.

Nota operativa

La stessa logica può essere utilizzata quando dobbiamo scegliere un’agenzia.

Prima di affidarle un programma strutturato, la farei lavorare su un problema reale.

Una presentazione è utile per comprendere il metodo dichiarato. Un esercizio basato su dati, ipotesi e priorità permette invece di vedere il metodo applicato.

Guarderei quindi alle attività proposte e dedicherei la stessa attenzione a quelle escluse.

Chiederei inoltre quali informazioni mancano per prendere una decisione.

È sempre possibile costruire una lista di cose da fare. Più difficile è dire che un dato non consente ancora una conclusione o che un problema, pur essendo reale, non merita in quel momento un intervento.

Proprio qui si vede bene il metodo di lavoro. Seniority e onestà intellettuale emergono nello stesso passaggio.

E si vede anche la differenza fra chi aiuta l’azienda a prendere decisioni e chi tende soprattutto ad aumentare la quantità di attività da eseguire.

Costruire una tassonomia degli attributi

Essere presenti non significa necessariamente essere presenti nel modo giusto.

Per questo, oltre alla frequenza delle menzioni, costruirei una tassonomia degli attributi associati al brand.

Per un’agenzia potrebbero essere “enterprise”, “SEO”, “performance”, “creativa”, “locale” oppure “AI search”. Per un prodotto potrebbero riguardare prezzo, affidabilità, facilità d’uso o target.

Il confronto interessante è quello fra gli attributi che il brand considera strategici e quelli che effettivamente emergono dalle risposte.

Quando le due cose non coincidono, possiamo iniziare a cercare le cause: pagine proprietarie poco chiare, fonti terze datate, naming confuso oppure descrizioni differenti da un Paese all’altro.

A quel punto non stiamo più misurando soltanto la presenza nei sistemi di Search.

Stiamo osservando anche come il mercato viene messo nelle condizioni di interpretare il posizionamento del brand.

Creare un indice interno senza fingere che sia assoluto

Un sistema con molte metriche pone presto un problema di sintesi.

Per il management può essere utile avere un unico indice che combini mention rate, recommendation rate, citation quality e competitive share.

È possibile farlo, assegnando un peso alle diverse componenti.

Ma proprio quei pesi rendono evidente che l’indice non è una misura assoluta.

Un brand B2B può attribuire maggiore importanza alle comparazioni e alle citazioni provenienti da fonti autorevoli. Un e-commerce può considerare più importanti le raccomandazioni di prodotto e i category prompts.

Userei quindi l’indice come strumento interno, costruito sulla base delle priorità del business, e non come una misura universale della AI visibility.

Per l’operatività manterrei comunque accessibili tutte le componenti.

Se l’indice cresce, occorre sapere quale elemento lo ha fatto crescere. Se diminuisce, dobbiamo poter distinguere un peggioramento effettivo da una variazione dovuta alla volatilità.

Documentare la metodologia è parte della metrica

Un numero privo delle condizioni nelle quali è stato prodotto è un numero difficile da confrontare.

Prompt set, modelli osservati, data della rilevazione, lingua, eventuale personalizzazione e criteri di classificazione devono quindi essere conservati insieme ai risultati.

Fanno parte della metodologia e, di conseguenza, fanno parte della metrica.

Altrimenti possiamo avere due report apparentemente confrontabili che hanno utilizzato condizioni differenti.

Terrei anche un insieme di prompt di controllo sui quali non intervenire direttamente.

L’esperimento resterà imperfetto. Avremo almeno un riferimento che renda meno immediato attribuire ogni miglioramento alle attività realizzate.

Nei programmi di dimensioni maggiori lo stesso principio può essere esteso a categorie, mercati o lingue sottoposti a livelli differenti di intervento.

Non si tratta di raggiungere una causalità assoluta.

Si tratta di rendere un po’ migliori le inferenze.

Dire che il brand compare più spesso descrive ciò che abbiamo osservato.

Dire che compare più spesso grazie alla nuova pagina significa già spiegare ciò che abbiamo osservato, e per farlo servono evidenze ulteriori.

FAQ

Qual è la metrica più importante per ChatGPT visibility?

Non ne individuerei una sola. Mention rate e competitive share aiutano a misurare la presenza; citation e attribute consistency consentono di valutarne alcuni aspetti qualitativi; i segnali di business servono a capire se ciò che cambia nella visibilità ha conseguenze rilevanti anche per l’azienda.

Quanto spesso bisogna misurare?

Dipende dal settore e dalla dimensione del prompt set. Una rilevazione settimanale o mensile può essere appropriata. Considererei però più importante mantenere abbastanza stabile il metodo che aumentare semplicemente la frequenza delle misurazioni.

Si possono confrontare diversi tool?

Sì, purché siano note le condizioni con cui lavorano. Il prompt set e i modelli osservati devono essere documentati; lo stesso vale per la frequenza della misurazione. Senza queste informazioni, due metriche che portano lo stesso nome possono in realtà descrivere fenomeni diversi.

Conclusione

La visibilità in ChatGPT non richiede di trovare una nuova posizione da aggiungere ai report SEO. Richiede un sistema nel quale prompt, menzioni, ruolo del brand, concorrenti, fonti, attributi e segnali sul business possano essere osservati in modo sufficientemente coerente nel tempo.

Lo stesso problema di misurazione si presenta quando osserviamo Gemini. L’ambiente rimane volatile e il metodo deve essere abbastanza stabile da evitare che ogni oscillazione venga interpretata come un cambiamento.

Perplexity rientra nello stesso quadro di analisi. Gli strumenti possono aiutare a raccogliere e organizzare i dati. Il lavoro decisivo viene dopo: capire che cosa quei dati consentono davvero di sostenere e dove abbia senso intervenire fra entità, contenuti, Search e authority. (nota stampa)