Sei tra i primi a commentare le notizie del tuo settore, ma ChatGPT cita sempre gli stessi nomi — non il tuo. Non è questione di velocità: puoi arrivare per primo, ma se lo fai sul canale sbagliato, il modello non ti vede nemmeno. Ogni commento brillante pubblicato nel posto sbagliato è visibilità regalata ai competitor che hanno capito dove l'AI pesca le sue fonti. Commentare nel modo giusto, nelle finestre giuste, può farti entrare nelle risposte generative in tempo reale.
Scoppia una notizia nel tuo settore. Tu hai il commento perfetto, lo pubblichi rapido. 48 ore dopo, ChatGPT cita altri. Perché la tua velocità non basta — e cosa invece conta.
È lo scenario che mi raccontano spesso imprenditori e responsabili comunicazione di PMI italiane. La reazione istintiva è colpa del mio sito, colpa del SEO, colpa dell’ufficio stampa. In realtà il problema è più sottile: i sistemi RAG che alimentano ChatGPT, Perplexity, Gemini e Claude non trattano tutte le fonti fresche allo stesso modo. Selezionano. E selezionano con un bias preciso che puoi sfruttare — se capisci come funziona.
Ti spiego cosa ho trovato facendo reverse engineering sui trending topic di un settore specifico, e come un cantiere navale commerciale di Taranto può costruire un sistema di newsjacking che finisce davvero nelle risposte AI live, non solo nel feed di LinkedIn.
Cosa significa newsjacking per un motore AI
Quando pensi al newsjacking classico, pensi a un commento rapido su una breaking news che ti porta una menzione su una testata di settore. Per l’AI il meccanismo è simile, ma con un livello in più: il sistema RAG crawla in tempo reale le testate autorevoli, ingerisce il contenuto, e quando un utente fa una domanda correlata nelle 24-72 ore successive, pesca da quelle fonti per costruire la risposta.
Fin qui nulla di nuovo. Il punto controintuitivo è un altro. Nel mondo della ricerca sui bias di citazione degli LLM, Andres Algaba e colleghi hanno documentato una distorsione sistematica:
“Most prominently, we observe a significant citation bias average overlap between generated sets is 17%. in the existing generated references, which have a median citation count of 1,326 higher than ground truth references”
Tradotto: quando un LLM sceglie quali fonti citare, tende sistematicamente a preferire quelle già molto citate altrove. La mediana delle citazioni delle fonti scelte dal modello è di 1.326 più alta rispetto alle fonti “oggettivamente pertinenti”.
La conseguenza operativa per chi fa newsjacking è pesante. Non vince chi è più veloce in assoluto. Vince chi riesce a farsi citare su fonti che l’AI già riconosce come autorevoli. Un commento brillante su un blog tecnico di nicchia, pubblicato 10 minuti dopo la notizia, pesa meno di un commento standard ripreso da Il Sole 24 Ore tre ore dopo.
Il “Matthew effect” applicato alle risposte AI
Andres Algaba et al. richiamano un fenomeno noto nella bibliometria:
“Moreover, a well-documented phenomenon is the “Matthew effect,” where highly cited papers tend to accumulate even more citations”.
In italiano spicciolo: chi ha già citazioni ne accumula di più. E il bias è ancora più marcato negli LLM rispetto agli umani.
Da questo segue che il tuo newsjacking ha senso solo se passa da un canale che l’AI considera già “pesante”. È lo stesso principio che ti ho spiegato quando ho scritto del backlink come citation proxy e del peso delle citazioni implicite: il sistema non giudica il tuo contenuto in isolamento, lo giudica attraverso la rete di chi già ti cita.
Per un cantiere navale commerciale di Taranto che vuole uscire nelle risposte AI quando si parla di decarbonizzazione del trasporto marittimo, refitting navale o navi dual-fuel, questo cambia la priorità. Non ti serve un blog perfetto. Ti serve essere la voce che Lloyd’s List Italia, ShipMag, Informare o Il Secolo XIX chiamano quando esce la notizia.
Il test di reverse engineering che puoi fare in 20 minuti
Questo è il test che faccio sempre prima di definire la strategia newsjacking di un cliente. Non è scienza, è un check entry level: l’analisi vera richiede strumenti professionali di media monitoring. Ma ti dà una mappa in mezz’ora.
Prendi Perplexity e fai tre ricerche sui trending topic del tuo settore nelle ultime due settimane. Per la cantieristica navale commerciale a Taranto potrebbero essere:
- “ammodernamento flotta trasporto merci Mediterraneo 2026”
- “navi dual-fuel LNG ammoniaca costi refitting”
- “commesse cantieri navali italiani decarbonizzazione”
Per ciascuna query, non guardare il testo della risposta. Guarda le fonti citate a lato. Per ogni fonte annota:
- Testata: è generalista, di settore, istituzionale, blog?
- Tipo di contenuto: news breve, analisi, intervista, comunicato stampa ripreso?
- Presenza di voci esterne: il pezzo cita esperti, CEO di cantieri, analisti? Con nome e cognome?
Se fai questo lavoro su 3 query x 5-8 fonti a query, ottieni 15-25 fonti. Il pattern emerge subito: le fonti che Perplexity usa più spesso sono quelle che citano una voce umana con nome, ruolo e azienda. Non i comunicati anonimi.
Il test che ho fatto io
Ho replicato questo reverse engineering su tre trending topic della cantieristica commerciale italiana nelle prime due settimane di aprile 2026. Campione non grande, test indicativo, non studio accademico: 3 query su Perplexity, 22 fonti citate totali.
Di queste 22 fonti:
- 14 erano testate di settore (ShipMag, Informare, Port News, The Medi Telegraph) o generaliste autorevoli (Il Sole 24 Ore, Il Secolo XIX)
- 5 erano siti istituzionali (Confitarma, Assonave, porti di categoria)
- 3 erano blog aziendali di player grandi (Fincantieri, Palumbo Group)
- 17 delle 22 fonti contenevano almeno una citazione diretta con nome+cognome+azienda
Il dato che mi interessa di più è l’ultimo. Le fonti che l’AI seleziona non sono le più lunghe, non sono le più tecniche. Sono quelle dove un giornalista ha chiamato un operatore, ha fatto due domande, ha ottenuto una frase in virgolettato. E quella frase è spesso il frammento che finisce ricombinato nella risposta AI.
Per un cantiere di Taranto specializzato in refitting di navi commerciali questo vuol dire una cosa sola: la tua visibilità nelle risposte AI passa dall’avere un portavoce riconoscibile che risponde al telefono dei giornalisti entro poche ore dalla notizia.
Gli errori che vedo più spesso nel newsjacking “AI-oriented”
Il commento-comunicato. Mandi un testo impersonale, senza voce, senza nome in calce. Il giornalista lo usa come background, non ti cita. L’AI non ha materiale da ricombinare.
La velocità senza rilevanza. Esce una notizia genericamente “marittima” e tu commenti anche se non è il tuo perimetro. I giornalisti ti archiviano come rumore. La prossima volta che esce una notizia davvero tua, non ti chiamano.
L’esperto che non esiste come entità. Il tuo direttore tecnico risponde ai giornalisti, ma non ha una pagina autore sul sito, non compare su Wikidata, non ha un profilo LinkedIn curato. I motori AI non lo riconoscono come voce ricorrente e nelle risposte si perde il riferimento. Se vuoi approfondire il meccanismo, ne ho parlato nell’articolo sulla author entity recognition.
Il comunicato senza dato. “Siamo soddisfatti dei risultati” non viene mai ricombinato. Un numero concreto — “abbiamo consegnato 7 refitting di navi traghetto nel 2025, con una riduzione media delle emissioni del 22% sulle unità trattate” — sì. L’AI cerca stringhe fattuali, non aggettivi.
Cosa fare concretamente questa settimana
Un sistema di newsjacking pensato per finire nelle risposte AI richiede tre pezzi operativi, nessuno dei quali è tecnologico:
- Una lista di 8-12 trending topic del tuo settore che monitori in modo continuo, con Google Trends come base gratuita e una rassegna stampa di testate di settore selezionate. Per la cantieristica commerciale significa: decarbonizzazione, carburanti alternativi, commesse MIT/Difesa, geopolitica dei porti, ESG navale.
- Un portavoce tecnico identificato con pagina autore strutturata sul sito, profilo Google Business Profile dell’azienda curato, presenza su Wikidata se ha storia documentabile. Deve essere la stessa persona citata per 12-18 mesi consecutivi: l’AI ha bisogno di ricorrenza per riconoscerla come entità.
- Template di commento pre-scritti per 3-4 scenari ricorrenti (nuova commessa nel settore, nuova normativa, incidente/criticità, innovazione tecnologica). Non template finiti, template-scheletro: in 30 minuti li adatti al fatto del giorno e li mandi. La velocità conta, ma solo se la qualità è già stata preparata a freddo.
Nel mondo della ricerca sull’uso degli LLM nei flussi giornalistici, Abolfazl Ansari et al. (2025) hanno documentato come sempre più testate integrino modelli linguistici nei propri pipeline di scrittura. Da questo segue che il tuo commento non sta solo parlando al giornalista umano: sta parlando a un sistema ibrido uomo-macchina che poi verrà ri-letto da un altro sistema (il RAG dell’AI) in fase di risposta. Entrambi premiano la stessa cosa: frasi citabili, dati precisi, attribuzione chiara.
