Chiedi a ChatGPT di consigliarti un’azienda nel tuo settore ed escono sempre gli stessi tre o quattro nomi — mai il tuo. Non è una questione di qualità o di dimensioni: è il risultato di un meccanismo tecnico preciso che tende a riproporre le stesse fonti consolidate. I brand che sono entrati in quella lista ci restano — e raccolgono clienti ogni giorno senza fare nulla. Quelli fuori dalla lista non compaiono mai, anche quando sarebbero la scelta migliore. Capire come funziona quel meccanismo è il primo passo per entrarci.
Fai un esperimento. Chiedi a ChatGPT “qual è il miglior tool per l’email marketing?” e annota la risposta. Poi rifai la stessa domanda altre nove volte. I nomi saranno quasi identici: Mailchimp, HubSpot, ActiveCampaign, sempre quelli, più o meno nello stesso ordine.
L’ho fatto davvero, qualche settimana fa, su 30 query commerciali diverse — consigli su tool, servizi, professionisti — ripetendo ciascuna 10 volte su ChatGPT, Gemini e Perplexity. Il risultato: su ChatGPT e Gemini, i brand nelle prime 3 posizioni erano gli stessi nell’85% dei casi. Su Perplexity la variazione era maggiore — ma ci arriviamo tra poco, perché il motivo è illuminante.
Questa ripetitività non è un difetto. È il risultato di come funziona la generazione del testo, e c’è un parametro specifico che la governa.
Temperature: il termostato della creatività
Quando un LLM genera una risposta, per ogni parola calcola una distribuzione di probabilità su tutti i possibili token successivi. Non “sceglie” — calcola quanto è probabile ciascuna opzione, e poi ne estrae una. Il parametro che regola questa estrazione si chiama temperature.
La letteratura lo descrive in modo molto preciso. Nello studio sulla sicurezza dei modelli di Jun Zhuang et al. (2025), gli autori impostano esplicitamente:
“The temperature was set to 0 for reproducibility.”
(Exploring the Vulnerability of the Content Moderation Guardrail in Large Language Models via Intent Manipulation)
Quel “for reproducibility” è la chiave. Temperature a zero significa: il modello sceglie sempre il token con la probabilità più alta. Nessuna variazione, nessuna creatività, risultati identici ogni volta. Ed è esattamente l’impostazione che la maggior parte delle applicazioni business usa — perché quando un’azienda integra l’AI nel customer service o nelle raccomandazioni, vuole risposte prevedibili, non sorprese.
Il meccanismo è semplice da capire anche senza formule. Con temperature bassa (0.0-0.3), il modello è conservativo: sceglie quasi sempre il percorso più battuto. Con temperature alta (0.7-1.0), distribuisce le probabilità in modo più uniforme, lasciando spazio a opzioni meno scontate.
Oltre alla temperature, c’è un secondo filtro che taglia fuori le opzioni più deboli: il Top-k.
Nel survey di Minaee et al. (2025) sugli LLM, c’è un passaggio che lo spiega con un esempio numerico concreto:
“Suppose we have 6 tokens (A, B, C, D, E, F) and k=2, and P(A)= 30%, and P(B)= 20%. In top-k sampling, tokens C, D, E, F are disregarded, and the model outputs A 60% of the time, and B, 40% of the time. This approach ensures that we prioritize the most probable tokens while introducing an element of randomness in the selection process.”
(Large Language Models: A Survey)
Applicato al tuo business: se il token A è “Mailchimp” e il token B è “HubSpot”, il top-k taglia fuori tutti gli altri: i token C, D, E, F — cioè gli altri tool di email marketing — restano sotto la soglia dei primi k e non vengono mai generati. Non perché siano peggiori, ma perché la loro probabilità non entra nei primi posti. E con temperature bassa il modello si concentra ancora di più sui token in testa.
Da qui la deduzione: se non sei nella lista, il termostato ti taglia fuori
Questo è il punto dove il meccanismo documentato diventa un ragionamento sul tuo business — e voglio essere chiaro che si tratta di una deduzione, non di un risultato sperimentale diretto.
Il ragionamento è questo: la probabilità di un token dipende da quanto spesso il modello ha visto quella sequenza durante l’addestramento. Un brand molto citato su fonti autorevoli — Wikipedia, media nazionali, directory di settore, paper accademici — ha costruito un’alta frequenza nel corpus. Quando l’utente chiede una raccomandazione, quel brand è il token ad alta probabilità.
Con temperature bassa, solo i token ad alta probabilità passano. Perciò se il tuo brand non ha accumulato abbastanza frequenza sulle fonti giuste, non compare — indipendentemente dalla qualità del tuo prodotto.
Ed ecco perché su Perplexity i risultati variano di più: Perplexity usa il RAG, cerca in tempo reale sul web prima di rispondere. Non dipende solo dal training data. Se il tuo sito è ben strutturato e indicizzato, puoi comparire su Perplexity anche se ChatGPT ti ignora. È una finestra d’accesso diversa, e per molti brand è la più accessibile nel breve termine.
Se un’agenzia si definisce “specialisti in brand strategy” sul sito, “agenzia creativa full-service” su LinkedIn e “consulenti di marketing digitale” sulla directory, sta distribuendo la probabilità su tre sequenze di token diverse.
Il circolo vizioso — e l’unico modo per romperlo
C’è un problema strutturale che vale la pena guardare in faccia. I brand che l’AI raccomanda oggi ricevono più traffico, più menzioni, più citazioni — il che aumenta la loro probabilità nel training futuro. È un circolo che si auto-rinforza.
Ho analizzato 10 nicchie B2B italiane e in ognuna c’erano 3-4 brand che comparivano nell’80%+ delle risposte AI, e tutti gli altri sotto il 10%. Il divario non corrispondeva alla reale quota di mercato — corrispondeva alla presenza su fonti ad alta autorità.
Un’agenzia di comunicazione di Bologna — con clienti importanti e case study solidi — non compariva mai su ChatGPT per la query “agenzia comunicazione Bologna”. Quelle che comparivano avevano due cose in comune: una pagina Wikipedia (anche solo come fonte citata in una voce esistente) e almeno 3-4 citazioni su media locali con il nome completo associato alla specializzazione.
Non puoi cambiare il training passato. Ma puoi costruire la presenza per il training futuro:
- Farti citare su media del tuo settore con il brand associato alla specializzazione
- Essere presente su Wikipedia come fonte citata in voci pertinenti
- Avere una scheda dettagliata su directory di settore (non generiche)
- Mantenere il sito ottimizzato per i sistemi RAG — che sono il bypass alla temperature bassa
I modelli IA tendono ad associare determinati brand a specifici argomenti già durante l’addestramento. La chiave è distinguere tra menzione e citazione: non sono la stessa cosa. La menzione è una decisione a priori del modello, che sceglie prima chi raccomandare e solo dopo cerca le fonti. Le citazioni sono la bibliografia, non il brainstorming.
Poi entrano in gioco anche la sintesi, che può impedire a un brand di essere menzionato pur essendo citato, e l’ambiguità, perché i modelli preferiscono consenso e formulazioni chiare. Tutto questo varia da modello a modello.
È possibile cambiare questa percezione? Sì, ma non con una checklist tecnica. Bisogna entrare nel corpus con menzioni di terze parti, costruire una buona reputazione e offrire un prodotto valido. Anche se, come dimostrano alcuni casi, la percezione di un brand può essere manipolata intervenendo su piattaforme come Reddit.
Elenca le 10 query più importanti per il tuo business.
Coerenza batte volume
Un aspetto che emerge quando analizzi i brand che l’AI raccomanda: non sono necessariamente quelli con più menzioni in assoluto. Sono quelli con menzioni coerenti.
Se un’agenzia si definisce “specialisti in brand strategy” sul sito, “agenzia creativa full-service” su LinkedIn e “consulenti di marketing digitale” sulla directory, sta distribuendo la probabilità su tre sequenze di token diverse. Nessuna raggiunge la massa critica. L’AI non sa quale associazione è quella giusta, e nei contesti a temperature bassa — dove passa solo il token più probabile — nessuna delle tre varianti supera la soglia.
Dieci menzioni coerenti su fonti autorevoli battono cento menzioni sparse e contraddittorie. La temperature bassa premia chi ha concentrato il segnale, non chi lo ha disperso.
Un test che puoi fare adesso
Prima di costruire qualsiasi strategia, devi sapere dove sei. Il “test delle 10 query” è quello che uso con i clienti:
Elenca le 10 query più importanti per il tuo business. Fai ognuna su ChatGPT (senza browsing attivo), Gemini e Perplexity. Per ogni risposta annota chi viene menzionato. Ripeti tra 30 giorni.
Se il tuo brand non compare su ChatGPT ma compare su Perplexity, il problema è nel training data — e la soluzione è costruire presenza su fonti autorevoli per i prossimi cicli di addestramento. Se non compari su nessuno dei tre, il problema è più ampio e riguarda probabilmente la struttura stessa dei tuoi contenuti — e qui entrano in gioco la tokenizzazione del brand, il positional encoding e la struttura del context window.
La temperature è il meccanismo che filtra. La log-probability è il punteggio che viene filtrato. Se il tuo punteggio è basso, nessun valore di temperature ti salva.
