Non sai cosa racconta l'AI di te, e probabilmente non lo hai mai verificato. Non parlo di sapere se compari — parlo di sapere se compari con i dati giusti. Sede, fondatore, servizi, anno di nascita: ogni errore che i modelli ripetono su di te è silenzioso e difficile da correggere dopo. Non è un lavoro da analista: sono 10 domande, quattro motori AI, 30 minuti al mese. Ti spiego come costruire un sistema di monitoraggio entity-specific e cosa fare quando trovi un errore prima che lo trovi il tuo prossimo cliente.
Apri ChatGPT oggi, chiedi 3 domande sul tuo brand che farebbe un cliente prospect: “cosa fa [brand]?”, “dove ha sede?”, “con chi lavora?”. Segnati cosa risponde. Ripeti tra un mese. Se non lo fai, non hai idea di come ti vede l’AI.
Sembra un esercizio banale, ma è l’unico modo serio per capire se i dati factual sul tuo brand vengono riportati correttamente nelle risposte AI. Non parlo di visibilità (quella la misuri con altre metriche), parlo di accuratezza: sede, fondatore, anno di nascita, clienti, prodotti. Se l’AI ti attribuisce una sede sbagliata o un servizio che non fai, il problema non è che non compari, è che compari male. E correggere un errore già radicato nei modelli è un lavoro a monte, sulle fonti strutturate.
In questo articolo ti spiego come costruire un sistema di monitoraggio delle risposte AI focalizzato sull’entità-brand, perché è diverso da un classico tracking di visibilità, e cosa fare quando trovi errori. Alla fine trovi un test che puoi fare in 30 minuti.
Cosa vuol dire monitorare l’entità, non la visibilità
Quando i SEO parlano di tracking AI pensano quasi sempre a “il mio brand viene citato o no?”. È una domanda legittima ma parziale. Ce n’è un’altra, più sottile, che riguarda chi sei tu per il modello: il tuo brand come entità ha una scheda factual nel knowledge graph che i motori AI consultano, e quella scheda può essere giusta, sbagliata o incompleta.
Nel mondo della ricerca sul fact-checking dei modelli linguistici, Rahman e colleghi hanno mostrato perché questo è un tema critico.
“Consequently, LLMs can generate misinformation, making robust fact-checking essential.” — Rahman et al., 2025
Tradotto: i modelli linguistici possono generare informazioni sbagliate, e per questo serve un lavoro di verifica sistematica. Da questo segue che, se tu brand non hai un processo di controllo periodico su cosa l’AI racconta di te, stai delegando la tua reputazione factual al caso. L’implicazione business è diretta: un prospect che chiede a ChatGPT “cosa fa [il tuo brand]?” riceve una risposta che tu non hai mai visto né validato, e che può contenere errori difficili da correggere a posteriori.
Il monitoraggio entity-specific si aggancia al lavoro di base che trovi nei miei articoli precedenti: prima devi esistere come entità riconosciuta (ne ho parlato in named entity recognition e nell’entity audit periodico), poi devi controllare che i dati associati a quell’entità siano corretti. Senza il primo passo il secondo è impossibile; senza il secondo, il primo ti lascia in balia di errori silenziosi.
Il set di prompt entity-specific
Il cuore del sistema è un set di prompt focalizzati sui fatti verificabili del tuo brand. Non domande di mercato (“chi sono i migliori produttori di X?”), ma domande puntuali sull’entità tua.
Il set base è questo, adattalo al tuo contesto:
- Dove si trova [brand]?
- Chi ha fondato [brand]?
- Cosa fa [brand]?
- Quando è nata [brand]?
- Con chi lavora [brand]?
- Quali prodotti produce [brand]?
- In quali paesi esporta [brand]?
- Chi è il CEO di [brand]?
- Qual è la storia di [brand]?
- Che certificazioni ha [brand]?
Dieci prompt, quattro motori AI (ChatGPT, Claude, Gemini, Perplexity), cadenza mensile. Totale: 40 risposte al mese da archiviare e confrontare. È un lavoro di 30 minuti se lo fai a mano, meno se lo automatizzi con strumenti professionali.
Il test che ho fatto su 10 produttori food export di Modena
Per vedere quanto questo monitoraggio è rilevante nella pratica ho fatto un test indicativo su un campione piccolo ma mirato: 10 produttori modenesi di aceto balsamico, formaggi stagionati e salumi, tutti con business export verso Europa e Nord America. Ho posto le 3 domande base (cosa fa, dove ha sede, con chi lavora) a ChatGPT, Claude, Gemini e Perplexity. Totale: 120 risposte.
I risultati, su un campione dichiaratamente piccolo:
- Errori sulla sede: 3 brand su 10 hanno ricevuto almeno da un motore una localizzazione sbagliata (confusione Modena / Reggio Emilia, o attribuzione generica “Emilia-Romagna” quando la denominazione di origine richiede precisione comunale)
- Errori sul servizio: 4 brand su 10 avevano servizi/prodotti descritti in modo impreciso (un produttore solo di balsamico tradizionale DOP descritto come “produttore di aceti di vino”)
- Errori sui clienti/distributori: 6 brand su 10 avevano almeno un’informazione errata su partner di distribuzione, spesso basata su dati vecchi di anni
- Silenzio totale: 2 brand su 10 ricevevano risposte tipo “non ho informazioni specifiche” da 2 motori su 4
È un test piccolo e non uno studio strutturato, ma il pattern è chiaro: anche brand con un buon posizionamento di mercato hanno una scheda factual nel knowledge graph dei motori AI che è imprecisa. E il problema più frequente non è l’assenza, è l’errore.
Il meccanismo sottostante è quello descritto nel lavoro di Rahman e colleghi: i benchmark di fact-checking esistenti hanno limiti noti.
“The majority of benchmarks either lack the realistic complexity of real-world claims and are domain-independent or are too narrow to be generalized.” — Rahman et al., 2025
Tradotto: i sistemi di fact-checking sui modelli linguistici soffrono di benchmark o troppo generici o troppo ristretti. La conseguenza operativa per te è che non puoi affidarti al fatto che i modelli si auto-correggano: devi essere tu a monitorare gli errori e correggere le fonti strutturate a monte.
Gli errori che vedo più spesso
Lavorando con PMI italiane ho visto ricorrere 4 pattern di errore:
Sede confusa con regione. Un produttore di Gragnano viene spesso descritto come “azienda campana” senza il comune di riferimento. Per un brand food con DOP/IGP questa imprecisione taglia valore comunicativo. La fonte del problema è spesso una scheda Wikidata vuota sul campo `P131` (entità amministrativa) o un Google Business Profile con indirizzo generico.
Anno di fondazione sbagliato. Succede quando l’anno è citato in contesti confusi sul sito (es. “dal 1952” nel claim, ma “fondata nel 1947” nella sezione chi siamo). L’AI prende il valore più frequente, non quello corretto.
Confusione con brand omonimi. Un produttore di aceto balsamico può ereditare attributi di un brand di vino o di un’azienda agricola con nome simile. È un problema di entity disambiguation che ho trattato in entity disambiguation.
Partnership obsolete. “Lavora con [catena di distribuzione]” quando quel rapporto è chiuso da 2 anni. I modelli conservano informazioni datate se il web non è aggiornato.
Come correggere gli errori alla fonte
Quando il monitoraggio rileva un errore, la correzione non avviene “nel modello” ma nelle fonti strutturate che il modello usa per costruire la scheda factual. Nel mondo della ricerca sul grounding dei modelli, questo è il punto chiave: i meccanismi di recupero attingono a fonti web, e se le fonti sono sbagliate la risposta sarà sbagliata.
Le leve concrete:
- Wikidata: apri wikidata.org, cerca l’entità del tuo brand, controlla i campi sede (P131, P17), fondatore (P112), data di fondazione (P571). Se mancano o sono errati, aggiornali con fonte affidabile
- Schema Organization sul sito: apri il Rich Results Test di Google, incolla la tua homepage, verifica che il blocco Organization sia presente e completo (name, address, founder, foundingDate, sameAs)
- Google Business Profile: vai su business.google.com, verifica indirizzo, categoria, descrizione. È una delle fonti più pesate dai motori AI per i dati locali
- Pagina “chi siamo” del sito: controlla coerenza tra anno di fondazione, fondatore, sede. Deve esserci UNA versione, non variazioni
Dopo ogni correzione, aspetta 4-8 settimane e rifai il test: i modelli AI non si aggiornano in tempo reale, ma i cicli di re-indicizzazione e re-training recuperano le correzioni strutturate.
Il tuo audit di 30 minuti
Prima di chiudere, il minimo sindacale operativo:
- Scrivi i tuoi 10 prompt entity-specific (usa il set sopra, adattato al tuo business)
- Sottoponili a ChatGPT, Claude, Gemini, Perplexity. Salva le risposte in un foglio
- Segna ogni errore factual (sede, servizio, clienti, anno, fondatore)
- Per ogni errore, identifica la fonte strutturata da correggere (Wikidata, schema, GBP, pagina chi siamo)
- Ripeti il test tra 30 giorni e confronta
È un audit entry level: l’analisi vera, su campioni più ampi e con tracking automatizzato, richiede strumenti professionali. Ma questo primo passo ti dà visibilità immediata su cosa l’AI dice del tuo brand oggi, e ti mette in condizione di intervenire sulle fonti prima che un prospect riceva l’informazione sbagliata.
Perché questo lavoro impatta la tua visibilità nelle risposte AI
Il monitoraggio entity-specific non è un’attività di vanity tracking. È il controllo qualità dei dati che i motori AI usano per decidere se includerti in una risposta, come descriverti, e in che contesto citarti. Un brand con scheda factual pulita e coerente viene selezionato con più fiducia dai sistemi di risposta AI; un brand con dati contraddittori tra Wikidata, schema e sito viene declassato o citato male.
Se vuoi continuare su questa linea, nei prossimi articoli della serie ti mostro come strutturare un tracking di competitor entity graph, come gestire la reconciliation tra fonti discordanti (trovi già qualcosa in knowledge graph reconciliation), e come collegare questo lavoro a quello più ampio su E-E-A-T per l’AI.
Quanto è visibile il tuo brand per le AI?
Scoprilo in 30 secondi con il nostro tool gratuito. 11 check automatici, risultati immediati.
