Essere il brand preferito da ChatGPT non significa esserlo per Gemini, Perplexity o un altro answer engine. Un nuovo benchmark pubblicato da SEOPulse rende questa frammentazione particolarmente evidente: su 1.500 prompt commerciali analizzati, la società afferma che i sistemi AI hanno indicato esattamente lo stesso top vendor in meno dell’1,5% delle query. Se il dato è rappresentativo almeno del campione osservato, l’idea di una singola “posizione numero uno nell’AI” diventa molto difficile da sostenere.

Il risultato è al centro dell’analisi pubblicata da NetContentSEO il 3 settembre. La percentuale va però interpretata con cautela: nasce da una ricerca dichiarata da SEOPulse in occasione del lancio della propria piattaforma di AI visibility, non da uno studio accademico indipendente, e il materiale pubblico non offre abbastanza dettagli metodologici per generalizzarla a ogni settore, Paese e tipologia di prompt. La conclusione più robusta non è quindi che “gli AI engine concordano sempre soltanto nell’1,5% dei casi”, ma che la raccomandazione di brand può cambiare radicalmente da una piattaforma all’altra.

Il benchmark: 1.500 prompt commerciali e pochissima convergenza sul primo brand

Nel comunicato pubblicato da SEOPulse tramite PR Newswire, l’azienda afferma di avere analizzato 1.500 prompt commerciali e di avere rilevato che gli AI engine selezionano lo stesso vendor al primo posto in meno dell’1,5% delle query. La piattaforma annunciata monitora sistemi occidentali e asiatici, tra cui ChatGPT, Gemini, DeepSeek e Doubao, con tracking multilingua e multiregione.

Il numero è molto più basso rispetto ad altre misure di convergenza pubblicate nel settore. Questa apparente contraddizione è importante, perché mostra quanto la definizione della metrica influenzi il risultato. Misurare se più engine scelgono esattamente lo stesso brand come prima raccomandazione è molto più restrittivo che chiedersi quanti brand in comune compaiano complessivamente nelle rispettive risposte.

Non esiste una SERP AI universale

Nel search tradizionale siamo abituati a parlare di ranking come di una posizione osservabile. Anche se le SERP cambiano per localizzazione, dispositivo e personalizzazione, il modello mentale rimane relativamente stabile: una query produce una pagina di risultati ordinati e il SEO misura dove compare il proprio URL.

Gli answer engine rompono questo schema. Un sistema può suggerire tre aziende senza ordinarle esplicitamente, un altro può scegliere un unico prodotto, un terzo può costruire una tabella comparativa e un quarto può citare una fonte che parla del brand senza raccomandare direttamente il brand stesso. Parlare semplicemente di “ranking AI” rischia quindi di comprimere eventi molto diversi in una singola metrica.

La domanda più utile diventa: con quale frequenza il brand entra nelle risposte che contano, in quale ruolo, su quali piattaforme e per quali segmenti di domanda? È un problema di share of voice e di rappresentazione, non soltanto di posizione.

Perché ChatGPT e Gemini possono scegliere aziende differenti

Ogni piattaforma opera dentro un ambiente informativo diverso. Modelli, sistemi di retrieval, indici, frequenza di aggiornamento, istruzioni di prodotto e logiche di selezione delle fonti non sono identici. Anche quando due assistenti ricevono lo stesso prompt, possono recuperare documenti differenti e attribuire peso diverso alle evidenze.

Un engine può incontrare una comparativa recente che favorisce un determinato vendor; un altro può recuperare soprattutto documentazione ufficiale; un terzo può affidarsi maggiormente a fonti che riflettono un mercato geografico specifico. A questo si aggiunge la variabilità generativa: ripetere la stessa domanda non garantisce sempre lo stesso ordine o le stesse fonti.

Per i marketer la conseguenza è semplice ma impegnativa: la buona performance su una piattaforma non permette di dedurre automaticamente la performance sulle altre. “Siamo forti su ChatGPT” e “siamo visibili nell’AI Search” non sono affermazioni equivalenti.

Altri studi trovano percentuali diverse, e non è necessariamente una contraddizione

Un’analisi pubblicata da Analyze AI nell’agosto 2026 ha esaminato 22.295 risposte tra ChatGPT, Perplexity e Google AI Mode. Nel sottoinsieme confrontabile nello stesso giorno, su prompt B2B generici, il brand specificamente monitorato appariva in tutti e tre gli engine nel 14,6% delle osservazioni; nel 47,2% non appariva in nessuno dei tre.

La percentuale non misura la stessa cosa del dato SEOPulse. Analyze AI chiede se uno specifico focal brand viene menzionato da tutti e tre gli engine, mentre il benchmark SEOPulse dichiara di osservare l’accordo sull’esatto top vendor. È perfettamente possibile che tre sistemi menzionino lo stesso brand ma assegnino il primo posto a tre aziende differenti.

Anche BrightEdge ha mostrato nel 2026 una convergenza molto più elevata quando l’unità di analisi è il set complessivo dei brand citati. Nel suo dataset, retail, travel e tech mostravano forti sovrapposizioni tra i brand nominati dai diversi sistemi, mentre healthcare e finance risultavano più divergenti. Ancora una volta, “quali brand compaiono nel gruppo?” e “qual è il singolo brand che arriva primo?” sono domande statisticamente differenti.

La categoria può contare quanto l’engine

Il lavoro di BrightEdge suggerisce inoltre che la convergenza dipenda dal mercato. In categorie transazionali con pochi leader molto riconoscibili, diversi sistemi possono attingere allo stesso insieme di aziende consolidate. Nei settori più research-heavy, dove esistono numerose fonti autorevoli e criteri di scelta più complessi, gli engine possono sviluppare preferenze molto più differenti.

Questo significa che una media cross-industry può essere poco utile per una singola azienda. Un retailer globale e una società B2B di cybersecurity potrebbero vivere due ecosistemi di AI visibility completamente diversi. Il primo potrebbe incontrare un insieme relativamente stabile di competitor su più piattaforme; la seconda potrebbe scoprire che ogni answer engine costruisce una shortlist differente.

Prima di applicare qualsiasi benchmark generale, quindi, bisogna misurare il proprio settore.

Menzione, citazione e raccomandazione sono tre eventi distinti

SEOPulse riporta un secondo dato interessante: oltre metà delle risposte AI del proprio benchmark menzionava brand, ma soltanto il 10% menzionava e citava un brand. Anche questa distinzione è fondamentale per la misurazione.

Un assistente può scrivere che un prodotto è tra i leader del settore senza fornire alcun link. Può raccomandare il brand ma citare una recensione indipendente. Oppure può citare il sito ufficiale come fonte per una specifica tecnica senza includere l’azienda tra le raccomandazioni finali. Tutte e tre le situazioni generano “visibilità”, ma hanno implicazioni differenti.

La menzione può creare awareness senza traffico misurabile. La citazione può generare un percorso verso una fonte. La raccomandazione può influenzare la shortlist commerciale anche quando non produce un clic. Ridurre tutto ai referral provenienti dai chatbot significa quindi osservare soltanto la parte più facilmente misurabile del fenomeno.

Il prompt tracking sta assumendo il ruolo del rank tracking

La piattaforma SEOPulse nasce precisamente da questa frammentazione e propone di monitorare prompt, brand mention, citazioni e AI share of voice attraverso più engine. Il principio è più interessante del singolo prodotto: nell’AI Search l’unità di misura può diventare la combinazione prompt-engine-mercato invece della classica coppia keyword-URL.

Un prompt come “miglior CRM” è molto diverso da “quale CRM è più adatto a una SaaS europea di 200 dipendenti con integrazione Salesforce e requisiti GDPR?”. Entrambi appartengono alla stessa area commerciale, ma il secondo contiene vincoli che possono cambiare completamente la shortlist.

Per questo una strategia di monitoraggio non può limitarsi a poche domande generiche. Deve rappresentare i diversi momenti della customer journey: scoperta del problema, ricerca delle alternative, comparazione, pricing, requisiti tecnici e decisione finale.

Una share of voice vale quanto il prompt set che la produce

Le dashboard di AI visibility possono produrre percentuali estremamente precise, ma una percentuale non è automaticamente una misura rappresentativa. Se metà dei prompt selezionati riguarda il prodotto nel quale un brand è storicamente dominante, la sua share of voice apparirà molto diversa da quella ottenuta con un panel bilanciato sull’intero mercato.

Serve quindi una tassonomia stabile. I prompt dovrebbero essere associati a prodotto, persona, funnel stage, mercato, lingua e livello di intento. Una parte del panel deve rimanere costante nel tempo per permettere confronti longitudinali, mentre una componente può evolvere per intercettare nuovi modi di porre le domande.

Il problema è analogo alla costruzione di un paniere statistico: non serve misurare ogni possibile domanda, ma bisogna evitare che il campione racconti soltanto ciò che il team desidera vedere.

Una singola risposta non dimostra una posizione stabile

I sistemi generativi sono variabili. Fonti, formulazione e ordine delle raccomandazioni possono cambiare tra sessioni successive. Modelli e indici vengono aggiornati, mentre i prodotti modificano continuamente il modo in cui utilizzano web search e retrieval.

Una screenshot nella quale il proprio brand appare al primo posto è quindi una prova debole di leadership. Per parlare di visibilità persistente servono osservazioni ripetute. Occorre misurare quante volte il brand compare, quanto spesso viene raccomandato, con quale sentiment e con quali fonti, distinguendo un evento occasionale da un pattern stabile.

Questo vale anche per il benchmark dell’1,5%. Senza dettagli sufficienti sulla ripetizione dei prompt, sulle versioni dei sistemi e sulla distribuzione delle categorie, il dato deve rimanere ciò che è: un risultato dichiarato all’interno di uno specifico test set.

Le fonti che fanno vincere i competitor possono essere più utili del ranking

Per SEO e digital PR, uno degli output più azionabili del monitoraggio AI è l’elenco delle fonti utilizzate quando un competitor viene raccomandato. Se lo stesso sito di recensioni, una pubblicazione specialistica o una comparativa autorevole compare ripetutamente dietro le risposte favorevoli a un concorrente, quella fonte descrive una parte dell’information environment dell’engine.

L’opportunità di ottimizzazione può quindi trovarsi fuori dal dominio aziendale. Migliorare una product page rimane importante, ma non risolve necessariamente un ecosistema nel quale le fonti indipendenti più recuperate descrivono il competitor come soluzione migliore.

La GEO incontra qui digital PR, reputation management e brand building. Non basta pubblicare ciò che si vuole che l’AI sappia: bisogna costruire un ambiente di evidenze credibili nel quale altre fonti confermino il posizionamento.

Ogni engine può avere un diverso information ecosystem

Se la divergenza cross-engine è elevata, la ricerca di “fattori di ranking GEO universali” diventa meno convincente. Un sistema può avere maggiore accesso a determinate fonti, un altro privilegiare contenuti più freschi, un altro ancora costruire risposte commerciali partendo da dati strutturati e siti first-party.

Questo non significa che ogni piattaforma richieda una strategia completamente separata. Fondamenta come accessibilità, chiarezza dell’entità, informazioni accurate, contenuti utili e corroborazione esterna rimangono trasversali. Ma quando un brand è forte su un engine e debole su un altro, l’analisi deve diventare specifica: quali fonti utilizza il sistema debole? Quali competitor seleziona? Quali attributi associa loro? In quale fase del funnel avviene la perdita?

È un approccio più sperimentale della SEO classica: osservare il pattern, formulare un’ipotesi, intervenire sull’information environment e verificare se la distribuzione delle risposte cambia.

La visibilità internazionale aggiunge un altro livello di frammentazione

SEOPulse enfatizza il supporto a DeepSeek e Doubao oltre alle piattaforme più discusse in Occidente. Per i brand internazionali è un punto rilevante. Il mercato dell’AI discovery non coincide necessariamente con ChatGPT e Google in ogni Paese.

Lingua e regione non sono semplici variabili di traduzione. Le fonti disponibili cambiano, così come la notorietà dei brand, le recensioni, i marketplace e le pubblicazioni autorevoli. Una società molto visibile nelle risposte in inglese può essere quasi assente quando la stessa intenzione commerciale viene formulata in un’altra lingua.

Una vera strategia globale deve quindi misurare le combinazioni che rappresentano i mercati effettivi dell’azienda, non soltanto eseguire lo stesso prompt inglese su più chatbot.

Il mercato degli AI visibility tool dovrà affrontare un problema di standardizzazione

L’arrivo di nuove piattaforme di monitoraggio dimostra che le aziende vogliono misurare questo canale, ma apre anche un problema metodologico. Due vendor possono definire in modo differente una menzione, una citazione, una raccomandazione o una “posizione”. Possono usare prompt differenti, API invece delle interfacce consumer, frequenze di campionamento diverse e sistemi propri per normalizzare la variabilità.

Di conseguenza, due dashboard possono assegnare allo stesso brand valori di AI share of voice diversi senza che una delle due sia necessariamente errata. Prima di confrontare i punteggi, bisogna confrontare i metodi.

Per un buyer enterprise le domande più importanti riguardano quindi il campionamento: quali engine vengono misurati, come vengono selezionati i prompt, quante volte sono ripetuti, come viene gestita la geolocalizzazione, che cosa conta come citazione e se il sistema osserva la vera esperienza consumer oppure risposte ottenute tramite API.

L’1,5% non è una legge: la frammentazione è il dato strategico

Il numero pubblicato da SEOPulse è efficace perché estremamente basso, ma trasformarlo in una regola universale sarebbe un errore. Altri studi mostrano livelli di accordo molto diversi quando cambiano il settore, il numero di engine o soprattutto l’unità di misura. È proprio questa varietà a contenere la lezione più importante.

Non esiste un’unica metrica chiamata “visibilità AI”. Esistono presenza, citazione, raccomandazione, posizione nella risposta, sentiment, fonte associata e persistenza nel tempo. Un brand può essere molto forte su una dimensione e debole su un’altra.

Per questo l’AI Search assomiglia sempre meno a un nuovo motore destinato semplicemente a sostituire Google e sempre più a un portafoglio di mercati della visibilità. Ogni answer engine possiede utenti, modelli, retrieval e information ecosystem propri. L’obiettivo non è inseguire ossessivamente ogni variazione, ma misurare in modo disciplinato le piattaforme che influenzano realmente i propri clienti.

Il benchmark sotto l’1,5% non dice che ottimizzare per l’AI sia impossibile. Dice qualcosa di più utile: dichiararsi “numero uno nell’AI” probabilmente non ha molto senso senza specificare dove, per quali prompt, in quale mercato e con quale definizione di numero uno. Nell’era delle risposte generate, il ranking unico lascia spazio a una quota mutevole delle raccomandazioni.