Fai otto milioni di fatturato, sei nel distretto meccanico bresciano da trent'anni, eppure quando un buyer chiede a ChatGPT "fornitori di utensileria di precisione in Lombardia per l'automotive", tu non ci sei. Il problema non è che l'AI non sappia che esisti — è che non ha mappato le tue relazioni: non sa con quali gruppi lavori, non sa in quale distretto sei, non sa che il tuo co-fondatore siede in un direttivo di categoria. Senza queste connessioni, sei un nodo isolato nel grafo. Un'azienda citata trenta volte dentro una rete coerente di relazioni supera una citata cento volte in isolamento. Ti spiego quali relazioni esplicitare e come renderle leggibili per il modello.
Immagina di gestire un’azienda bresciana che produce utensili di precisione. Un buyer chiede a ChatGPT: “fornitori affidabili di utensileria di precisione in Lombardia per il settore automotive?”. L’AI risponde con cinque nomi. Tu non ci sei, anche se fatturi otto milioni e sei sul mercato da trent’anni.
Il problema non è necessariamente che l’AI non sappia che esisti. Il problema è che non ha mappato le tue relazioni: non sa con quali grandi gruppi lavori, non sa che sei nel distretto meccanico bresciano, non sa che il tuo co-fondatore siede nel direttivo di un’associazione di categoria. Senza queste connessioni, l’AI non ha motivo di metterti in quella specifica risposta.
In questa serie sulle entità ti ho già spiegato come l’AI riconosce chi sei. Oggi ti racconto il passaggio successivo: come riconosce con chi sei collegato e perché questo determina in quali contesti vieni citato.
Cosa significa mappare relazioni tra entità, per un modello AI
Un modello AI non impara le entità come parole isolate in un dizionario. Le impara come nodi di un grafo, dove ogni nodo è collegato ad altri da relazioni etichettate: “fondato da”, “fornitore di”, “partner di”, “competitor di”, “sede in”.
Nel mondo della ricerca, questo processo di costruzione viene descritto in modo esplicito. Zhu et al. (2023), in un lavoro sui Large Language Model applicati ai Knowledge Graph, scrivono:
“Constructing KGs typically involves multiple tasks such as Named Entity Recognition (NER), Relation Extraction (RE), Event Extraction (EE), and Entity Linking (EL).” — Zhu et al., 2023
Tradotto: per costruire un grafo di conoscenza servono quattro passaggi distinti. Prima riconoscere le entità (NER), poi estrarne le relazioni (RE), poi collegare gli eventi e infine agganciare ogni entità alla sua identità univoca nel mondo (Entity Linking).
La conseguenza operativa è che il tuo brand, per l’AI, non è un punto ma una ragnatela. Se mancano i fili, esisti ma resti isolato: l’AI sa che ci sei, ma non sa dove collocarti. E quando un utente chiede “fornitori nel settore X”, il tuo nodo isolato non emerge.
Perché le relazioni stanno a monte di tutto il resto
Ti ho raccontato negli articoli precedenti come l’AI trasforma il testo in vettori in uno spazio semantico e come arriva a riconoscere un autore come entità. La mappatura delle relazioni è il livello sopra: non riguarda solo chi sei, ma la posizione che occupi nella rete di tutte le altre entità del tuo settore.
Gli stessi autori lo dicono con chiarezza:
“Entity and Relation Extraction, along with Event Extraction, are pivotal for Knowledge Graph (KG) construction tasks [25–28].” — Zhu et al., 2023
Tradotto: estrarre entità insieme alle relazioni che le legano è il cuore della costruzione di un grafo di conoscenza. Non è un dettaglio facoltativo, è il meccanismo.
Da questo segue che la tua visibilità nelle risposte AI dipende non solo da quante volte sei nominato, ma da quante connessioni chiare e ripetute ci sono tra te e le altre entità rilevanti del tuo settore. Un’azienda citata 100 volte ma sempre in isolamento performa peggio di una citata 30 volte, ma sempre dentro una rete coerente di relazioni.
Il test che puoi fare in 10 minuti
Ti propongo un check semplice per capire se le tue relazioni sono leggibili per un’AI. Non è un audit professionale, è un primo sguardo onesto.
Apri Rich Results Test di Google e incolla la URL della tua homepage. Nella risposta, cerca il blocco “Organization”. Se c’è, guarda se contiene campi come `founder`, `parentOrganization`, `sameAs`, `brand`, `subOrganization`. Se il blocco è assente o contiene solo nome e logo, le relazioni del tuo brand non sono dichiarate da nessuna parte in forma machine-readable.
Secondo passaggio: vai su Wikidata e cerca il nome della tua azienda. Se non esisti come voce, nessun sistema esterno può agganciare il tuo brand a un identificatore stabile. Se esisti ma la scheda ha due righe, la tua rete di relazioni pubbliche è minima.
Terzo passaggio: apri ChatGPT o Perplexity e chiedi “chi è il fondatore di [tuo brand]?” e “quali sono i principali competitor di [tuo brand]?”. Se l’AI non sa rispondere, non sa rispondere nemmeno quando qualcuno chiede al contrario “quali sono i fornitori nel settore X”.
Soglie decisionali: schema Organization presente con almeno founder + sameAs = base accettabile. Scheda Wikidata con almeno 5 proprietà popolate = sei entrato nel grafo pubblico. Risposta AI corretta su fondatore e settore = l’AI ha interiorizzato le relazioni chiave.
Il confronto che ho fatto: due aziende gemelle, risultati opposti
Invece di darti numeri medi su un campione grande, preferisco raccontarti un confronto diretto che rende l’idea meglio di qualsiasi percentuale.
Due aziende della componentistica bresciana, stessa dimensione (circa 8 milioni di fatturato), stesso settore (utensileria di precisione), stesso numero di dipendenti (35-40). Una — chiamiamola Azienda A — ha una rete LinkedIn ricca: i due soci citati e collegati a partner/fornitori noti del settore, case study pubblicati su siti di categoria con i nomi dei clienti principali, menzioni su riviste B2B con ruoli e relazioni esplicite. L’altra — Azienda B — ha un sito pulito ma zero relazioni esplicite pubblicate: niente partner nominati, niente clienti citati, niente associazioni di categoria linkate.
Ho provato 20 query B2B su ChatGPT e Perplexity del tipo “fornitori affidabili di utensili di precisione in Lombardia”, “chi lavora con [grande gruppo cliente comune alle due] nel settore utensileria”, “aziende italiane specializzate in frese ad alta precisione per automotive”. Azienda A è stata citata in 11 risposte su 20 (55%), Azienda B in 0 (zero). Stesso fatturato, stessa qualità di prodotto stando alle recensioni B2B, stessa anzianità. La differenza è tutta nella rete di relazioni dichiarate.
Il limite onesto del test: 20 query sono un campione indicativo, non uno studio. Non ho controllato se ChatGPT abbia pescato una delle due da un forum specifico che non ho indagato. L’analisi seria richiede strumenti professionali di monitoring AI search, non due ore di prompt manuali.
La lezione: quando l’AI deve scegliere chi citare tra due opzioni equivalenti per prodotto e dimensione, sceglie quella leggibile come nodo di una rete. L’altra, per il modello, semplicemente non esiste nel contesto della domanda.
Gli errori che vedo più spesso
Schema Organization svuotato di relazioni. Tante aziende hanno lo schema, ma dentro c’è solo `name` e `url`. Senza `founder`, `sameAs`, `parentOrganization` quel blocco non dichiara nessuna relazione. È una firma senza contenuto.
About page che racconta storie, non entità. La pagina “Chi siamo” di Studio Associato Rossi dice “siamo un team affiatato con esperienza ventennale”. Zero nomi, zero date, zero aziende clienti esemplari citate per nome. L’AI estrae zero relazioni.
Sito senza link ai profili social e a Wikidata. Il campo `sameAs` nello schema serve proprio a dire all’AI “questa entità è anche quella su LinkedIn, su Wikidata, su Crunchbase”. Senza questo ponte, ogni menzione del tuo brand sul web resta scollegata dalle altre.
Relazioni dichiarate solo in PDF o immagini. Organigrammi, partnership, clienti: spesso finiscono in brochure PDF o grafici JPG. Da questo segue che anche i sistemi più avanzati di estrazione di entità e relazioni, per loro natura, processano testo: se il tuo organigramma è un’immagine non taggata, quelle relazioni per il modello non esistono.
Cosa fare concretamente
- Aggiungi allo schema Organization della homepage i campi `founder`, `sameAs` (link a LinkedIn, Wikipedia, Wikidata se esistono), `parentOrganization` se fai parte di un gruppo, `brand` se hai più linee prodotto
- Apri o arricchisci la scheda Wikidata del tuo brand e del tuo fondatore: aggiungi almeno country, industry, founded, headquarters, founder (se la scheda è del brand)
- Riscrivi la About page come testo leggibile, con nomi propri delle persone chiave, anno di fondazione scritto per esteso, città della sede, 3-5 aziende clienti esemplari citate per nome (con il loro permesso)
- Crea una pagina “Partner e certificazioni” con link uscenti verso le entità ufficiali: associazioni di categoria, enti certificatori, Politecnico di Milano se hai collaborazioni universitarie
- Confronta con i 3-5 competitor che l’AI cita nel tuo settore: se loro hanno Wikidata popolato e tu no, sai dove recuperare
Quello che porti a casa
Le relazioni tra entità sono il livello in cui si decide quando l’AI ti consiglia. Non basta che sappia chi sei: deve sapere con chi sei collegato. Il confronto tra Azienda A e Azienda B racconta meglio di ogni media quanto pesi questo strato: stessi numeri, stesso prodotto, visibilità opposta.
Il filo della tua visibilità nelle risposte AI passa di qui: più relazioni chiare dichiari nei formati giusti, più contesti possono attivare una tua citazione. Non è un fattore magico. Una rete di relazioni perfetta su un brand senza contenuti autorevoli non produce risultati: resta sempre valido il principio di E-E-A-T applicato all’AI. Ma senza relazioni dichiarate, anche il contenuto migliore resta un nodo isolato.
Nei prossimi articoli di questa serie vedremo come si costruisce una scheda Wikidata che funziona davvero, come si gestisce la coerenza tra menzioni del brand su fonti diverse, e come si misura nel tempo la crescita del tuo nodo dentro il grafo di conoscenza pubblico.
Quanto è visibile il tuo brand per le AI?
Scoprilo in 30 secondi con il nostro tool gratuito. 11 check automatici, risultati immediati.
