«Siamo noti nel nostro settore, quindi l’IA dovrebbe descriverci giusto»
Chiedete all’IA del vostro marchio e il nome esce. Il tasso di menzione nel vostro report di visibilità sta pure sopra la media di settore.
Il tasso di menzione è la quota di risposte dell’IA che nominano il marchio, punto.
Nella riunione di verifica, la mossa tipica è indicare quella barra del grafico e passare al punto successivo.
Controllare prima se si viene menzionati è l’ordine giusto: senza il nome nella risposta, non resta altro da controllare.
Ma se si costringe l’IA ad accostare una URL fonte alla risposta, e poi quella URL la si apre davvero, a volte la pagina non c’è. E, a quanto pare, succede di più, non di meno, alle aziende note.
Ho letto lo studio che l’ha contato citazione per citazione, e mi ha cambiato il modo di leggere i nostri stessi report.
Cosa bisognerebbe davvero misurare per un marchio noto?
Se le URL fonte citate dall’IA si aprono davvero, oltre al tasso di menzione.
Nelle domande che richiedevano una URL o un riferimento documentale, il 52,69% delle citazioni su 50 aziende ungheresi note — società quotate e filiali locali di marchi globali, tutte con presenza sui media internazionali — non si apriva. Per 50 PMI ungheresi poco note, la cifra era del 37,87%. Il divario: 14,82 punti, proprio l’opposto dell’ipotesi di partenza.
Zoltán Varga, di Neural Awareness a Budapest, ha controllato una per una le citazioni prodotte dall’IA per 100 aziende B2B (R).
È un preprint, pubblicato il 19-06-2026, non ancora sottoposto a revisione paritaria. Il frontespizio indica solo questa affiliazione, e un solo autore.
L’impianto: 1.400 domande, ognuna con l’obbligo di una URL
Le 100 aziende sono state divise in due gruppi in base alla notorietà.
- Gruppo noto: 50 aziende — società quotate e filiali locali di marchi globali, tutte con copertura sui media internazionali
- Gruppo poco noto: 50 PMI ungheresi con poca presenza internazionale e poca copertura in inglese
Sette tipi di domande, tutte in ungherese, su temi come la politica , la certificazione ISO, le procedure regolatorie o l’iscrizione al registro delle imprese — ogni domanda richiedeva una URL o un riferimento documentale nella risposta.
Hanno risposto due modelli: Claude Sonnet 4.6 e GPT-4o, nessuno dei due con ricerca in tempo reale — entrambi rispondono con quanto imparato in addestramento, non con una ricerca fresca.
Ogni azienda ha ricevuto le stesse 7 domande poste una volta a entrambi i modelli, per 100 aziende: 1.400 richieste in totale. Ne sono uscite 2.062 citazioni, controllate una per una da uno script, non giudicate da un’altra IA. «Non si apre» copre una URL che non restituiva una pagina normale, e un DOI (il numero di registrazione di articoli e documenti) non trovato nel registro.
Le aziende poco note ricevevano già meno citazioni in partenza
Per domanda che richiedeva una URL, la quota di risposte che ne includeva davvero almeno una: Claude citava una fonte l’85,7% delle volte con le aziende note, il 74,3% con quelle poco note. GPT-4o citava una fonte il 30,0% delle volte con le note, e solo il 14,3% con le poco note — GPT-4o, insomma, spesso non citava proprio niente per le aziende poco note.
Secondo la lettura dello stesso Varga, davanti a un’azienda che non conosce, il modello tende a tirarsi indietro invece di citare. Per questo i fallimenti del gruppo poco noto pendono verso «nessuna citazione» piuttosto che «citazione rotta».
E allora perché il gruppo noto ha avuto più citazioni rotte, invece di meno?
Varga battezza questo schema «il paradosso dell’allucinazione di marca». La sua lettura: il modello conosce abbastanza bene un’azienda famosa da costruire una URL che sembra giusta, senza aver imparato abbastanza da collegarla a una pagina che esiste davvero.
Questa, però, è una lettura, non un esperimento controllato: è un’osservazione fra due gruppi, non una prova in cui la notorietà è stata alzata e si è seguito il tasso di citazioni rotte mentre si muoveva. I due gruppi differiscono anche per dimensione aziendale, e lo studio non separa quanto del divario venga dalla notorietà e quanto dalla dimensione.
Mescolare domande regolatorie fa emergere il fallimento che davvero interessa
Tasso di citazioni rotte per tipo di domanda: le domande sulle procedure regolatorie o sulle multe degli ultimi tre anni risultano le più alte, al 56,77%, seguite da vicino dalle domande sulla politica GDPR, al 53,05%.
La domanda sull’iscrizione al registro delle imprese, usata come controllo, si fermava al 37,59%; la domanda sulla certificazione ISO (35,33%) non se ne distingueva con chiarezza.
Delle 946 citazioni che non si aprivano, 478 restituivano direttamente «pagina non trovata». Il dominio esisteva; mancava solo quella pagina precisa.
È come farsi indicare la stazione giusta, ma il numero di uscita sbagliato.
Di quelle 478, il 51,9% puntava non al sito dell’azienda stessa, ma all’autorità ungherese della concorrenza, della protezione dei dati, alla banca centrale o ai tribunali.
Quante delle proprie serie di domande toccano la storia regolatoria o la conformità al GDPR? Se la risposta è zero, si sta misurando escludendo proprio i tipi di domanda che questo studio ha trovato meno affidabili.
Questo dato è ungherese, e le domande erano costruite per forzare una URL
Esigere una URL a ogni risposta è una scelta di progettazione che spinge di proposito verso l’invenzione — tutti e sette i tipi di domanda condividono questa forma. Vuol dire che metà delle citazioni di tutti i giorni, senza questo vincolo, sono inventate anche loro?
Lo studio non arriva a sostenerlo. Il 52,69% viene con diverse condizioni.
- Entrambi i modelli testati saltano la ricerca in tempo reale; la misurazione è avvenuta in un solo momento, il 22-05-2026
- Perplexity, che cerca in tempo reale, resta fuori dal test principale. Un piccolo confronto laterale su 2 aziende dà un tasso di citazioni rotte del 7,32% su 123 citazioni, contro il 32–44% dei modelli senza ricerca
- 1.881 delle 2.062 citazioni vengono da Claude; i numeri di GPT-4o per gruppo non sono riportati separatamente, quindi quel lato della divisione non si può seguire con i dati disponibili
- Il tasso è un tetto massimo: conta tutto ciò che non si è potuto verificare, e circa il 16,4% delle citazioni segnate come «rotte» erano semplicemente irraggiungibili — accesso bloccato, per esempio — non confermate come inesistenti
- Le aziende sono B2B ungheresi, le domande sono in ungherese: questo studio non contiene nessuna misurazione in italiano
- È un preprint, e lo studio conta come dati distinti più citazioni della stessa azienda per la stessa domanda, cosa che l’autore stesso segnala come possibile motivo per cui il test statistico secondo cui questo divario non è casuale risulta un po’ più generoso del dovuto
Incollare il 52,69% nella propria previsione chiede al numero di viaggiare più lontano di quanto le sue condizioni permettano. Quello che questa misurazione sostiene davvero è più ristretto: i due gruppi hanno fallito in modo diverso, e questa differenza merita di essere controllata.
decidere in che gruppo si sta, poi scegliere un solo fallimento da inseguire
La divisione correva su una sola linea: società quotate e filiali locali di marchi globali con copertura mediatica internazionale da un lato, PMI ungheresi con poca presenza internazionale dall’altro. Le aziende intermedie restavano fuori dal confronto.
Se il vostro marchio sta chiaramente dalla parte nota, aggiungete il controllo delle fonti a quello che già misurate per il tasso di menzione: prendete le citazioni che l’IA accosta al nome e apritele davvero, mescolando domande regolatorie e sul GDPR. Sono stati i tipi di domanda con più citazioni rotte in questo studio.
Se il vostro marchio sta chiaramente dalla parte poco nota, invertite l’ordine: controllate prima se nome e citazione compaiono affatto, prima di preoccuparvi se quella citazione si apre.
Quanto è esatto ciò che viene citato, una volta che si apre, è il livello successivo — ChatGPT vi cita, ma lo racconta giusto? Andiamo a controllare prosegue da lì. Cambiare il fallimento da inseguire, a volte, fa emergere un divario che il tasso di menzione non aveva mai mostrato.
Fonti
- Varga, Z., «Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration», arXiv:2606.21595, 19-06-2026, https://arxiv.org/abs/2606.21595
