I brand che ChatGPT cita con alta confidenza hanno quasi tutti una cosa in comune: una voce Wikidata con proprietà compilate. Quelli che non compaiono mai spesso non hanno nemmeno la scheda, o ce l'hanno vuota. Non è una coincidenza — Wikidata è il backbone semantico che alimenta Knowledge Graph Google, Bing e diversi sistemi AI. Se la tua entità non è lì, sei rumore che il modello preferisce non citare per non sbagliare. Ti spiego quali sei proprietà compilare per prime — P31, P856, P159, P112, P571, P452 — e come creare una voce che il modello tratti come fonte attendibile in meno di un'ora.
I brand che ChatGPT cita con alta confidenza, quando ti risponde a una domanda verticale, hanno quasi tutti una cosa in comune: una voce Wikidata ricca di attributi, con proprietà compilate, sito web, sede, anno di fondazione, settore, persone coinvolte. I brand che l’AI non cita mai, invece, spesso non hanno proprio la voce. Oppure ce l’hanno ma vuota, con tre righe e nessuna proprietà collegata.
Questa non è una coincidenza. Wikidata è una delle fonti strutturate che alimentano i Knowledge Graph di Google, Bing e diversi sistemi AI moderni. Se la tua scheda non c’è, o è scheletrica, stai giocando la partita della visibilità AI senza aver compilato il modulo anagrafe.
Ti spiego cos’è davvero Wikidata per un modello AI, perché sta a monte di quasi tutto quello che ti ho raccontato in questa serie, e come creare una voce che funzioni.
Cos’è Wikidata per un modello AI
Nel mondo della ricerca sul rapporto tra modelli linguistici e grafi di conoscenza, Wikidata occupa una posizione precisa. Il survey di Peloquin et al. (2022) sull’entity linking su Wikidata (arxiv.org/abs/2112.01989) la descrive come un grafo di conoscenza aggiornato di continuo, mantenuto dalla community e multilingua. Il lavoro di Zhu et al. (2023) sull’integrazione tra LLM e knowledge graph (arxiv.org/abs/2306.08302) la colloca tra i grafi enciclopedici più usati come fonte di conoscenza esterna per i sistemi AI.
Da questo principio segue una conseguenza semplice da capire per te. Wikidata non è Wikipedia: non è un’enciclopedia narrativa, è un database strutturato. Ogni entità (tu, il tuo brand, un prodotto, una persona) ha un codice identificativo (il Q-number) e una serie di proprietà collegate a valori verificabili. Tipo di attività, sito web, sede, fondatore, anno di fondazione, settore, premi ricevuti, pubblicazioni.
Tradotto in pratica, quando un sistema AI deve dare una risposta su un brand, un’azienda, un professionista, una delle strade che può percorrere è l’aggancio a un’entità nota in un grafo come Wikidata. Se l’entità non c’è, il modello si affida solo a quello che ha letto sparso nel testo durante il training. Meno affidabile, meno citabile, meno probabile nelle risposte.
Perché Wikidata sta a monte di tutto il resto
Negli articoli precedenti di questa serie ti ho raccontato come l’AI rappresenta i concetti nello spazio vettoriale degli embedding e come riconosce un autore come entità con l’author entity recognition. Wikidata è il livello sotto.
È il registro dove il tuo brand smette di essere “una stringa di testo che compare qui e là” e diventa un’entità con identità stabile. Con un codice, con proprietà verificabili, con link esterni a siti autorevoli, con traduzioni multilingua.
Il motivo per cui tutto il lavoro che fai a valle (schema markup, E-E-A-T, contenuti ben strutturati) rende di più quando hai una voce Wikidata compilata è semplice: dai al sistema AI un punto di ancoraggio disambiguato. “Questo brand qui” invece di “forse questo brand, forse un altro con nome simile”.
Zhu et al. (2023) documentano anche che diversi assistenti conversazionali reali oggi in circolazione si appoggiano a knowledge graph per fornire conoscenza esterna al modello linguistico. La deduzione per te è lineare: se la tua entità è ben rappresentata in quel tipo di grafo, sei materiale utilizzabile per la risposta. Se non lo è, sei rumore che il modello preferisce non citare per non sbagliare.
Il test che puoi fare in dieci minuti
Vai su wikidata.org e cerca il nome esatto del tuo brand. Tre esiti possibili:
- Nessun risultato: non esisti nel grafo. Zero ancoraggio semantico per l’AI.
- Risultato con scheda scarna: ci sei, ma hai solo nome e una o due proprietà. Poco da citare.
- Risultato con scheda ricca: hai P31 (istanza di), P856 (sito web), P159 (sede), P112 (fondatore), P571 (data di fondazione), P452 (settore) compilate. Sei citabile.
La soglia binaria da cui partire è semplice: se cerchi il tuo brand e non trovi nulla, o trovi una voce con meno di 5 proprietà valorizzate, sei sotto la soglia minima. Non è l’analisi vera, che richiede strumenti professionali e controllo degli alias linguistici, ma è un primo passo onesto.
Poi fai la controprova: apri ChatGPT o Perplexity e chiedi “cosa sai di [nome del tuo brand]?”. Se la risposta è generica, confusa o inventa cose, è un segnale coerente. Se nomina con precisione anno di fondazione, sede, settore, c’è un buon ancoraggio a monte.
Un caso che ho seguito: un torrefattore di Parma
Un torrefattore artigianale di Parma che lavora con me aveva una situazione tipica della food specialty dell’Emilia gastronomica: sito ben fatto, qualità del prodotto riconosciuta, presenza su riviste di settore del caffè, ma zero visibilità nelle risposte AI su query del tipo “torrefazioni artigianali Emilia-Romagna” o “micro-torrefazioni specialty coffee Italia”. Perplexity citava sempre gli stessi tre-quattro nomi, lui non compariva mai.
Controllo su Wikidata: voce assente. Nessun Q-number. Sul Knowledge Graph di Google, idem, nessun pannello.
L’intervento è stato puntuale: creazione della voce Wikidata con P31 (impresa), P856 (sito web), P159 (sede a Parma), P112 (fondatore), P571 (anno fondazione), P452 (settore: torrefazione di caffè), più link esterni alle recensioni della stampa specializzata e agli articoli di riviste food. Non magia, compilazione accurata e riferimenti esterni verificabili.
Dopo circa cinque mesi, su un campione di 15 query che testiamo mensilmente su ChatGPT e Perplexity, il brand è passato da zero citazioni a comparire in 6 risposte su 15. Test indicativo, non studio: campione piccolo, niente gruppo di controllo, e nel frattempo abbiamo lavorato anche su altri fronti (struttura contenuti, schema sul sito). Ma il pattern è coerente con quello che vedo su altri clienti del food specialty: la voce Wikidata non basta da sola, non è un interruttore magico, ma sposta l’ago in modo percepibile quando a valle hai un sito fatto bene.
Gli errori che vedo più spesso
Nei piccoli produttori food dell’Emilia gastronomica, e non solo, questi sono i pattern ricorrenti:
- Voce creata e abbandonata. Scheda con tre proprietà e poi più nessun aggiornamento. Wikidata è un grafo vivo: se non cresce, invecchia male.
- P31 sbagliato o generico. Mettere “business” invece di “torrefazione”, “cantina”, “pastificio artigianale”. Perdi la classificazione verticale, che è proprio quella che fa scattare la citazione su query di settore.
- Nessun link esterno autorevole. Una voce senza riferimenti a fonti terze (stampa, associazioni di categoria, database di settore) è fragile. Può anche essere candidata alla cancellazione dalla community.
- Descrizione autoreferenziale. Frasi tipo “la migliore torrefazione artigianale del nord Italia” vengono rimosse. Wikidata vuole fatti neutri: “torrefazione di caffè specialty fondata nel [anno] a [città]”.
Confronta la tua scheda (o la sua assenza) con i 3-5 competitor che l’AI cita più spesso nelle tue query di settore: molte volte la differenza è esattamente qui.
Cosa fare concretamente
- Cerca il tuo brand su wikidata.org. Se non esiste, crea la voce.
- Compila almeno queste sei proprietà: P31 (tipo specifico, non generico), P856 (sito web ufficiale), P159 (sede), P112 (fondatore), P571 (data di fondazione), P452 (settore verticale).
- Aggiungi identificativi esterni dove li hai: partita IVA, eventuali registri di categoria, profili autorevoli.
- Inserisci almeno 2-3 riferimenti a fonti terze (stampa di settore, associazioni, cataloghi riconosciuti).
- Dopo 2-3 mesi, ritesta le query di settore su ChatGPT e Perplexity e confronta con la baseline.
L’analisi vera, con mappatura completa degli alias, monitoraggio delle proprietà mancanti rispetto ai competitor e integrazione con schema markup sul sito, richiede strumenti professionali e mano più esperta. Questo è il primo passo da cui partire.
Dove va questa serie
Wikidata è il registro anagrafe. Nei prossimi articoli della serie P4 vedremo come costruire sopra: lo schema Organization sul sito che rinforza il segnale, gli identificatori esterni che fanno da ponte tra grafi diversi, e la gestione delle ambiguità quando il tuo nome coincide con altre entità. Tutto converge sullo stesso obiettivo: rendere il tuo brand un’entità riconoscibile e citabile nelle risposte AI, non solo una stringa che compare nei testi.
Se la tua voce Wikidata è ricca, stai dando al sistema un pezzo di realtà su cui appoggiarsi. Se è vuota o assente, stai chiedendo all’AI di indovinare. Indovinare poco, quasi mai a tuo favore.
Quanto è visibile il tuo brand per le AI?
Scoprilo in 30 secondi con il nostro tool gratuito. 11 check automatici, risultati immediati.
