Come decide un'IA quali marchi menzionare?

La domanda di fondo

Una decisione che non vediamo

Quando un sistema di intelligenza artificiale risponde su una categoria, quasi mai menziona tutti i marchi che esistono. Ne sceglie alcuni, ne omette altri e, in molti casi, non sa nemmeno che alcuni sono lì. La domanda ragionevole è come decide. La risposta onesta è che non esiste una regola pubblicata che lo spieghi: quello che c'è sono fattori che si osservano e che si possono studiare separatamente.

Conviene cominciare da quello che non è. Non è un'asta dove compare chi paga di più, né una lista fissa di marchi autorizzati, né una classifica che qualcuno possa ribaltare con un'azione concreta. Un sistema di questo tipo genera testo a partire da fonti e pattern, e nel farlo decide chi nominare. Quella decisione è il risultato di condizioni, non di una formula segreta che qualcuno possa consegnarti.

Quello che il sistema deve trovare

Prima di entrare nei dettagli, il punto di partenza. Un sistema linguistico non indovina: genera testo appoggiandosi a quello che riesce a recuperare e ai pattern che ha imparato. Tutto quello che menziona deve venire da qualche parte. La prima condizione perché ti menzioni, quindi, non è la simpatia né il budget, ma l'esistenza di informazioni sufficienti e verificabili sul tuo marchio.

Con questo sul tavolo, questi sono i fattori che osserviamo con più frequenza quando studiamo perché un marchio compare o scompare da una risposta generata.

I fattori che influiscono

1. Quali informazioni pubbliche esistono e sono leggibili dalle macchine

Quello che non è scritto, per questi sistemi non esiste. E non basta esserci: bisogna essere scansionabili e, soprattutto, estraibili. Una descrizione che si capisce solo leggendo la pagina intera dall'inizio è molto meno utile di un dato che si può isolare. Nomi completi, categorie esplicite, città, servizi, prezzi quando servono: tutto questo funziona come materia prima. Se il dato è sepolto dove non si distingue dal resto, per il sistema è quasi come non esserci.

2. Se il marchio è associato a entità chiare

L'informazione non vive da sola: vive collegata. Un sistema deve sapere che quel marchio è un'azienda, che offre certi prodotti, che opera in certi luoghi e che è collegato a persone o progetti concreti. Quando quei collegamenti non ci sono, il marchio resta un nome sciolto. E un nome sciolto ha poche possibilità di essere recuperato quando qualcuno chiede della categoria e non del marchio.

3. La coerenza tra quello che dici di te e quello che dicono terzi

Questo punto di solito è il più scomodo. Il web proprio è una fonte, ma non l'unica e raramente la più creduta. Quello che pubblicano media, directory, piattaforme di settore, fornitori, forum e altre aziende fa parte anche di quello che un sistema può leggere e dei pattern con cui è stato addestrato. Quando le fonti si incrociano e dicono tutte la stessa cosa, il marchio guadagna coerenza. Quando ci sono contraddizioni, l'immagine si indebolisce e la menzione diventa meno probabile.

4. La struttura del contenuto

Lo stesso contenuto può rendere in modi molto diversi secondo come è organizzato. La differenza pratica sta tra una risposta esplicita e una che bisogna dedurre. Questi sistemi estraggono; non risolvono indovinelli. Se nella tua pagina la risposta a una domanda concreta è formulata in una frase chiara, la probabilità che venga usata sale. Se bisogna ricostruirla da tre sezioni diverse, scende. Questo non richiede di scrivere per le macchine né di sacrificare lo stile: richiede ordine.

5. La coerenza tra fonti diverse

Dire la stessa cosa ovunque con le stesse parole non è nemmeno l'obiettivo, ma aiuta che non ci siano versioni incompatibili. Nomi che cambiano, categorie che non coincidono tra un profilo e l'altro, descrizioni che si contraddicono da una directory all'altra: ogni incoerenza è un dubbio. E il dubbio, in un sistema che deve produrre una risposta breve, di solito si risolve omettendo.

6. L'attualità e la verificabilità dei dati

Un dato vecchio è un dato debole. Se l'informazione disponibile sembra abbandonata, il sistema non ha modo di sapere che cosa è ancora vero. Date, cambi di servizio, trasferimenti, chiusure: tutto questo, quando non si aggiorna, diventa rumore. La verificabilità punta allo stesso punto da un altro angolo: che quello che si afferma si possa confrontare con qualcosa. Un'affermazione che esiste solo sul tuo sito è più fragile di una che compare sostenuta in più luoghi.

7. Il punto di partenza: quanto è conosciuto il marchio nella sua categoria

In categorie dove il marchio è poco conosciuto, l'ostacolo non è arrivare secondo: è che il sistema non sappia che esiste. Questo è un problema diverso e più difficile. L'esistenza, per un sistema, si costruisce con menzioni diverse e sostenute nel tempo, non con un'azione puntuale. Per questo il lavoro somiglia più ad accumulare prove che a eseguire un trucco.

Quello che non si può controllare

Fin qui, fattori su cui si può intervenire. Ma sarebbe disonesto suggerire che la questione sia sotto controllo.

• I criteri con cui questi sistemi scelgono chi menzionare non sono pubblici.
• Cambiano: un modello nuovo, un aggiornamento o una messa a punto possono alterare il risultato.
• Non sono un blocco unico. Ci sono diversi sistemi, con fonti e comportamenti diversi.
• La stessa query, fatta due volte, può ricevere risposte diverse.
• Quello che funziona oggi può non funzionare domani, e non ci sarà avviso.

Questa opacità ha una conseguenza pratica: nessuno può promettere una menzione. Quello che si può fare è osservare con metodo: formulare ipotesi sul perché un marchio compare o no, intervenire su un fattore alla volta e misurare di nuovo. È la logica del ciclo di lavoro di Sageo Estudio —indagare, misurare, interpretare, intervenire e misurare di nuovo— applicata a un terreno dove la risposta corretta non è pubblicata.

Interpretazione, non ricette

Se qualcosa si può concludere da tutto quanto sopra, è che la visibilità nei sistemi di IA non si risolve con una lista di passi. Somiglia più alla reputazione che alla pubblicità: si costruisce con quello che gli altri possono verificare su di te e si sostiene con la coerenza. Lavorare su questo implica accettare quell'incertezza e trasformarla in metodo.

Per questo non parliamo di trucchi né di scorciatoie. Parliamo di capire prima quali segnali esistono su un marchio, come si collegano tra loro e che cosa spiega che un sistema lo menzioni o lo ignori. Questo è il punto di partenza, e anche il limite di quello che si può affermare oggi.

Un sistema di IA non menziona quello che non può leggere, non capisce o non può verificare.

Sageo Estudio · Search Intelligence · Indagare, misurare, interpretare, intervenire, misurare di nuovo

Scopri la metodologia Search Intelligence