Hai lanciato il brand da sei mesi, fai traffico, hai le prime menzioni stampa — ma nelle risposte AI non esisti. Non è colpa dei contenuti. Per il modello sei un'emerging entity: una stringa che compare da poco, con pochi segnali strutturati, senza un nodo stabile nel grafo della conoscenza. Il problema è vecchio nel mondo dell'NLP e i motori attuali lo hanno ereditato: riconoscono entità consolidate con facilità, le nuove con fatica. Ti spiego quali quattro interventi concreti — Wikidata, schema markup, Crunchbase, PR su testate indicizzate — accelerano il riconoscimento in quattro-cinque mesi.
Hai lanciato un nuovo brand sei mesi fa, fai buon traffico, hai prime menzioni sulla stampa di settore. Ma quando qualcuno chiede consigli a ChatGPT sul tuo verticale, il tuo nome non esce. Normale? Sì, e ti spiego come accelerare la visibilità AI anche per un brand nuovo.
Il punto è che i motori AI non ti stanno ignorando per cattiveria: semplicemente non sanno ancora chi sei. Per loro sei una emerging entity — un’entità emergente. Una stringa di testo che compare da poco, con pochi segnali strutturati attorno, senza una casella stabile dentro la loro rappresentazione del mondo. E finché non guadagni quella casella, sei fuori dal set di brand raccomandabili.
Cosa significa essere un’entità emergente per un modello AI
Nel mondo della ricerca NLP, il problema del riconoscimento di entità nuove è stato studiato sistematicamente nel workshop WNUT del 2017, con un dataset costruito apposta per misurare quanto i sistemi fossero capaci di gestire entità rare e appena apparse.
“Another solu- The goal of this task is to provide a defini- tion is to develop systems that are less sensitive to tion of emerging and of rare entities, and change, and can handle rare and emerging entity based on that, also datasets for detecting types with ease.” — Derczynski et al. (2017)
Tradotto in concreto: i sistemi che oggi stanno dietro a ChatGPT, Claude, Gemini e Perplexity hanno ereditato un problema vecchio. Riconoscere entità consolidate (Apple, Ferrari, Università di Bologna) è facile perché il segnale è enorme; riconoscere entità nuove è difficile perché il segnale è poco e rumoroso.
La conseguenza operativa per te è semplice. Se il tuo brand è nato da meno di 2-3 anni e non hai fatto nulla per rendere esplicita la tua identità di entità — pagina Wikidata, voce Wikipedia quando possibile, dati strutturati sul sito, menzioni in fonti autorevoli — il modello non ti raccomanda non perché tu sia brutto, ma perché la tua esistenza per lui è statisticamente debole.
Perché questo è il nodo che sta a monte di tutto il resto
Puoi avere contenuti scritti in piramide rovesciata, puoi avere E-E-A-T ben costruito, puoi aver curato l’author entity recognition. Se il nome del tuo brand non è un’entità riconosciuta, tutto il resto perde forza. Il modello legge il tuo contenuto, ma non sa a chi attribuirlo nel suo grafo interno.
È il motivo per cui ho messo questo nodo presto nella serie P4: accelerare il riconoscimento della tua entità è la leva con il ritorno più grande quando sei un brand giovane.
Il caso: una SaaS B2B padovana di otto mesi
Ti racconto un caso concreto, anonimizzato.
Una SaaS B2B padovana nel segmento HR tech, lanciata otto mesi fa. Prodotto solido, 60 clienti paganti, traffico organico stabile sui 4-5k utenti mese, qualche articolo su testate di settore HR e due podcast. Nessuna citazione AI: quando il founder chiedeva a ChatGPT o Perplexity “migliori piattaforme per onboarding HR in Italia”, il brand non usciva mai. Zero volte su 20 query testate in tre motori diversi.
L’intervento, in cinque mesi, è stato questo:
- creazione di una scheda Wikidata completa (item con label italiana e inglese, descrizione breve, proprietà “istanza di: software”, “paese: Italia”, “data di fondazione”, link al sito, link a Crunchbase e LinkedIn azienda)
- aggiunta di dati strutturati `Organization` + `SoftwareApplication` sulla homepage, con campi `sameAs` che puntavano a Wikidata, LinkedIn, Crunchbase
- pubblicazione di una scheda Crunchbase compilata bene (founding round, fondatori con link ai profili, categoria coerente)
- due comunicati a testate digitali indicizzate forte (una generalista tech, una verticale HR) con nome brand sempre in forma canonica identica
- una pagina “Chi siamo” riscritta in piramide rovesciata, con nome brand + cosa fa + per chi nelle prime 30 parole
Dopo cinque mesi: su 20 query di test rifatte con lo stesso protocollo, il brand usciva citato 6 volte su 20 (da zero a 6). Il pattern più interessante era che Perplexity lo citava prima degli altri, probabilmente perché aggrega fonti web fresche più rapidamente.
Limite onesto di questo case study: è un singolo cliente, settore specifico, campione di query ristretto. Non è uno studio. Ma il pattern l’ho visto ripetersi su altre startup B2B tech seguite dopo.
Il test che puoi fare in 15 minuti sul tuo brand
Prima di muoverti, verifica dove sei oggi.
Apri Wikidata e cerca il nome esatto del tuo brand. Se non esiste un item dedicato, sei ufficialmente invisibile al livello più strutturato del grafo. Se esiste ma è vuoto (solo label, nessuna proprietà), il segnale è debole.
Apri il Rich Results Test di Google, incolla la URL della tua homepage e cerca nel risultato il blocco `Organization`. Se non c’è, il sito non sta mandando al web il segnale base “io sono quest’azienda, questi sono i miei profili”. Se c’è, controlla che ci sia il campo `sameAs` con almeno LinkedIn e Crunchbase.
Poi fai la prova diretta. Apri ChatGPT, Claude, Perplexity e Gemini e chiedi 3-5 query del tipo “migliori [tua categoria] in Italia” o “alternative a [competitor consolidato del tuo settore]”. Conta quante volte il tuo brand viene citato. Soglia binaria: se sei a zero su tutti e quattro, il problema è di entità. Se sei citato 1-2 volte su qualcuno, hai un segnale di presenza ma ancora fragile.
Questi sono check entry level. L’analisi completa — distanza semantica dai competitor citati, coverage sui motori, pattern di co-occorrenza — richiede strumenti professionali. Ma questi tre test in 15 minuti ti dicono già da dove partire.
Gli errori che vedo più spesso sui brand nuovi
Nome brand non canonico. Il sito usa “Acme Solutions”, LinkedIn “Acme Srl”, Crunchbase “ACME”, i comunicati “Acme Italia”. Per l’AI sono quattro entità deboli, non una forte.
Wikidata ignorata. Il founder pensa che Wikidata sia roba da enciclopedisti. In realtà è il registro strutturato più letto dai motori AI per ancorare entità. Non averne una voce quando sei nuovo è una delle pochissime leve con costo zero e ritorno alto.
Dati strutturati assenti o buggati. Il sito ha un tema WordPress che inserisce un `Organization` minimo senza `sameAs`. Il motore legge un’entità scollegata dal resto del web.
Rincorrere Wikipedia troppo presto. Una voce Wikipedia su un brand di 8 mesi viene cancellata per non-notability. Prima costruisci notability (stampa, menzioni, Crunchbase, Wikidata), poi la voce Wikipedia arriva naturale quando sei pronto.
Cosa fare concretamente nei prossimi 60 giorni
- fissa il nome canonico del brand in una forma unica e allineala ovunque: sito, footer, meta tag, LinkedIn, Crunchbase, comunicati
- crea la scheda Wikidata seguendo gli item di aziende simili più consolidate come template, con proprietà compilate e link sameAs
- aggiungi dati strutturati `Organization` alla homepage, con `sameAs` verso Wikidata, LinkedIn, Crunchbase e tutti i profili social ufficiali
- compila Crunchbase in modo completo: founder con link profilo, categoria coerente, round, sede
- pianifica 2-3 PR nei prossimi mesi su testate indicizzate forte, con nome brand sempre nella forma canonica
Non è magia. È far capire all’AI che esisti, con che nome, in che categoria, con chi sei collegato. Da lì, se il prodotto è buono e i contenuti tengono, la citazione nelle risposte AI arriva.
Il filo della visibilità AI
Lavorare sull’emerging entity detection è la base per uscire nelle risposte AI quando il tuo brand è giovane. Senza questo passaggio, ogni investimento sui contenuti rende meno di quanto potrebbe, perché il modello non sa a chi attribuirti.
Nei prossimi articoli di questa serie P4 vediamo gli altri nodi del knowledge graph che lavorano insieme a questo: come si costruisce la disambiguazione quando il tuo nome brand è ambiguo con altre entità, come funziona la relazione tra entità e co-occorrenza nelle risposte AI, e come si misura la forza della tua entità nel tempo. Se vuoi approfondire come i modelli rappresentano le entità nello spazio vettoriale, trovi il pezzo dedicato su embedding e spazio vettoriale.
Quanto è visibile il tuo brand per le AI?
Scoprilo in 30 secondi con il nostro tool gratuito. 11 check automatici, risultati immediati.
