Hai 12 punti vendita ma l'AI ti vede come 12 entità deboli, non come brand unico. Una query ti cita una sede, la successiva scompari. Ti spiego come ricucire franchise e multi-location.
Hai 12 punti vendita di gelateria artigianale tra Emilia e Romagna. Quando qualcuno apre Perplexity e chiede “le migliori gelaterie artigianali della regione”, l’AI magari cita una delle tue sedi — quella di Rimini, o quella sul lungomare di Cesenatico. Poi, in un’altra query (“catene di gelato artigianale affidabili in Italia”), non compari affatto. Ti frammenti in 12 entità deboli invece di presentarti come un unico brand forte.
Non è un problema di contenuti. È un problema di architettura entità. E nei prossimi minuti ti spiego perché succede, cosa documenta la ricerca sul tema, e come ricucire il brand agli occhi dei modelli AI.
Cosa vede un modello AI quando guarda una catena con 12 sedi
Il punto di partenza è capire che per un modello AI ogni sede è, di default, un’entità separata. Se la tua gelateria di Rimini ha la sua pagina, la sua scheda Google Business Profile, le sue recensioni, e la sede di Ferrara ha le sue, il motore AI le tratta come due oggetti distinti. Finché nessuno glielo dice chiaramente, non le unisce.
Nel mondo della ricerca statistica questo problema ha un nome preciso. Binette e Steorts, in un paper del 2020 che passa in rassegna l’intera disciplina, lo formulano così:
“Before such questions can be answered, databases must be cleaned and integrated in a systematic and accurate way, commonly known as record linkage, de-duplication, or entity resolution.” — Binette & Steorts, 2020
Tradotto: prima di rispondere a qualsiasi domanda su un insieme di dati, il sistema deve pulire, integrare e decidere quali record si riferiscono alla stessa entità. Il nome tecnico di questa operazione è entity resolution (o record linkage).
La conseguenza operativa per te è semplice: se non fai tu il lavoro di dichiarare “queste 12 sedi sono la stessa catena”, il modello AI lo farà per approssimazione, male, o non lo farà proprio. E l’autorità che guadagni a Rimini resta a Rimini.
Perché l’entity resolution è un problema difficile anche per chi ha mezzi enormi
Gli autori dello stesso paper sono chiari sul fatto che non si tratta di un dettaglio trascurabile:
“Furthermore, entity resolution is not only a crucial task for social science and industrial applications, but is also a challenging statistical and computational problem itself.” — Binette & Steorts, 2020
In altre parole: unificare entità è un problema statisticamente difficile. Perfino le grandi piattaforme lo sbagliano. Da questo segue un principio che vale per la tua catena: più glielo rendi facile, più alta è la probabilità che il motore AI ti riconosca come un brand unico.
Il meccanismo che devi costruire è un’architettura entità gerarchica: una pagina madre che rappresenta la catena, collegata a 12 pagine figlie che rappresentano le sedi. Ogni sede punta alla madre, la madre elenca tutte le sedi.
Se hai già letto il pezzo su come i motori AI costruiscono mappe di autorità intorno a un’entità, ti sarà chiaro perché questa struttura non è opzionale: senza il collante centrale, l’autorità costruita da ogni sede resta isolata.
Il test in 10 minuti per vedere se sei frammentato
Prima di ristrutturare qualsiasi cosa, verifica come appari oggi. Due controlli rapidi.
Controllo 1 — Rich Results Test Google. Apri Rich Results Test, incolla l’URL della homepage della catena. Cerca la parola “Organization” nello schema rilevato. Se non c’è, il motore non ha un segnale esplicito che dice “questa è un’azienda madre”. Se c’è, controlla se contiene il campo `department` o `subOrganization` con le tue sedi elencate. Nel 90% dei casi che vedo, non c’è niente.
Controllo 2 — query dirette ai motori AI. Apri ChatGPT, Perplexity e Gemini, una per una. Chiedi: “Quanti punti vendita ha [nome brand]?” e “In quali città è presente [nome brand]?”. Soglia binaria: se su tre motori nessuno ti sa rispondere con il numero corretto, sei frammentato. Se uno su tre ci arriva, hai un abbozzo di entità madre ma debole.
Nel mondo della ricerca, Binette e Steorts descrivono l’insieme delle tecniche usate per ricucire entità così:
“We review clustering approaches to entity resolution, semi- and fully supervised methods, and canonicalization, which are being used throughout industry and academia in applications such as human rights, official statistics, medicine, citation networks, among others.” — Binette & Steorts, 2020
La parola chiave qui è canonicalization: decidere una forma canonica, ufficiale, con cui l’entità viene rappresentata. Per la tua catena significa una cosa precisa: serve UNA pagina canonica del brand, non 12 pagine che si comportano come 12 brand diversi.
Il case study: cosa è successo a una catena da 12 gelaterie
Ti racconto un intervento reale, reso anonimo. Catena di gelaterie artigianali, 12 sedi distribuite tra Emilia e Romagna, base operativa vicino Rimini. Prodotto forte, recensioni buone per ogni sede, ma un problema: per l’AI non esistevano come brand unico.
Prima dell’intervento (misurazione su un set di 25 query di test tra “migliori gelaterie artigianali [regione]”, “catene gelato artigianale Italia”, “gelaterie affidabili Riviera Romagnola”): il brand veniva citato 3 volte su 25, sempre riferito a una singola sede, mai come catena. Su ChatGPT e Perplexity nessun motore sapeva dire quante sedi avesse. Test indicativo, non studio, ma il pattern era chiaro.
Intervento in 6 settimane:
- Pagina madre “/chi-siamo” riscritta come pagina canonica del brand, con schema `Organization` completo e array `department` che elenca tutte e 12 le sedi con indirizzo e URL.
- Ogni singola pagina sede riscritta con schema `Store` che include `parentOrganization` puntato alla madre.
- Scheda Wikidata creata per il brand madre, con proprietà `has part` verso le sedi (dove ogni sede aveva già un identificativo locale).
- Google Business Profile: allineamento del nome esatto del brand su tutte e 12 le schede (prima c’erano varianti del tipo “Gelateria X – Rimini Centro” vs “X Gelato Rimini”).
- Link interni: ogni pagina sede linka la madre con anchor “catena [nome brand]”; la madre elenca tutte le sedi con anchor città-specifico.
Dopo 6 mesi, sullo stesso set di 25 query: il brand veniva citato 11 volte su 25, e in 7 di queste citazioni l’AI usava esplicitamente la parola “catena” o “rete di gelaterie”. ChatGPT e Perplexity rispondevano correttamente sul numero di sedi. Gemini sbagliava ancora il conteggio ma riconosceva il brand come entità unica. Non è un risultato magico — è il risultato di aver fatto il lavoro che il motore non fa da solo.
Limite onesto: campione piccolo, 25 query, un solo case study. L’analisi vera, con sample rappresentativo e controllo, richiede strumenti professionali. Ma il meccanismo è coerente con quello che il paper documenta: se dichiari la canonicalizzazione, il sistema la usa.
Gli errori che vedo più spesso nelle catene multi-sede
Quattro pattern ricorrenti, in ordine di frequenza.
Nome brand diverso su ogni sede. “Gelateria X — Rimini”, “X Gelato Cesenatico”, “X — Riccione Centro”. Per l’AI sono tre brand. Il nome canonico deve essere identico ovunque, la città va nel campo indirizzo, non nel nome.
Pagina madre assente o anonima. Molte catene hanno solo le pagine sede e una “/contatti” debole. Manca la pagina canonica del brand come azienda. Senza madre, nessun collante.
Schema locale senza `parentOrganization`. Le sedi hanno il loro schema `LocalBusiness` ben fatto, ma non dichiarano a chi appartengono. È come avere 12 figli senza cognome.
Google Business Profile senza coerenza. Nomi variati, categorie diverse, descrizioni scollegate. Il Knowledge Graph di Google pesa molto sulla GBP, e da lì filtra verso i modelli AI che usano quella fonte come ancoraggio.
Cosa fare concretamente, in ordine
- Decidi il nome canonico del brand e scrivilo identico ovunque: sito, GBP, social, fatture.
- Crea (o riscrivi) la pagina madre come pagina dell’azienda, non come “chi siamo” generico.
- Implementa schema `Organization` sulla madre, con `department` o `subOrganization` che elenca tutte le sedi.
- Su ogni pagina sede aggiungi schema `LocalBusiness` (o `Store`, `Restaurant` a seconda) con `parentOrganization` verso la madre.
- Verifica il tutto con Rich Results Test.
- Apri una scheda brand su Wikidata collegando le sedi come parti dell’organizzazione.
- Allinea i nomi sulle 12 schede di Google Business Profile.
- Dopo 3 mesi ripeti il test delle 25 query e confronta con la baseline.
Entità madre e visibilità nelle risposte AI
Il filo conduttore dei miei articoli è sempre lo stesso: la visibilità nelle risposte AI si costruisce rendendo al motore facile riconoscerti. Per una catena multi-sede questo significa una cosa concreta: dichiarare l’entità madre. Non è un fattore magico — funziona solo se le sedi hanno già contenuto e autorità propri — ma senza di esso l’autorità delle sedi non si somma mai.
In questa serie, nei prossimi articoli ti spiego come gestire entità verticali specifiche (studi professionali multi-partner, e-commerce con più brand owned), come costruire la scheda Wikidata senza farsi rifiutare, e come legare l’entità brand alle persone chiave dell’azienda — argomento che si collega direttamente al pezzo su author entity recognition che ti ho lasciato nei nodi precedenti.
La catena di gelaterie del case study oggi non è la più citata d’Italia. Ma quando Perplexity parla di gelato artigianale in Romagna sa che esiste, sa quante sedi ha, e sa dove mandare chi chiede. È il punto di partenza, non di arrivo.
Quanto è visibile il tuo brand per le AI?
Scoprilo in 30 secondi con il nostro tool gratuito. 11 check automatici, risultati immediati.
