I motori di ricerca AI citano sempre gli stessi professionisti

L’analisi su 2.400 interrogazioni ai modelli linguistici mostra che la selezione dei nomi segue logiche opache, slegate dalla reputazione professionale

Se sei un agente immobiliare negli Stati Uniti, la ricerca AI non ti sta facendo un favore. Quando un potenziale cliente chiede a un motore generativo un consiglio su chi può aiutarlo a comprare o vendere casa, la probabilità che il tuo nome compaia è appena dell’8,4%. E se per caso sei tra i più citati? Basta appartenere al primo 1% dei professionisti per accaparrarsi quasi la metà — il 47% — di tutte le menzioni. Lo raccontano i dati di un’analisi pubblicata nei giorni scorsi da HousingWire, che mette in fila i risultati di uno studio più ampio apparso il 28 luglio su arXiv. La ricerca — condotta da un team che ha sottoposto i principali modelli linguistici a una raffica di interrogazioni — mostra come la visibilità nell’AI search sia tutt’altro che distribuita: pochi nomi dominano, la maggioranza resta invisibile.

Il club dell’8,4%

Il dato che colpisce di più è proprio quel 91,6% di agenti immobiliari che non compaiono mai, neppure quando il prompt descrive esattamente il mercato in cui operano. Non è un problema di assenza di occasioni: i modelli nominano un professionista individuale in una risposta su quattro, come ha verificato lo studio pubblicato la scorsa settimana su arXiv dopo aver effettuato 2.400 chiamate API in una finestra di due ore il 24 luglio 2026. Il tasso medio di naming è stato del 25,8%. Quindi l’intelligenza artificiale sceglie, eccome. Ma sceglie sempre gli stessi.

La categoria immobiliare è quella in cui il fenomeno è più accentuato: le richieste rivolte ai modelli hanno prodotto una citazione personale nel 35,4% dei casi, più che per le concessionarie auto (32,9%) e molto più che per le assicurazioni, ferme al 9,1%. Eppure, nonostante questa abbondanza di occasioni, la stragrande maggioranza degli operatori non riesce a entrare nel giro. Le risposte si concentrano su una manciata di nomi, creando quello che gli autori chiamano un “Recommendation Gap” — un divario di raccomandazione che premia pochi e lascia nell’ombra la concorrenza diffusa.

La macchina dietro i nomi

La ricerca su arXiv ha provato a capire quanto sia affidabile questo meccanismo di selezione. Per farlo, ha costruito un roster di 939 professionisti reali a partire da profili LinkedIn pubblici, e l’ha incrociato con 27.293 stringhe che somigliavano a nomi di persona nelle risposte generate. Il risultato è sconfortante: solo lo 0,47% delle menzioni — 128 su 27.293 — corrispondeva a qualcuno effettivamente presente nel gruppo di controllo. Detto altrimenti, la quasi totalità dei nomi sfornati dai modelli non combacia con un elenco costruito con i dati pubblici di una piattaforma professionale molto diffusa. Non è una prova di inesattezza — le menzioni potrebbero riguardare persone non incluse nel roster — ma indica che il matching con la realtà è debole.

A pesare è anche la differenza tra i vari modelli. Grok, il sistema sviluppato da xAI, è il più propenso a fare nomi: il 38% delle sue risposte contiene un professionista. All’estremo opposto Gemini si ferma al 9,3%. Una forbice di quattro volte, che da sola basta a suggerire quanto la visibilità ottenuta dipenda dal motore che l’utente decide di usare. Non esiste un’unica “ricerca AI”, ma un arcipelago di modelli che si comportano in modo radicalmente diverso.

Se non conta la reputazione, cosa conta?

Il passaggio più scomodo arriva quando si prova a misurare se la qualità del professionista abbia un peso nella scelta dell’algoritmo. I ricercatori di Rankfor.AI, in un campione di 12 marchi analizzato nel libro Become the Answer, hanno confrontato la quantità di lodi ricevute da un’azienda con la probabilità che il modello la menzionasse. La correlazione è risultata statisticamente trascurabile: +0,056. Quasi zero. In termini pratici, essere apprezzati dai clienti o considerati i migliori nel proprio settore non aumenta le chance di essere citati da un motore generativo.

Allora cosa fa la differenza? La domanda resta aperta, ma i dati suggeriscono che la partita si giochi altrove: non sul campo della reputazione tradizionale, ma sulla capacità di presidiare i dati che i modelli assorbono durante l’addestramento e il retrieval. La concentrazione delle citazioni verso una élite ristretta indica che esistono segnali — forse la presenza su certe fonti, la struttura dei contenuti, la frequenza con cui un nome compare in determinati contesti — che finiscono per pesare più della competenza reale. Chi pubblica online, chi gestisce un’attività e vuole esistere nella ricerca del futuro non può più contare solo sul passaparola o sulle recensioni. Deve lavorare sulla propria tracciabilità digitale, su ciò che i modelli leggono e su come lo leggono.