Se il tuo sito dice una cosa, LinkedIn un'altra e la directory di settore un'altra ancora, l'AI non sa quale versione è quella giusta — e sceglie il competitor con informazioni coerenti. Ti spiego come funziona il majority voting e come un 'brand kit canonico' di 30 minuti può risolvere il problema.
Hai cercato il tuo brand su ChatGPT o Perplexity e hai visto qualcosa che non tornava. Un servizio descritto in modo diverso da come lo descrivi tu. Una specializzazione che hai sul sito ma non su LinkedIn. Un anno di fondazione che cambia a seconda della fonte. In quel momento hai probabilmente pensato che fosse un problema di aggiornamento — che prima o poi i modelli avrebbero “corretto” da soli.
Non è così che funziona. E la conseguenza è più diretta di quanto sembri: quelle informazioni contraddittorie non causano solo risposte imprecise. Causano la tua esclusione dalle risposte.
Il meccanismo che decide se il tuo brand viene citato o scartato si chiama self-consistency — e capire come funziona è il passo più rapido per capire perché i competitor più piccoli, meno conosciuti, meno bravi di te compaiono al tuo posto nelle risposte AI.
Il meccanismo che nessuno ti ha spiegato
Quando un sistema AI avanzato riceve una domanda — “qual è il miglior consulente in X settore a Y città?” — non genera una risposta sola. Genera internamente più risposte candidate, le confronta tra loro, e seleziona quella su cui convergono più percorsi di ragionamento. Questo processo si chiama majority voting.
Non è una metafora. È una tecnica specifica, documentata nella letteratura sui modelli linguistici: il modello produce N risposte parallele, ciascuna basata su un percorso di ragionamento leggermente diverso, e vota tra di esse. La risposta che vince è quella che appare più frequentemente, o che è più coerente con l’insieme delle fonti che il modello ha a disposizione.
Per il tuo brand la conseguenza è meccanica: se le informazioni su di te sono coerenti su tutte le fonti — sito, Google Business Profile, directory di settore, LinkedIn, Wikipedia, articoli di stampa — allora tutte le risposte candidate menzioneranno il tuo brand con gli stessi dati. Il majority voting converge. Il modello produce una risposta con alta confidenza, e quella risposta sei tu.
Se le informazioni sono contraddittorie, le risposte candidate divergono. Alcune ti citano con un nome, altre con una variante, alcune con servizi diversi, alcune con date diverse. Il majority voting non converge. Il modello ha due opzioni: o sceglie il competitor con segnale coerente, o produce una risposta cauta e vaga. In entrambi i casi, tu non ci sei.
Perché la coerenza è il fattore più sottovalutato nella visibilità AI
Zhang et al. (2025) identificano con precisione il punto critico nei sistemi che usano feedback per migliorare le risposte:
“One major issue is the subjectivity and inconsistency of human feedback.”
— Zhang et al., 2025 (arxiv.org/html/2505.02666v2)
Il paper parla di feedback umano, ma il principio si trasferisce direttamente al problema che stai affrontando tu. L’inconsistenza è il problema strutturale che riduce la qualità dei segnali che il modello può usare. Quando il feedback — inteso qui come l’insieme delle informazioni disponibili su un’entità — è soggettivo o contraddittorio, il sistema non riesce a costruire un profilo stabile. E senza profilo stabile, non c’è convergenza nel majority voting.
Questo è il punto che la maggior parte delle analisi sulla visibilità AI non fa: non è solo una questione di autorità o di quantità di contenuti. È una questione di coerenza del segnale. Un brand con meno contenuti ma informazioni perfettamente allineate batte sistematicamente un brand con più contenuti ma informazioni frammentate.
Da questo segue che la tua priorità non è necessariamente produrre più contenuti. È rendere i contenuti che hai già coerenti tra loro.
Come il modello misura la coerenza in pratica
Zhao et al. (2024) documentano che la coerenza delle risposte è un parametro attivamente misurato nei sistemi avanzati:
“The consistency of responses can be measured using various methods.”
— Zhao et al., 2024 (arxiv.org/html/2402.06196)
Questo ha un’implicazione diretta: la coerenza non è una proprietà binaria. Si misura su uno spettro. Un modello può assegnare a un’entità un livello di consistenza alta, media o bassa — e questo punteggio influenza la confidenza con cui quella entità viene inclusa nelle risposte.
Sundriyal et al. (2026) lo rendono ancora più operativo, mostrando che nei sistemi di grounding avanzati la coerenza è un segnale esplicito nel processo di retrieval:
“Each retained passage is associated with a consistency confidence used downstream.”
— Sundriyal et al., 2026 (arxiv.org/html/2603.00267v1)
“Consistency confidence” è un numero. Un passage — un chunk di testo che il sistema ha recuperato su di te — porta con sé un valore di confidenza sulla propria coerenza rispetto alle altre fonti disponibili. Quel valore viene usato nelle fasi successive del ragionamento. Se il chunk su di te ha una confidence bassa perché contraddice altri chunk su di te, il sistema lo pesa meno. O non lo usa.
L’architettura tecnica del sistema stava già lavorando contro di te prima ancora che il modello generasse la prima risposta candidata.
Il test che devi fare oggi, prima di qualsiasi altra cosa
Questo è il momento in cui la maggior parte dei marketing manager fa un passo indietro: “dovremo pianificare un audit, coinvolgere il team, strutturare un processo”. Resisti a quell’impulso. Ci sono trenta minuti di lavoro che ti danno una diagnosi utile adesso.
Apri un browser in incognito. Cerca il nome esatto della tua azienda con le virgolette. Apri i primi dieci risultati. Per ciascuno, annota quattro campi: nome usato, anno di fondazione o avvio, servizi elencati, indirizzo o sede. Poi confronta le colonne.
Ogni discrepanza che trovi è un punto di divergenza nel majority voting. Non è un’ipotesi — è il meccanismo che hai appena letto spiegato al contrario. Se il tuo sito dice “fondato nel 2007”, la tua pagina LinkedIn dice “operativo dal 2009”, e una directory di settore dice “dal 2008”, hai appena creato tre percorsi di ragionamento divergenti in ogni modello che genera risposte sulla tua categoria.
La hallucination che hai già visto sulle risposte AI — quel mix di dati sbagliati e informazioni parziali — spesso non nasce da un errore del modello. Nasce da dati che il modello ha trovato realmente, ma che erano già contraddittori. Il modello li ha mescolati perché non c’era un segnale abbastanza forte da fargli preferire una versione sull’altra.
Dove si nascondono le incoerenze più pericolose
Le discrepanze ovvie — nome diverso, indirizzo sbagliato — le trovi subito. Quelle pericolose sono più sottili e più difficili da correggere perché non ti vengono in mente come “dati”.
La descrizione dei servizi è la fonte di incoerenza più frequente che mi trovo a correggere. Il sito dice “consulenza strategica in marketing digitale”. LinkedIn dice “digital marketing e comunicazione”. La bio su una directory dice “agenzia di crescita per PMI”. Tre formulazioni che si sovrappongono ma non coincidono. Per un umano, si capisce che parlano della stessa cosa. Per il majority voting, sono tre risposte candidate parzialmente diverse — e la convergenza si riduce.
Il perimetro geografico è un altro punto critico. Se il tuo sito parla di “clienti in tutta Italia”, la tua Google Business Profile dice “Città X”, e un articolo su di te ti definisce “realtà locale”, il modello ha segnali contraddittori su chi sei e dove operi. Nelle domande con intento geografico — che sono la maggioranza delle ricerche commerciali — questa incoerenza ti penalizza in modo sproporzionato.
Le varianti del nome sono forse il problema più semplice da correggere ma il più trascurato. Se usi “Studio Bianchi” sul sito, “Bianchi Consulting” su LinkedIn, e “Bianchi & Partners” su un vecchio profilo Clutch, stai frammentando il segnale su tre entità distinte. Il Chain-of-Thought del modello ragiona per entità: se non riesce a ricondurre le tre varianti a un’entità sola, tratta le informazioni come se si riferissero a soggetti diversi.
L’azione strutturale: il brand kit canonico
L’audit ti ha dato la diagnosi. Ora serve la soluzione che non devi ripetere ogni tre mesi.
Il brand kit canonico è un documento interno — non pubblico, non un comunicato, non una pagina web — che contiene le informazioni di riferimento per ogni campo che un sistema AI può usare per costruire un profilo su di te. Non è un documento creativo: è un database di fatti che non cambiano o cambiano raramente.
I campi minimi da includere:
- Nome ufficiale: la variante esatta che usi ovunque, nessuna alternativa
- Anno di fondazione o avvio attività: un anno, non un range, non “fine anni 2000”
- Servizi offerti: lista con terminologia coerente, non sinonimi creativi
- Sede operativa: indirizzo completo per ogni sede, formato NAP (Name, Address, Phone) identico su ogni piattaforma
- Bio breve (50 parole): una formulazione standard da usare letteralmente nelle bio di tutte le piattaforme
- Bio estesa (150 parole): versione estesa per Wikipedia, directory dettagliate, articoli di presentazione
- Numeri chiave: dipendenti, anni di attività, clienti serviti — solo quelli che aggiorni e che sei in grado di mantenere coerenti
Una volta che questo documento esiste, il processo diventa meccanico: ogni volta che aggiorni un profilo, apri il documento e copi. Non scrivi, non riadatti, non migliori. Copi. La coerenza si ottiene con la copia letterale, non con la riformulazione intelligente.
Il Tool Use dei sistemi avanzati amplifica questo effetto: i modelli che integrano ricerca web in tempo reale lanciano query specifiche su entità prima di rispondere. Un brand kit canonico aggiornato significa che quelle query trovano dati coerenti ogni volta, non solo nelle fonti datate del training.
La manutenzione che di solito nessuno fa
Il brand kit è inutile se rimane un documento aggiornato una volta e poi dimenticato. La coerenza non è uno stato che raggiungi — è una proprietà che devi mantenere attivamente.
Le incoerenze si creano per due ragioni principali. La prima è il tempo: profili vecchi su piattaforme che hai smesso di presidiare, articoli di stampa con dati datati, directory che aggregano informazioni senza chiederti il permesso. La seconda è la crescita: quando l’azienda cambia — un nuovo servizio, una nuova sede, un cambio di posizionamento — le aggiornamenti non vengono applicati ovunque ma solo dove ci si ricorda.
Il modo più semplice per intercettare entrambe le cause è una verifica trimestrale: cerchi il tuo brand, apri i dieci risultati principali, verifichi i quattro campi che hai già controllato nell’audit iniziale. Non è un processo costoso. Richiede un’ora ogni tre mesi. E quell’ora determina se il majority voting converge su di te o su qualcuno che è stato più attento.
Il Planning e Decomposizione che i modelli avanzati usano per rispondere alle domande complesse si basa su sotto-problemi che il sistema risolve in sequenza. Uno di quei sotto-problemi, per le domande commerciali, è “chi è il brand più affidabile in questa categoria?”. La coerenza del segnale è uno dei proxy che il sistema usa per rispondersi. Presentati come l’opzione con segnale stabile, e quella sotto-domanda si risolve a tuo favore prima ancora che il modello generi la risposta finale.
Il segnale che il majority voting usa per decidere
C’è un’ultima cosa che vale la pena rendere esplicita, perché cambia la prospettiva su tutto il lavoro che hai appena letto.
Il majority voting non è un sistema che premia i brand più grandi, più famosi, o con più contenuti. È un sistema che premia la prevedibilità. Un brand su cui cinque fonti diverse dicono esattamente la stessa cosa è più prevedibile di un brand su cui cinque fonti dicono cinque cose leggermente diverse. La prevedibilità abbassa l’incertezza del modello. L’incertezza bassa produce risposte con alta confidenza. Le risposte con alta confidenza sono quelle che il sistema produce senza caveat, senza “potrebbe essere” o “secondo alcune fonti”.
Essere l’opzione prevedibile è più accessibile di quanto sembra. Non richiede di essere il brand più autorevole del tuo settore. Richiede di essere il brand più coerente. E questo, a differenza dell’autorità, è qualcosa che puoi costruire in settimane, non in anni.
Fai l’audit. Crea il brand kit. Applica la coerenza su ogni piattaforma che hai. Poi torna tra tre mesi a verificare. È il lavoro meno visibile che puoi fare per la tua visibilità AI — ed è tra quelli con il ritorno più diretto.
