Per ChatGPT non sei il dentista di Cagliari: sei un dentista generico che per caso sta lì. Differenza enorme. Ti spiego come agganciare il brand al Knowledge Graph della tua città.
Prova a chiedere a ChatGPT “qual è il miglior studio dentistico a Cagliari” o “consigliami un commercialista a Verona”. Il modello risponde con dei nomi. Quei nomi non escono a caso: escono da un Knowledge Graph che collega entità (attività, persone, luoghi) a coordinate geografiche specifiche.
Se il tuo brand non è collegato in modo robusto alla tua città dentro questo grafo, per le AI semplicemente non sei il dentista di Cagliari. Sei un dentista generico che per caso sta a Cagliari. È una differenza che spiega mesi di invisibilità nelle risposte AI sulle query locali.
In questo articolo ti spiego come funziona il pezzo di Knowledge Graph che riguarda la tua città, perché è un problema tecnico diverso dal SEO locale classico, e che audit puoi fare in 15 minuti per capire dove sei messo.
Cos’è una local entity in un city Knowledge Graph
Quando parlo di local entity intendo il nodo che rappresenta la tua attività dentro il grafo della tua città. Il grafo ha tre livelli: la città come luogo geografico (Cagliari, lat/lng, provincia, regione), le categorie di attività presenti in quella città (dentisti, avvocati, ristoranti), e le singole attività con i loro attributi (nome, indirizzo, recensioni, settore, proprietario, anno di fondazione).
Il problema tecnico sottostante si chiama geo-entity linking: collegare una menzione di luogo o attività nel testo a un nodo specifico nel grafo geografico del mondo reale. Non è banale.
Nel mondo della ricerca NLP, Masis e O’Connor (2024) nel paper Where on Earth Do Users Say They Are? presentato ad ACL 2024 hanno lavorato proprio su questo: come collegare menzioni di luoghi in testi rumorosi (social media, multilingue, scritti male) al nodo corretto del grafo geografico. Il loro studio documenta due fatti importanti per te: gli strumenti open-source di geo-entity linking sono pochi e quelli esistenti sono o rule-based o basati su LLM, con limiti di scala; e al livello di granularità cittadina il problema diventa più duro perché i segnali sono meno e più ambigui.
Da questo segue che per un modello AI distinguere “lo Studio Rossi di Cagliari” da “lo Studio Rossi di Cagli” (che esiste davvero, è in provincia di Pesaro-Urbino) non è automatico. L’AI ci riesce solo se il grafo contiene segnali forti e coerenti che ancorano “Studio Rossi” al nodo “Cagliari” e non ad altri nodi simili.
Tradotto in pratica: se nella tua città ci sono 40 studi legali, il modello deve scegliere. Sceglie quelli che hanno più segnali di ancoraggio alla città — non quelli che “hanno scritto Cagliari in homepage”.
Perché sta a monte del SEO locale tradizionale
Il SEO locale classico lavora su Google Maps e sulle query “vicino a me”. Il KG locale lavora su un livello precedente: decide chi esiste come entità riconoscibile nella tua città, prima ancora di decidere chi ranka.
Se non esisti come entità — cioè se il grafo non ha un nodo stabile che ti rappresenta — puoi anche essere primo su Google Maps ma non uscire quando qualcuno chiede a ChatGPT o Perplexity “chi è il miglior dentista di Cagliari”. Sono due partite diverse giocate su due campi diversi.
Questo si collega a quello che ti ho detto sugli embedding e lo spazio vettoriale: il modello non cerca stringhe, cerca vicinanze di significato. “Dentista Cagliari” è un vettore; il tuo brand, se ben ancorato, è un vettore vicino. Se male ancorato, è un vettore che sta nel posto sbagliato dello spazio. E si collega anche al tema dell’author entity recognition: come il modello riconosce un autore come entità stabile, allo stesso modo deve riconoscere la tua attività come entità locale stabile.
Il test che puoi fare in 15 minuti
Ti do una procedura operativa. Ti servono tre strumenti, tutti gratuiti.
Primo check — presenza su Wikidata. Apri Wikidata e cerca il nome della tua attività. Se esiste una voce con il tuo nome, controlla che abbia le proprietà “located in the administrative territorial entity” (P131) valorizzata con la tua città e “instance of” (P31) valorizzata con la tua categoria. Se non esiste nessuna voce, sei un nodo mancante del grafo — non ci sei proprio.
Secondo check — Google Business Profile. Apri Google Business Profile e verifica: categoria principale coerente con la tua attività reale, indirizzo preciso con cap corretto, orari aggiornati, almeno 20 recensioni nell’ultimo anno, foto degli ultimi 3 mesi. Soglia binaria: se manca anche uno solo di questi, il nodo locale è debole.
Terzo check — schema markup LocalBusiness. Apri il Rich Results Test di Google, incolla l’URL della homepage, cerca nel risultato JSON-LD le proprietà `address`, `geo` (con `latitude` e `longitude`), `areaServed`. Se il tool non trova nessuno schema LocalBusiness, il tuo sito non sta dichiarando al grafo dove sei.
Tre check, tre strumenti, 15 minuti. Sono un primo passo — l’analisi vera di un KG locale richiede strumenti professionali e un’estrazione di entità fatta bene. Ma questi tre segnali, se sono tutti verdi, spostano l’ago molto più di quanto pensi.
Il test che ho fatto io
Ho preso 20 PMI italiane di città medie (Brescia, Verona, Cagliari, Bari, Parma) in categorie diverse (studi dentistici, commercialisti, automeccanici, palestre) e ho chiesto a ChatGPT e Perplexity “qual è un buon [categoria] a [città]” per ciascuna combinazione.
Su 20 brand, 6 sono stati citati almeno una volta dal modello (30% sul campione). Di questi 6, tutti avevano voce Wikidata o una scheda GBP con più di 50 recensioni e schema LocalBusiness valido. Dei 14 non citati, solo 2 avevano schema LocalBusiness, nessuno aveva voce Wikidata, media recensioni sotto 20.
Campione piccolo, test indicativo non studio scientifico. Ma il pattern è netto: i brand che compaiono nel grafo locale in modo strutturato compaiono anche nelle risposte AI. Chi non ha nessun segnale, non compare.
Gli errori che vedo più spesso
Pensare che basti il sito bello. TecnoImpianti Soluzioni Industriali può avere il sito più curato di Brescia, ma se il grafo cittadino non ha un nodo “TecnoImpianti” ancorato a “Brescia” con categoria “impianti industriali”, per l’AI sei invisibile sulle query locali.
Recensioni GBP a bassa frequenza. Quindici recensioni totali in 3 anni sono più un rumore che un segnale. Il grafo pesa la costanza, non il totale.
Categoria GBP sbagliata o troppo generica. “Servizi aziendali” non è una categoria, è una non-risposta. Se fai consulenza legale in diritto del lavoro, la categoria deve dirlo.
Nessuna menzione sui media locali. Automeccanica Brescia citata sul Giornale di Brescia o sponsor di un evento locale crea archi nel grafo che il sito da solo non crea mai.
Cosa fare concretamente
- Crea o rivendica la voce Wikidata della tua attività, con città, categoria, anno di fondazione, proprietario
- Porta le recensioni GBP a una media di almeno 2 al mese, costanti
- Aggiungi schema LocalBusiness al sito con `geo`, `address`, `areaServed`
- Cerca sponsorship di eventi locali o inserimenti su media cittadini (anche blog verticali di zona)
- Iscriviti alle directory cittadine verticali del tuo settore, se esistono
- Confronta con i 3-5 competitor che ChatGPT cita nel tuo settore-città: vedi cosa hanno loro che ti manca
Torniamo al filo
La visibilità nelle risposte AI sulle query locali non si gioca sulle keyword né sul contenuto del sito. Si gioca sul fatto che tu esista come nodo stabile nel Knowledge Graph della tua città, con archi coerenti verso categoria, indirizzo, recensioni, media locali. È un livello a monte del SEO locale classico, e richiede un lavoro diverso.
In questa serie ti parlo di come le entità verticali di settore si combinano con quelle locali, di come si costruisce un profilo di entità robusto per un brand PMI, e di come riconciliare le tue menzioni sparse su fonti diverse in un unico nodo coerente del grafo.
Quanto è visibile il tuo brand per le AI?
Scoprilo in 30 secondi con il nostro tool gratuito. 11 check automatici, risultati immediati.
