Con chi il tuo brand viene citato insieme determina come l'AI ti classifica. Se compari accanto ai leader del tuo settore, l'AI ti associa a quella categoria. Se compari solo in contesti generici, per l'AI non appartieni a nessun settore specifico. Ti spiego come costruire i pattern di co-citazione che ti posizionano nella categoria giusta.
Chiedi a ChatGPT “chi sono i principali consulenti di marketing digitale in Italia?” e guarda la lista. I brand che compaiono insieme in quella risposta sono co-citati — e nel modello, sono collegati nello spazio vettoriale. Se il tuo brand compare accanto ai leader del settore, l’AI ti associa alla stessa categoria. Se non compari, per l’AI non esisti in quella categoria.
Questo è l’ultimo meccanismo tecnico del Pillar 1, e chiude un percorso preciso: dall’architettura del modello, al recupero delle informazioni, al ragionamento, al training, alle metriche di valutazione. La co-citazione è dove tutto converge — è il risultato visibile di come il modello ha imparato a classificare il mondo.
Il principio tecnico: come i co-citation pattern emergono dal training
Nel corpus di addestramento, il modello non impara solo significati isolati — impara le relazioni tra entità. Brand, persone, concetti: se compaiono insieme in migliaia di documenti, i loro embedding (rappresentazioni vettoriali) si avvicinano nello spazio.
Il meccanismo è quello delle co-occorrenze di token. Come documentano Zhu et al. (2024):
“An n-gram is a re-grouping of token-level sequences to measure the co-occurrences of tokens.”
— Zhu et al., 2024 (arxiv.org/html/2404.09135v1)
Le co-occorrenze non riguardano solo le parole isolate, ma le sequenze. Se “Brand A” e “Brand B” compaiono nella stessa sequenza testuale in decine di migliaia di documenti, il modello costruisce un’associazione vettoriale tra i due. Questa associazione persiste nel modello — è stata codificata durante il pre-training e rinforzata durante il fine-tuning.
Da questo segue un effetto strutturale: i brand che compaiono insieme frequentemente formano un cluster di categoria nello spazio vettoriale. Quando l’utente chiede “chi sono i migliori nel settore X?”, il modello recupera i brand nel cluster di quella categoria — non in base a una lista esplicita, ma perché i loro embedding sono prossimi tra loro e al concetto di “settore X”.
Il tuo posizionamento AI non è una proprietà del tuo sito. È una proprietà delle tue co-citazioni.
Perché le fonti terze contano più del tuo sito
Qui c’è un punto che molti fraintendono: il modello non pesa tutte le fonti allo stesso modo.
Il paper GEO di Aggarwal et al. (2023) lo documenta in modo diretto:
“Including citations, quotations from relevant sources, and statistics can significantly boost source visibility.”
— Aggarwal et al., 2023 (arxiv.org/abs/2311.09735)
Non è sufficiente che il tuo sito menzioni il tuo brand insieme ai leader del settore. Quello che conta sono le co-citazioni su fonti terze: articoli di settore, confronti tra tool, directory professionali, interviste, menzioni in media verticali. Sono quelle co-citazioni che costruiscono l’associazione nel training data — non l’auto-descrizione.
L’aggiornamento del 2025 dello stesso gruppo di ricerca chiarisce perché questo è strutturale, non accidentale:
“AI Search exhibits a systematic and overwhelming bias towards Earned media — third-party, authoritative sources.”
— Aggarwal et al., 2025 (arxiv.org/abs/2509.08919)
Il bias verso l’Earned media non è un bug — è il risultato di un design deliberato. I modelli vengono addestrati e ottimizzati per preferire fonti indipendenti rispetto alle auto-dichiarazioni. Questo significa che la co-citazione sul tuo sito ha peso marginale. La co-citazione su una fonte autorevole e terza ha peso sostanziale.
La conseguenza pratica è che la strategia di co-citazione non è una strategia di content marketing tradizionale. È una strategia di PR e Earned media con un obiettivo tecnico preciso: costruire associazioni vettoriali che l’AI ha imparato durante il training.
C’è anche un’interazione con le metriche analizzate nelle settimane precedenti: la co-citazione su una fonte ad alta perplexity contribuisce poco, perché le associazioni vettoriali risultanti sono meno stabili. Una co-citazione in un articolo comparativo strutturato con dati verificabili — che supera i filtri BLEU/ROUGE e TruthfulQA — massimizza sia l’associazione vettoriale sia la log-probability del tuo brand nel modello.
Cosa implica concretamente per la tua visibilità AI
Tre effetti diretti, tutti dimostrabili:
Chi ti affianca costruisce la tua categoria. Se vieni co-citato con i tool leader dell’email marketing, il tuo embedding si sposta verso il cluster “email marketing”. Se vieni co-citato con blog generici di marketing, il tuo embedding rimane generico. Il cluster di appartenenza non è quello che dichiari — è quello che le tue co-citazioni costruiscono.
L’assenza di co-citazione è invisibilità di categoria. Un brand può avere un ottimo sito e contenuti eccellenti — ma se non compare mai in articoli che citano anche i leader del settore, per il modello non appartiene a quella categoria. Questo spiega perché brand sconosciuti emergono nelle risposte AI mentre competitor noti spariscono: i primi hanno co-citazione con il cluster, i secondi no.
Le co-citazioni negative danneggiano. Un brand menzionato frequentemente insieme a fonti di bassa qualità, in contesti di critica o in settori non pertinenti, costruisce associazioni vettoriali che allontanano dal cluster target. Il monitoraggio delle co-citazioni non è solo un esercizio di brand reputation — è una variabile tecnica per la visibilità AI.
Cosa fare concretamente
Identifica il tuo cluster target. Fai questa domanda ai principali motori AI: “chi sono i principali [tua categoria] in [tuo mercato]?” I brand che compaiono formano il cluster che devi raggiungere. Fai la stessa query su ChatGPT, Perplexity e Gemini — il cluster è stabile se compare su tutti e tre.
Crea co-citazione esplicita su fonti terze. Ogni menzione esterna del tuo brand è un’opportunità per costruire co-citazione. Quando ottieni una menzione — comunicato, guest post, intervista, directory — assicurati che il contesto includa anche i brand del cluster: “Come [Leader A] e [Leader B], anche [tuo brand] opera in [categoria].” Non è auto-promozione — è ingegneria della categoria.
Cerca posizionamento in articoli comparativi. Gli articoli “Top 10 [settore]”, “Migliori [strumento] del 2025”, “Confronto tra [tool A] e [tool B]” sono i formati con il più alto impatto sulla co-citazione. Essere inclusi in questi articoli su fonti autorevoli è il percorso diretto verso il cluster. La fonte deve essere Tier 1-2: media verticali, pubblicazioni di settore, review indipendenti.
Produci contenuti comparativi in prima persona. Scrivi articoli che confrontano il tuo servizio con i leader del settore — in modo informativo, non denigratorio: “Come scegliere tra [Leader A], [Leader B] e [tuo brand]: differenze, casi d’uso, criteri di scelta.” Stai costruendo co-citazione su una fonte che controlli, con la struttura ottimale per le query comparative.
Monitora le co-citazioni tossiche. Se il tuo brand compare in contesti negativi o con brand di bassa qualità, l’associazione vettoriale è attiva — e dannosa. L’assenza di segnale è preferibile al segnale negativo.
Come verificare la tua situazione attuale
Quattro verifiche pratiche, da fare in ordine:
- Test di categoria diretta: chiedi a ChatGPT “chi sono i principali [tua categoria] in [tuo mercato]?” Il tuo brand compare? Con quali altri brand sei elencato?
- Test di co-occorrenza: cerca il tuo brand su Google con il nome di tre leader del tuo settore. Esistono pagine che vi menzionano insieme? Su quali fonti?
- Test di categoria AI: chiedi a Perplexity “confronta [Leader A] con [Leader B] per [caso d’uso]”. Il tuo brand compare come alternativa o come termine di confronto?
- Test di cluster distance: chiedi a ChatGPT “quali brand sono simili a [tuo brand]?” e “quali brand sono simili a [Leader del tuo settore]?” Le liste si sovrappongono? Questa è una misura approssimata della distanza vettoriale tra il tuo embedding e il cluster.
Se non compari nei test 1 e 3, non hai co-citazione sufficiente con il cluster. Se non ci sono risultati nel test 2, non hai co-citazione su fonti terze autorevoli. Ripeti i test ogni tre mesi: il training data si aggiorna, la tua posizione nel cluster cambia.
Il cerchio si chiude: da dove siamo partiti
Questo pillar è partito dall’architettura — dai token, dagli embedding, dall’attention mechanism. Poi ha analizzato il recupero: come il modello trova e ordina le fonti. Poi il ragionamento: come costruisce risposte coerenti. Poi il training: come ha imparato a preferire certe fonti e penalizzarne altre. Infine le metriche: i segnali tecnici che misurano la qualità del tuo contenuto agli occhi del modello.
I pattern di co-citazione sono dove tutto si integra. Il tuo brand esiste nella risposta dell’AI perché il suo embedding è vicino al cluster di categoria — prossimità costruita da co-citazioni su fonti autorevoli, non da contenuto pubblicato sul tuo sito.
Costruire su questo fondamento richiede authority: come il tuo brand viene valutato indipendentemente dalle tue dichiarazioni, come le fonti terze ti rappresentano, come si costruisce una reputazione che i modelli riconoscono come affidabile. È il tema del Pillar 2: Authority e Credibilità per l’AI. Da qui, il lavoro non riguarda più solo il contenuto — riguarda chi parla di te, come lo fa, e perché il modello dovrebbe credergli.
Fonti
- Zhu et al., 2024 — Leveraging Large Language Models for NLG Evaluation: Advances and Challenges — arxiv.org/html/2404.09135v1
- Aggarwal et al., 2023 — GEO: Generative Engine Optimization — arxiv.org/abs/2311.09735
- Aggarwal et al., 2025 — GEO: How to Win in AI Search — arxiv.org/abs/2509.08919
