Misurare la visibilità nelle AI: perché contare le citazioni non basta e cosa tracciare al loro posto

A luglio 2026 il dibattito sulla misurazione della visibilità nei sistemi AI è esploso su tutte le principali testate di settore, e per una ragione precisa: i numeri in circolazione si contraddicono. Google dichiara che le funzioni AI della Search inviano “miliardi di click a settimana” ai siti web, mentre gli studi indipendenti misurano cali di CTR organico tra il 38% e il 42% sulle query con AI Overviews. Nel frattempo un’intera generazione di tool di “AI visibility tracking” vende dashboard costruite su una metrica — il conteggio delle citazioni — che i dati dimostrano essere debolmente correlata con ciò che conta davvero: essere raccomandati.

Questo articolo mette in fila i dati pubblicati nelle ultime settimane da Google, Semrush, Search Engine Journal e altre fonti primarie, spiega perché le metriche più diffuse sono inaffidabili per ragioni strutturali (non per immaturità dei tool), e propone un framework di misurazione a quattro livelli con una metodologia di campionamento statisticamente onesta, replicabile con poche righe di Python.

La guerra dei numeri: cosa dichiara Google e cosa dicono i dati indipendenti

Il 17 luglio 2026 Nick Fox, SVP Knowledge and Information di Google, ha pubblicato su LinkedIn una dichiarazione destinata a fare discussione: Google starebbe “inviando miliardi di click ai siti web ogni settimana attraverso le sole funzioni AI della Search”, oltre ai “miliardi di click al giorno” della Search complessiva. E ha aggiunto: “we’re just getting started”.

Il problema, come ha rilevato Search Engine Journal, è che nessuna di queste cifre è verificabile:

• Nessuna baseline: “miliardi” non ha denominatore. Miliardi su quante impression? In crescita o in calo rispetto a quando?
• Nessuna metodologia: Google non ha pubblicato come calcola il dato, né cosa conta come “click da funzione AI”.
• Nessuna verifica individuale possibile: i report AI di Search Console espongono le impression nelle esperienze generative, ma non i click. Il singolo publisher non può confrontare la dichiarazione aggregata con i propri dati.

Sul fronte opposto, gli studi indipendenti citati da Search Engine Land raccontano un’altra storia: il 68% delle ricerche del 2026 si chiude senza alcun click, e le rilevazioni sul campo attribuiscono alle AI Overviews riduzioni dei click organici nell’ordine del 38-42% sulle query interessate. La richiesta del settore a Google si riassume in tre parole: “show us the data”.

Non serve stabilire chi ha ragione — entrambe le cose possono essere vere contemporaneamente: la Search può inviare miliardi di click in valore assoluto mentre il CTR per singola query crolla. Serve invece capire che in assenza di dati verificabili, ogni numero aggregato è una mossa negoziale, non una misura. E questo vale anche per i numeri dei vendor di tool.

Cosa misura davvero Search Console (e cosa non ti fa vedere)

Nel giro di sei settimane Google ha rilasciato due novità di misurazione in Search Console, entrambe rilevanti per capire la direzione presa.

A inizio giugno 2026 sono arrivati i report di performance Search Generative AI, con viste dedicate per Search e Discover: per la prima volta è possibile vedere la visibilità del proprio sito dentro le esperienze generative di Google. Il limite è quello già citato: il report espone impression e posizionamento nelle funzioni AI, ma il dato di click resta aggregato e non scorporabile con precisione.

Il 7 luglio è arrivato il report per contenuti social e video: i creator possono verificare i propri profili (Instagram, TikTok, X, YouTube) e vedere in Search Console come i contenuti pubblicati su quelle piattaforme performano nella ricerca Google — anche senza possedere un sito web.

Sulla carta, più dati. Ma l’analisi critica di Dan Taylor su Search Engine Journal solleva due obiezioni che chi misura il traffico deve conoscere:

1. Effetto ottico sulla perdita di click. Se il traffico organico verso il sito cala di un terzo ma il report aggiunge impression e click generati dai post social, il totale di Search Console può raccontare una crescita mentre il sito perde visite reali. Le due serie vanno tenute separate in ogni report che produci.
2. Entity resolution come contropartita. Verificando i profili social in Search Console, i brand consegnano a Google mappe identitarie certificate — connessioni verificate tra dominio, account X, canale YouTube e profilo TikTok. Sono esattamente i dati che servono per addestrare i modelli a distinguere le entità autentiche dallo spam generato in scala. Non è necessariamente uno svantaggio (l’entity resolution è la base della brand authority nei sistemi generativi), ma è uno scambio, e conviene saperlo.

C’è anche un problema di freschezza dei dati che il report social rende visibile: Taylor documenta post su X di ottobre 2024 che ancora ricevono click dalla Search, e un caso in cui gli LLM restituivano prezzi obsoleti pescati da un post promozionale del 2022. La deprecazione dei contenuti social storici entra ufficialmente nel perimetro del lavoro SEO.

Perché il prompt tracking è una vanity metric

La prima generazione di tool di AI visibility ha replicato il modello mentale del rank tracking: inserisci un elenco di prompt, il tool li esegue ogni giorno, ti dice se il brand compare. Jono Alderson, citato nell’analisi di Search Engine Journal, la definisce senza giri di parole: “è un copia-incolla del rank tracking dentro una cosa nuova. Non funziona davvero”.

Le ragioni sono strutturali, non risolvibili migliorando i tool:

• Le risposte non sono deterministiche. Rand Fishkin (SparkToro) ha quantificato l’instabilità: servono in media 1.500 esecuzioni dello stesso identico prompt per ottenere due risposte uguali dallo stesso modello. Un campione giornaliero di una esecuzione per prompt misura il rumore, non il segnale.
• Ogni motore cita fonti diverse. Kevin Indig ha rilevato che il 91% delle URL citate compare in un solo motore AI: la visibilità su ChatGPT non predice quella su Gemini, Perplexity o AI Mode.
• Il contesto personalizza la risposta. La stessa domanda produce risposte diverse per utenti diversi, in funzione di cronologia, localizzazione e memoria della conversazione. Il prompt “pulito” del tool non corrisponde all’esperienza di nessun utente reale.

Il punto non è che il tracking sia inutile: è che una singola osservazione non è un dato. Come vedremo nella sezione metodologica, la visibilità AI si può misurare solo come proprietà statistica di un campione, con un intervallo di confidenza esplicito.

Citazioni e raccomandazioni non sono la stessa cosa

Il secondo errore diffuso è trattare la citazione (il link o la menzione della fonte nella risposta) come proxy della raccomandazione (il brand consigliato all’utente). I dati pubblicati nelle ultime settimane dicono che il legame è debole:

• Lily Ray: su 323 listicle auto-promozionali citati dalle AI come fonti, il brand che li aveva pubblicati era assente dalle raccomandazioni nel 69% dei casi. Il contenuto veniva letto e usato, il brand no.
• Jeff Oxford (Visibility Labs): la correlazione misurata tra citazioni e raccomandazioni è 0,4 — troppo debole per usare l’una come proxy dell’altra.
• BrightEdge: tra motori diversi la sovrapposizione delle citazioni varia dal 16% al 59%, quella delle raccomandazioni dal 36% al 55% — due fenomeni con dinamiche diverse.

La sintesi di Alisa Scharf (Seer Interactive) è la più netta: le citazioni sono una metrica persino peggiore della “visibilità in pagina 1”, perché non implicano nemmeno che il brand venga menzionato. Se il tuo report mensile conta citazioni, sta contando la materia prima delle risposte, non il loro esito commerciale.

Lo stesso modello è più motori di ricerca: il caso GPT-5.2

Lo studio più solido del mese arriva da Semrush, che ha testato 100 prompt (eseguiti due volte, 200 risposte totali) su GPT-5.2 in due modalità: Instant (reasoning minimo) e Thinking (reasoning esteso), lungo 20 buyer journey in quattro settori (B2B SaaS, finance, consumer tech, health).

Il dato principale: solo il 25,6% dei domini citati è condiviso tra le due modalità. Quasi tre fonti su quattro sono diverse a parità di prompt. La modalità Thinking ha citato 173 domini unici contro i 127 della Instant, e 99 domini compaiono esclusivamente nelle risposte con reasoning esteso.

Le due modalità non differiscono solo nella quantità di fonti, ma nel tipo di contenuto che pescano:

La lettura della tabella completa è ancora più interessante del titolo dello studio:

In modalità Thinking il modello si comporta da ricercatore: più fan-out, più fonti istituzionali e documentazione, meno UGC. In modalità Instant si affida a Reddit, review e conoscenza parametrica. C’è anche un effetto funnel: nei test, solo la modalità Thinking ha mostrato persistenza del brand lungo il journey (4 journey su 20 mantengono lo stesso brand dalla fase problem alla selection; zero in Instant).

La conclusione operativa di Semrush è quella giusta: “ChatGPT con reasoning alto è a tutti gli effetti un motore di ricerca diverso”. Qualsiasi misurazione che non segmenta per modalità di reasoning — oltre che per piattaforma — sta facendo la media di due popolazioni diverse, e una media tra popolazioni diverse non descrive nessuna delle due.

Il query fan-out sposta l’unità di misura dalla keyword al topic

Il meccanismo che spiega gran parte di questi numeri è il query fan-out: il sistema AI scompone il prompt dell’utente in una rete di sotto-query, le esegue in parallelo e sintetizza la risposta dai risultati. È il processo che ho analizzato dal punto di vista del retrieval nell’articolo sul reverse engineering del RAG e, sul fronte della generazione delle domande, in Oltre la parola chiave.

I dati aggregati da Backlinko quantificano quanto il fan-out ridisegni la geografia della visibilità:

• Il 90% delle pagine citate da ChatGPT si posiziona oltre la posizione 21 su Google per la query principale: il ranking tradizionale non predice la citazione.
• Le pagine che si posizionano su più sotto-query di fan-out hanno il 161% di probabilità in più di essere citate.
• Solo il 27% delle sotto-query resta stabile tra esecuzioni ripetute della stessa ricerca: l’universo di query da presidiare è esso stesso probabilistico.
• Il 44,2% delle citazioni proviene dal primo 30% della pagina: la posizione del passaggio dentro il documento conta.

Le implicazioni architetturali sono il tema dell’analisi di Oncrawl: l’unità competitiva non è più la keyword ma il cluster entità-intento, e la visibilità diventa un problema di architettura oltre che di contenuto — hub tematici con pagine satellite per le combinazioni specifiche, heading formulati come domande reali, sezioni autosufficienti estraibili come passaggi, internal linking con anchor descrittive. Sono gli stessi principi di consolidamento delle entità che ho trattato nell’analisi del Knowledge Graph di Google.

Per la misurazione, il fan-out ha una conseguenza precisa: il set di prompt da campionare non è il tuo elenco di keyword, ma la rete di sotto-domande che i sistemi generano attorno ai tuoi topic. Prima di misurare la presenza serve mappare questo spazio, estraendo le sotto-query reali dove osservabili (DevTools su ChatGPT le espone) o generandole in modo sistematico.

Cosa misurare: un framework a quattro livelli

Mettendo insieme le proposte più solide emerse dal dibattito — Fishkin sulla campionatura, Scharf sull’accuratezza, Reynolds sul legame con gli outcome — il framework di misurazione che ha senso oggi si articola su quattro livelli, in ordine di fondazione:

1. Brand accuracy — il sistema sa chi sei? Prima di misurare quanto compari, verifica cosa i modelli sanno di te: un audit su 5-10 fatti oggettivi e verificabili (anno di fondazione, sede, prodotti, posizionamento, competitor) ripetuto per ogni modello rilevante. Se il modello sbaglia i fatti, ogni menzione è una menzione a rischio. È il fondamento su cui poggia tutto il resto, ed è il livello su cui incide il lavoro su entità e dati strutturati.
2. Presence rate — con quale frequenza compari nello spazio delle risposte? Non “compari sì/no”, ma la percentuale di esecuzioni in cui il brand è presente, stimata su un campione ripetuto di prompt e con intervallo di confidenza esplicito (metodologia nella prossima sezione). Segmentata per piattaforma e per modalità di reasoning, perché — come mostra lo studio Semrush — sono popolazioni diverse.
3. Recommendation share — quando compari, sei raccomandato o solo citato? È la metrica che il gap del 69% documentato da Lily Ray rende obbligatoria: traccia separatamente menzione, citazione come fonte e raccomandazione attiva, e osserva la composizione della risposta (quali brand, in che ordine, con che qualificazioni).
4. Outcome — le raccomandazioni producono qualcosa? Referral AI in analytics, brand search incrementale, lead che dichiarano di aver trovato il brand via chatbot. Wil Reynolds è brutale sul punto: visibilità e risultati vanno tracciati insieme, o stai ottimizzando una metrica di vanità con passaggi in più.

Nota su ciò che il framework esclude di proposito: il “ranking AI” giornaliero per singolo prompt. Non esiste un ranking da tracciare dentro una distribuzione probabilistica; esiste una frequenza di presenza con un margine di errore.

Campionare in modo statisticamente onesto: metodologia operativa

Se la presenza del brand nelle risposte è una proporzione stimata da un campione, si applica la statistica delle proporzioni. Il che significa due cose pratiche: servono esecuzioni ripetute dello stesso prompt (non una al giorno), e serve dichiarare l’intervallo di confidenza della stima. L’intervallo di Wilson è lo standard corretto per campioni piccoli:

import math

def wilson_ci(k: int, n: int, z: float = 1.96) -> tuple[float, float]:
    """Intervallo di confidenza di Wilson al 95% per una proporzione.
    k = esecuzioni in cui il brand compare, n = esecuzioni totali."""
    if n == 0:
        return (0.0, 1.0)
    p = k / n
    denom = 1 + z**2 / n
    center = (p + z**2 / (2 * n)) / denom
    margin = z * math.sqrt(p * (1 - p) / n + z**2 / (4 * n**2)) / denom
    return (max(0.0, center - margin), min(1.0, center + margin))

# Esempio: brand presente in 12 risposte su 30 esecuzioni dello stesso prompt
low, high = wilson_ci(12, 30)
print(f"Presence rate: 40% (CI 95%: {low:.0%}–{high:.0%})")
# Presence rate: 40% (CI 95%: 25%-58%)

Il numero di ripetizioni determina quanto la stima è utilizzabile. Nel caso peggiore (presenza attorno al 50%), l’ampiezza del margine di errore al 95% è questa:

La tabella spiega da sola perché il tracking “una esecuzione al giorno per prompt” produce grafici che oscillano senza significato: con n=1 il margine copre l’intera scala. E spiega anche il trade-off economico: la precisione costa API call, quindi conviene concentrare il budget su pochi money prompt (le domande ad alto intento commerciale sul tuo topic) campionati bene, piuttosto che su centinaia di prompt campionati una volta.

Lo schema operativo completo, replicabile con qualsiasi client API:

1. Mappa lo spazio delle domande attorno ai tuoi topic (fan-out reale dove osservabile, generazione sistematica altrove) e seleziona i money prompt.
2. Per ogni prompt, esegui n ripetizioni per piattaforma e per modalità di reasoning (n=30 è il minimo per stime indicative, n≥100 per confronti nel tempo).
3. Per ogni risposta registra tre variabili separate: brand menzionato (sì/no), brand citato come fonte (sì/no), brand raccomandato (sì/no) — più i competitor presenti.
4. Calcola presence rate e recommendation share con intervallo di Wilson; confronta i periodi solo se gli intervalli non si sovrappongono.
5. Ripeti l’audit di brand accuracy a ogni release rilevante dei modelli, non a calendario.

I limiti strutturali che nessun tool risolve

Chiunque venda o compri misurazione di visibilità AI dovrebbe tenere a mente quattro limiti che non dipendono dalla qualità dell’implementazione:

• Training cutoff: una parte delle risposte attinge alla conoscenza parametrica del modello, congelata al momento del training. Quella componente non risponde ad alcuna ottimizzazione fino alla release successiva del modello.
• Dati di utilizzo inaccessibili: OpenAI e Anthropic non espongono dati di utilizzo per publisher. Solo Google (Search Console) e Microsoft (Bing Webmaster Tools) forniscono qualcosa, ed è parziale. Ogni stima di “traffico AI” da tool terzi è una proiezione, non una misura.
• Impression inflazionate dal fan-out: un singolo prompt umano genera decine di query macchina (fino a 4,6 volte tante in modalità reasoning). Le impression riportate nei report crescono senza che sia cresciuta l’attenzione umana disponibile: è il pattern “crocodile mouth” — impression in salita, click in discesa — che chi analizza Search Console conosce già.
• Traffico non umano nei dati di ricerca: i fetch degli agenti e i click sui link dentro le interfacce AI contaminano le serie storiche. Distinguere l’umano dalla macchina nei trend di keyword è già oggi impossibile con i soli dati di prima parte; la gestione dell’accesso dei crawler AI e la verifica dell’accessibilità agli agenti sono il prerequisito per interpretare correttamente ciò che resta.

Conclusioni operative

La sintesi del mese è meno pessimista di quanto sembri: la visibilità AI si può misurare, ma solo accettando che sia una grandezza statistica e non un ranking. In ordine di priorità:

1. Separa le serie in Search Console: sito, funzioni generative e contenuti social sono tre fenomeni diversi; sommarli produce report ottimisti e non azionabili.
2. Smetti di contare citazioni come KPI: usale come diagnostica del retrieval. Il KPI è la coppia presence rate + recommendation share, con intervallo di confidenza.
3. Segmenta per piattaforma e per modalità di reasoning: con il 25,6% di overlap tra le modalità dello stesso modello, la media non descrive nulla.
4. Parti dalla brand accuracy: è l’unico livello del framework interamente sotto il tuo controllo, ed è quello con l’impatto più duraturo — i fatti corretti sopravvivono alle release dei modelli, le citazioni no.
5. Diffida di ogni numero senza metodologia — inclusi quelli di Google, inclusi quelli dei vendor, inclusi i tuoi se il campione è n=1.

Il paradosso finale lo ha colto Duane Forrester: l’obiettivo non è “rankare” nelle AI, è diventare la fonte canonica che i sistemi usano per descrivere il tuo dominio di competenza. Quella è una proprietà del brand e delle sue entità, non della singola pagina — e si costruisce con il lavoro tecnico e semantico di sempre, misurato però con strumenti onesti.