«Allora ne facciamo due, uno per ChatGPT e uno per Claude?»
Basta mettere sul tavolo il lavoro di visibilità sull’IA e la domanda arriva. Ogni volta.
Ci sono rimasto impigliato per sei mesi buoni. Apri il cruscotto di misurazione e i marchi che nomina ChatGPT semplicemente non sono quelli che nomina Claude.
Con risultati così distanti, sdoppiare il piano sembra la scelta onesta. Raddoppia però anche il lavoro.
Qualcuno ha misurato proprio questo: non dal lato delle raccomandazioni, ma dal lato dei motivi per cui un marchio non ne riceve.
Servono strategie di visibilità separate per ChatGPT e Claude?
Non prima della diagnosi. I marchi raccomandati dai due fornitori divergono in circa due terzi dei casi, ma quando entrambi lasciano fuori un marchio, la diagnosi del perché coincide nel 95,1% dei casi (Will Jack e colleghi di Unusual.ai, maggio 2026, 215 prompt commerciali, 7.763 fallimenti congiunti).
In sostanza: una diagnosi, fatta una volta, vale per entrambi.
Diagnosticare qui significa collocare il problema in una fase. Il modello non vi trova, oppure vi trova e non risultate convincenti, oppure vi ha archiviati sotto tutt’altro caso d’uso. Il gruppo di ricerca ha classificato ogni fallimento congiunto in queste tre modalità.
215 prompt commerciali e 7.763 casi in cui nessuno dei due vi ha citati
Il gruppo di Unusual.ai è andato dritto a un bivio concreto: se i vostri clienti usano entrambi, conviene ottimizzare per fornitore (arXiv:2606.26116)?
Il metodo è sobrio. Lanciare 215 prompt di contesto commerciale a entrambi, affiancare le raccomandazioni, poi estrarre i 7.763 «fallimenti congiunti» — le esecuzioni in cui nessuno dei due ha raccomandato il marchio — e verificare se la diagnosi coincide.
La divergenza viene fissata prima con i numeri. La similarità di Jaccard tra fornitori è 0,35, mentre ripetere lo stesso prompt sullo stesso fornitore dà tra 0,50 e 0,61. La distanza tra fornitori supera l’oscillazione di una semplice ripetizione.
Meno il marchio è noto, più le diagnosi coincidono
Concordanza complessiva: 95,1%, intervallo di confidenza tra 94,3% e 95,7%. Il dettaglio sotto è la parte utile.
- Marchi leader di categoria: 81%
- Marchi di coda lunga e regionali: 99,6%
Più il marchio è sconosciuto, più entrambi lo scartano per lo stesso motivo. Al contrario, quando un nome ce l’avete già, i modi di fallire cominciano a separarsi per fornitore.
Questo vi dice quanto dura la scorciatoia. Finché state ancora costruendo notorietà, una sola diagnosi copre entrambi.
Risultati diversi, diagnosi comune, perché i percorsi sono diversi
I due arrivano alla raccomandazione per strade visibilmente diverse. Anthropic risponde da ciò che già sa nel 43-52% dei casi; OpenAI nell’8-29%.
Uno pesca dalla memoria, l’altro va a cercare. Due strade per la stessa domanda: normale che i nomi non combacino.
Eppure il motivo dell’inciampo si ripete. Due persone con tragitti casa-lavoro completamente diversi possono arrivare tardi per la stessa ragione: nessuna delle due è uscita di casa.
Se non siete usciti di casa, ottimizzare due percorsi non serve.
Fin dove arriva questo numero
Quattro riserve, e le direi tutte prima che il dato finisca in una presentazione.
- Solo due fornitori, OpenAI e Anthropic. Gemini e Perplexity non ci sono
- Mercati di Stati Uniti, Regno Unito e UE, 19 settori. Nessuna misurazione in italiano
- Misurazione di un solo giorno, senza analisi della deriva nel tempo
- I quattro autori lavorano tutti in Unusual.ai, azienda che vende misurazione della visibilità di marca sull’IA
L’ultimo punto pesa sulla direzione della conclusione. «La vostra diagnosi è riutilizzabile» è una conclusione comoda per chi vende diagnosi.
Detto questo, non contraddice la divergenza dei risultati di cui abbiamo già scritto. A divergere è l’output; la classificazione delle cause è la parte condivisa.
diagnosticate la fase prima di sdoppiare il piano
Quel che conta portarsi a casa è l’ordine.
Prima di costruire una tabella di azioni per fornitore, inserite un passaggio. Stabilite se perdete alla scoperta — il modello non vi tira mai fuori — o alla selezione, quando vi cita e poi consiglia un concorrente.
Quella risposta tiene tra OpenAI e Anthropic con circa il 95% di affidabilità. E meno il marchio è affermato, più tiene.
Se sdoppiare il piano resta una domanda legittima. Solo che va posta dopo la diagnosi, non prima.
Fonti
- Will Jack, Noah Lehman, Keller Maloney, Sarah Xu (Unusual.ai), “Divergent Recommendations, Convergent Diagnoses: Cross-Provider Failure-Mode Convergence in AI Commercial Recommendation”, arXiv:2606.26116v1, pubblicato il 22 maggio 2026, arxiv.org (215 prompt commerciali su OpenAI e Anthropic; 7.763 fallimenti congiunti analizzati. Similarità di Jaccard tra fornitori 0,35 contro una linea di base di 0,50-0,61 ripetendo lo stesso prompt sullo stesso fornitore. La diagnosi della modalità di fallimento ha concordato nel 95,1% dei casi [94,3%, 95,7%], dall’81% per i leader di categoria al 99,6% per i marchi di coda lunga e regionali. Anthropic ha raccomandato dalle conoscenze pregresse nel 43-52% delle esecuzioni, OpenAI nell’8-29%. Mercati di Stati Uniti, Regno Unito e UE, 19 settori, misurazione di un solo giorno; tutti e quattro gli autori sono dipendenti di Unusual.ai, fornitore di misurazione della visibilità di marca sull’IA.)
