Il tuo sito dice che l'azienda è attiva dal 2008, ma la pagina LinkedIn riporta il 2013 e sulla Camera di Commercio compare un'altra data ancora? Per l'AI non è una svista trascurabile — è un segnale di inaffidabilità. I modelli cross-referenziano i tuoi dati su tutte le fonti disponibili, e quando trovano incongruenze la confidenza sul tuo brand crolla. Non è un problema di contenuti, è un problema di coerenza narrativa che si accumula silenziosamente. Un audit delle date, dei numeri e dei claim su tutte le piattaforme richiede mezza giornata. Ti spiego come farlo e come allineare tutto prima che le contraddizioni erodano il tuo trust.
Il tuo sito parla di “oltre vent’anni di esperienza”. La pagina About su LinkedIn riporta una data di fondazione che non torna. Un’intervista di tre anni fa ti descrive con una mission leggermente diversa da quella che usi oggi. Per te sono aggiornamenti fatti in momenti diversi, senza malizia — lo vedo in quasi tutti gli audit che faccio. Per un modello AI che incrocia fonti prima di generare una risposta, sono contraddizioni — e le contraddizioni costano.
Non sto parlando di incoerenze grossolane che chiunque noterebbe. Sto parlando della narrativa complessiva del brand — la storia che racconti su chi sei, da quanto esisti, cosa fai e perché lo fai — quando non combacia tra le fonti che il modello consulta. E questo e un problema diverso dalla semplice coerenza dei dati anagrafici di cui ho parlato nell’articolo sulla brand entity consistency. Li il tema era il naming e i dati strutturati. Qui il tema e la storia: il racconto che il modello ricostruisce su di te incrociando tutto cio che trova.
Perché la coerenza narrativa e diventata un parametro tecnico
I modelli linguistici moderni non si limitano a restituire informazioni. Vengono addestrati e allineati per produrre risposte coerenti, accurate e stilisticamente consistenti. Zhang et al. nel 2025 lo descrivono in modo netto:
“This paradigm is crucial for aligning LLMs on tasks where coherence, style, and factual accuracy matter.” — Zhang et al., 2025
“Coherence, style, and factual accuracy.” Tre criteri, e la coerenza e il primo della lista. Non e un dettaglio estetico — e un parametro su cui il modello viene ottimizzato. Quando il sistema incontra informazioni contraddittorie su un’entita, non le ignora: le registra come segnale di bassa affidabilità. E un’entita con bassa affidabilità non finisce nelle risposte.
Tradotto nella tua situazione: se la narrativa del tuo brand e coerente su tutte le fonti — stessa storia, stesse date, stessa missione, stesso posizionamento — il modello ha un segnale pulito su cui lavorare. Se invece le fonti si contraddicono, stai introducendo rumore nel sistema. E il rumore, nei modelli linguistici, si traduce in una cosa sola: perdita di confidenza.
Il problema si amplifica nei sistemi RAG
Fin qui parliamo del training — di cio che il modello ha assorbito durante l’addestramento. Ma oggi la maggior parte delle risposte commerciali passa anche per sistemi RAG, che recuperano documenti dal web in tempo reale prima di generare. E qui la contraddizione narrativa diventa ancora più visibile.
Gao et al. nel 2024, nel loro survey sui sistemi RAG, documentano un problema specifico:
“Integrating retrieved information with the different task can be challenging, sometimes leading to incoherent responses.” — Gao et al., 2024
“Incoherent responses” — risposte incoerenti. Quando il sistema RAG recupera fonti che non si allineano tra loro, il risultato e una risposta frammentata o, peggio, l’esclusione delle fonti problematiche. Se il tuo sito dice una cosa e un articolo di tre anni fa ne dice un’altra, il sistema deve decidere di chi fidarsi. E nella maggior parte dei casi, la risposta e: di nessuno dei due. Meglio citare il competitor con una narrativa lineare.
Non e che il modello “punisce” le contraddizioni con un meccanismo esplicito. E che le contraddizioni rendono più difficile generare una risposta coerente su di te — e il modello preferisce sempre il percorso che produce il testo più fluido e consistente. Il competitor con una narrativa senza buchi e semplicemente più facile da citare.
Le contraddizioni che non sai di avere
Il caso più comune non e mentire sulla data di fondazione. E una cosa più sottile: la narrativa evolve nel tempo, e le versioni precedenti restano online.
La storia delle origini e il caso classico. Hai fondato lo studio nel 2012, ma nel 2018 hai riscritto la pagina About aggiungendo “forti di un’esperienza che parte dal 2005” perché in quell’anno hai iniziato a lavorare nel settore come dipendente. Per te e un arrotondamento legittimo. Per il modello che incrocia la pagina About con la data di registrazione su LinkedIn, con il tuo profilo Wikidata e con un vecchio comunicato stampa, e una discrepanza fattuale.
Il posizionamento che cambia genera lo stesso problema in modo meno ovvio. Tre anni fa ti definivi “agenzia di comunicazione”. Poi hai pivottato verso “consulenza strategica per la trasformazione digitale”. Il sito e aggiornato, ma l’intervista su quella testata di settore — quella che ti dava earned media di qualità — racconta ancora la vecchia storia. E il modello legge entrambe.
I numeri che si gonfiano sono il terreno più pericoloso. “Oltre 500 clienti serviti” sul sito. “200+ progetti completati” su LinkedIn. Un case study che parla di “decine di aziende accompagnate”. Tre ordini di grandezza diversi sullo stesso tema. Per un lettore umano e marketing. Per il modello e un segnale che i dati non sono affidabili — e Zhang et al. documentano che proprio la soggettivita e l’inconsistenza del feedback sono un problema riconosciuto:
“One major issue is the subjectivity and inconsistency of human feedback.” — Zhang et al., 2025
Se il feedback che il web produce sul tuo brand e inconsistente, il modello lo tratta esattamente come tratta qualsiasi fonte incoerente: con diffidenza.
Il meccanismo cross-fonte: come l’AI incrocia le informazioni
Qui e dove il concetto di self-consistency si applica in modo diretto. Nell’articolo dedicato ho spiegato come i modelli verificano la coerenza interna delle proprie risposte generando più percorsi di ragionamento e confrontandoli. Lo stesso principio si applica quando il modello raccoglie informazioni su di te da fonti diverse.
Se tre fonti raccontano la stessa storia con gli stessi numeri e la stessa timeline, la risposta converge. Il modello produce un output coerente e lo presenta con alta confidenza. Se le fonti divergono, il modello si trova nella posizione di dover scegliere — e spesso la scelta e non scegliere affatto. Escluderti dalla risposta e più sicuro che presentare informazioni potenzialmente errate.
Da questo segue una deduzione importante: la brand narrative coherence non e un esercizio di comunicazione. E un prerequisito tecnico per la visibilità AI. Puoi avere la brand-category association più forte del tuo settore, puoi avere il fondatore con l’authority più riconosciuta, ma se la narrativa si contraddice tra le fonti, stai sabotando tutto il resto.
L’audit narrativo: come trovare le crepe
Il check non e complicato, ma richiede metodo. E un primo passo per farti un’idea della situazione — l’analisi completa richiede strumenti che incrociano fonti su scala più ampia di quanto un controllo manuale possa coprire.
Passo 1: raccogli le versioni. Apri in tab separate il tuo sito, la pagina About di LinkedIn, il tuo profilo Google Business, le prime due interviste o menzioni che trovi cercando il tuo brand. Per ciascuna, annota: anno di fondazione o inizio attività, descrizione della mission, numeri citati (clienti, progetti, fatturato), posizionamento di mercato.
Passo 2: cerca le discrepanze. Metti tutto in una tabella e confronta colonna per colonna. Le contraddizioni ti salteranno agli occhi. Una data che non torna, un numero che cambia, un posizionamento che si e evoluto senza che le vecchie versioni venissero aggiornate.
Passo 3: verifica cosa vede l’AI. Chiedi a ChatGPT, Perplexity e Gemini “chi e [il tuo brand]?” e confronta le risposte con la tua tabella. Se la risposta contiene informazioni che mescolano versioni diverse — o se e vaga dove dovrebbe essere precisa — stai vedendo l’effetto della incoerenza narrativa in azione.
Le discrepanze che trovi sono il punto di partenza. Per ciascuna, la decisione e una sola: qual e la versione corretta? Quella diventa la versione canonica. Le altre vanno aggiornate o, dove non puoi modificare la fonte (un’intervista già pubblicata, un vecchio comunicato stampa), compensate con segnali più recenti e più forti che sovrascrivano la versione obsoleta nella percezione del modello.
Questo chiude il cerchio sulla Brand Authority
Con questo articolo si chiude il blocco di approfondimenti sulla Brand Authority. Dalla brand entity consistency alla brand-category association, dall’authority del fondatore al competitor displacement — ogni pezzo costruisce un layer del segnale che l’AI usa per decidere di chi fidarsi.
La coerenza narrativa e il layer che li tiene insieme. Puoi avere tutti gli altri segnali perfettamente allineati, ma se la storia che racconti su te stesso si contraddice tra le fonti, stai indebolendo le fondamenta. Il modello non perdona le contraddizioni perché non le capisce come “versioni diverse della stessa verità”. Le capisce come dati incoerenti — e i dati incoerenti abbassano la confidenza.
La buona notizia e che una volta che la narrativa e allineata, il beneficio e permanente e si moltiplica su ogni altro segnale che costruisci. E il tipo di lavoro che si fa una volta, si mantiene con disciplina, e cambia strutturalmente il modo in cui l’AI ti percepisce.
