Un AI Visibility Audit oggi non misura “posizioni”, perché nei motori AI non esistono metriche ufficiali e non ci sono elementi davvero chiari e misurabili come nelle SERP tradizionali. Esistono già diversi strumenti che promettono di stimare la “visibilità AI”, ma nella maggior parte dei casi il risultato non è molto più accurato — per ora — di un test manuale fatto bene.
Quello che vedi in questo articolo è un modo concreto (non l’unico) per fare audit della presenza di un brand nelle risposte AI: costruire una baseline, ripetere test su domande realistiche e leggere pattern osservabili. Serve a capire se e dove il brand entra nelle risposte, come viene descritto e quali fonti contribuiscono a modellarne il profilo.
Il risultato non è una promessa, ma una base di lavoro: gap e priorità, cioè cosa ha senso sistemare prima e cosa, invece, è solo rumore.
Nei sistemi di AI Search la visibilità non si manifesta necessariamente come clic o posizioni: un brand può essere utilizzato come fonte, citato o semplicemente menzionato dentro una risposta senza che l’utente atterri mai sul sito. Se continuiamo a misurare tutto solo con le metriche “classiche”, rischiamo di leggere in ritardo (o male) ciò che sta già succedendo. Per questo serve una baseline: senza un audit lavori alla cieca, perché non sai se esisti nelle risposte, come vieni ricostruito e da quali segnali dipende.
Un AI Visibility Audit non è un livello avanzato: è il punto di partenza per lavorare con criterio e mettere ordine. Costruisci una baseline (dove e come il brand compare nelle risposte), individui i gap reali — presenza, coerenza, fonti, contesto — e trasformi tutto in priorità. Soprattutto, crea uno stop-doing: separa ciò che stai facendo per inerzia da ciò che produce segnali osservabili e misurabili nel tempo.
Se vuoi il quadro completo dei segnali che influenzano la visibilità (senza parlare di ranking certi), leggi anche Fattori di visibilità in AI Search: SEO, entità e segnali esterni.
In questo hub usiamo “visibilità” in senso operativo: un brand è visibile quando entra nella risposta in uno di questi modi.
Menzione: il brand viene nominato come opzione, riferimento o esempio.
Citazione: il brand o il sito viene richiamato esplicitamente come fonte (link, riferimento, fonte dichiarata).
Utilizzo: il modello usa informazioni riconducibili al brand (concetti, dati, framing), anche se non lo cita.
Due distinzioni da tenere ferme: visibilità ≠ citazione e citazione ≠ controllo.
Questa non è una metrica di “posizionamento” mascherata. Non intendiamo visibilità come:
un ranking stabile osservabile
il “traffico AI” come KPI unico o risolutivo
una causalità certa tra un intervento e l’output (“abbiamo fatto X quindi ora compariamo”)
Quello che si può fare, oggi, è lavorare su segnali osservabili e confrontabili nel tempo, con un metodo coerente.
Prima di testare qualunque cosa, va fissato il perimetro. Bastano poche righe, ma devono essere stabili: naming e varianti con cui il brand può comparire, offerta core (cosa fa davvero e per chi), lingua/mercato di riferimento, 2–3 competitor naturali (quelli che l’utente metterebbe nello stesso set di scelta) e il posizionamento desiderato espresso in modo concreto: categoria + differenziante. Senza questo, i risultati non sono interpretabili.
La baseline non si costruisce con keyword isolate, ma con task realistici. Usiamo quattro cluster: definizione/categoria, comparazione/alternative, raccomandazione, problema/soluzione. I task sono più stabili delle query secche perché riproducono il modo in cui le persone interrogano i sistemi conversazionali: non chiedono “keyword”, chiedono decisioni, confronti, spiegazioni e troubleshooting.
Per non confondere rumore e segnali, il protocollo deve essere minimale ma rigoroso: stesso prompt, 3 run, log completo delle risposte (e delle eventuali fonti), stesso perimetro lingua/Paese. Se non è ripetibile, non è audit: è un’impressione.
3 step replicabili: perimetro → task prompt set → test ripetibile.
Fissa le variabili. Senza perimetro i risultati non sono interpretabili.
Costruisci la baseline su compiti realistici, più stabili delle query secche.
Separare segnali e rumore: protocollo piccolo ma rigoroso.
Per rendere l’audit replicabile usiamo pochi strumenti, scelti per scopo:
ChatGPT: per osservare presenza del brand, descrizione e accuratezza in un contesto conversazionale “generalista”.
Perplexity: per la parte “fonti”, perché lavora in modo orientato alla ricerca sul web e mostra le citazioni in modo esplicito.
Google Search con AI Overviews / AI Mode, per verificare differenze di comportamento nell’ecosistema Google.
Nota: non stiamo “scegliendo i migliori”. Stiamo separando due esigenze: capire come vieni ricostruito (ChatGPT) e capire chi viene usato come fonte (Perplexity).
I test vanno fatti in condizioni il più possibile neutre:
usa una finestra in incognito o un profilo browser dedicato
quando possibile, esegui i test senza accesso all’account
su ChatGPT, disattiva Memoria e usa Chat temporanee per evitare che la sessione influenzi le risposte
mantieni costanti lingua e Paese
ripeti ogni domanda 3 volte e salva prompt identico + data/ora + risposta + eventuali fonti
Non esiste anonimato perfetto: l’obiettivo è ridurre la personalizzazione e rendere le prove confrontabili, dichiarando sempre il perimetro del test.
2 strumenti obbligatori + 1 facoltativo (Google). Obiettivo: confronto ripetibile, non “posizioni”.
Serve per osservare presenza del brand, descrizione e accuratezza in un contesto conversazionale.
Serve per capire quali fonti vengono citate e quali siti “modellano” la risposta quando il brand non c’è.
Serve solo se l’hub include anche l’ecosistema Google: differenze di comportamento e fonti.
Segnali: pattern che si ripetono (presenza/assenza), descrizione coerente, fonti ricorrenti, errori che tornano.
Rumore: una singola risposta anomala, variazioni minime di tono, micro-omissioni che non cambiano il senso.
Per dare concretezza a quello che sto descrivendo, inserisco un esempio pratico basato su un test reale. Ho scelto un brand notissimo (Booking.com) non per valutarlo o fare confronti commerciali, ma perché è un caso facile da osservare: genera molte domande, molte alternative e — soprattutto — fa emergere bene differenze tra presenza, descrizione e fonti.
Questo esempio serve a una cosa sola: mostrare come si legge un audit.
La prima domanda è semplice: il brand compare oppure no? E quando compare, è centrale o solo citato di passaggio? Qui non cerco “posizioni”, ma ripetizioni.
Nel test sulle alternative a Booking.com, ad esempio, ho visto che alcune opzioni tornano quasi sempre, mentre altre spariscono: questo ti dice subito se sei dentro o fuori dal set di scelta in quel tipo di domanda.
Se il brand compare, la domanda diventa: come viene raccontato? La descrizione è corretta e coerente tra una prova e l’altra, oppure cambia e introduce dettagli discutibili?
La differenza chiave è tra un errore isolato e un errore che torna. Un’inesattezza ripetuta (categoria sbagliata, attributo non vero, confusione con altri) non è un dettaglio: impatta su fiducia e decisione, anche se il brand viene nominato.
Qui cerco di capire da dove arriva quella risposta. Quando il brand non viene citato, quali siti prendono il suo posto come riferimento? E quando viene citato, con che tipo di fonte?
Nel test su Perplexity, la parte interessante è vedere quali domini ricorrono quando si parla di alternative o confronti. Se la risposta si appoggia sempre sulle stesse poche fonti (recensioni, comparatori, directory), quello è un segnale forte: indica dove si sta formando il contesto informativo del brand.
Infine, metto insieme i pezzi: il brand è riconoscibile in modo stabile o viene descritto in modo generico e variabile? È associato con coerenza a categoria e casi d’uso?
Questa parte prepara il terreno per l’Entity SEO: qui non correggo nulla, ma misuro se il brand ha un profilo chiaro e consistente oppure se è “un nome tra tanti”.
Obiettivo: mostrare il metodo con query reali. Non “posizioni”: pattern di presenza + fonti.
Stesso prompt identico, tre volte. Screenshot: domanda + inizio risposta.
File consigliati: booking_alt_run1.png, booking_alt_run2.png, booking_alt_run3.png
Serve a vedere quali fonti ricorrono e “modellano” la risposta.
Screenshot: domanda + risposta + almeno 2–3 fonti visibili. File: booking_alt_fonti.png
Non esistono “metriche ufficiali” della visibilità nei motori AI. Quello che si può fare, però, è misurare segnali ripetibili, a parità di metodo. Ecco i più utili:
Presenza rilevante per tipo di domanda: su quante domande il brand compare in modo centrale (non solo nominato) e in quali cluster (definizione, confronto, raccomandazione, problema).
Stabilità della descrizione: il brand viene inquadrato sempre allo stesso modo o cambia profilo tra una prova e l’altra?
Errori gravi che tornano: quante inesattezze importanti ricorrono (categoria sbagliata, attributi non veri, confusione con altri brand).
Fonti ricorrenti: quali domini tornano più spesso come riferimento quando si parla di quel tema/brand.
Variazioni nel tempo: confronto della baseline con lo stesso test dopo 30/60/90 giorni.
Qui il valore non è il “numero secco”, ma l’andamento: contano le serie storiche, cioè capire se i pattern cambiano e in che direzione. E i confronti hanno senso solo se restano costanti due cose: le stesse domande e lo stesso perimetro (lingua/Paese e condizioni di test). Se cambi queste variabili, stai misurando un’altra cosa.
Un AI Visibility Audit lavora su segnali osservabili, ma ha limiti strutturali: i modelli sono opachi, le risposte sono variabili, le piattaforme non sono confrontabili 1:1 e la causalità (“ho fatto X, quindi comparo”) non è dimostrabile in modo deterministico.
Dichiarare questi limiti non indebolisce l’audit: evita decisioni sbagliate e aspettative irreali.
L’audit non serve a “fare reporting”. Serve a prendere decisioni: capire dove il brand è già presente nelle risposte AI e dove invece manca, isolare le incoerenze che rischiano di creare sfiducia, e trasformare tutto in un piano d’azione ordinato. Il punto chiave è l’ordine: cosa ha senso fare prima e cosa, invece, può essere rimandato o lasciato perdere perché non sta spostando segnali osservabili.
Fattori di visibilità in AI Search: per inquadrare il contesto e i segnali che influenzano le risposte.
Entity SEO: quando l’audit mostra un brand poco riconoscibile o descritto in modo instabile.
Strategie SEO per AI: per passare dalle evidenze a una sequenza concreta di interventi.
È un’analisi strutturata che misura se e come un brand entra nelle risposte dei sistemi AI (presenza, descrizione, fonti), usando un set di domande ripetibile. Non misura “posizioni”, ma costruisce una baseline e individua pattern utili per decidere cosa fare.
Un modo semplice è testare un motore che mostra le fonti (ad esempio Perplexity), usando domande comparative e chiedendo esplicitamente “su quali fonti ti basi?”. Se tra le fonti compaiono il brand o il sito, hai una citazione visibile.
Se le risposte riprendono in modo ricorrente informazioni tipiche del brand (prodotti, posizionamento, messaggi) senza link o fonte esplicita, è un segnale di utilizzo implicito: il brand viene ricostruito, ma non mostrato.
Per una baseline snella: 12–20 domande, divise in cluster (definizione, confronto, raccomandazione, problema), ripetute più volte. Per esempi editoriali bastano anche poche domande, ma non costituiscono un audit completo.
La menzione è quando il brand viene nominato nella risposta. La citazione è quando l’AI indica esplicitamente una fonte. Un brand può essere menzionato senza citazione e una fonte può essere citata senza centralità del brand.
La visibilità AI significa entrare nella risposta generata. Il traffico riguarda i clic. Nei sistemi AI puoi avere visibilità senza traffico e, al contrario, traffico senza reale visibilità generativa.
Un set minimo prevede un assistente generalista per valutare presenza e descrizione e un motore che mostri le fonti per analizzare citazioni. Più dello strumento conta la coerenza del metodo e delle domande.
Usando sessioni pulite, preferibilmente senza login, stessa lingua e Paese, stesso prompt e più run ripetute. L’obiettivo non è l’anonimato perfetto, ma la confrontabilità dei risultati.
Sì, ma con aspettative diverse. In questi casi l’audit evidenzia soprattutto assenze e dipendenza da fonti terze, fornendo una lista chiara delle lacune su cui intervenire.
No. Si utilizzano indicatori osservabili come presenza per cluster, stabilità della descrizione, errori ricorrenti, fonti dominanti e variazioni nel tempo a parità di test.
In genere si parte da una baseline iniziale e poi si ripete a 30, 60 o 90 giorni se si stanno facendo interventi. Ripeterlo senza cambiamenti produce solo rumore.
Non garantisce output, ma indica dove intervenire con maggiore senso: lacune, incoerenze, fonti dominanti e debolezza dell’entità. Da qui nasce una strategia realistica.
Ciao! Mi chiamo Eleonora Boretti e lavoro come consulente SEO freelance dal 2018.
Collaboro con agenzie e clienti diretti per migliorare la visibilità online di molti progetti e ottenere risultati concreti.
Amo vedere i progetti crescere e scalare nel tempo, con strategie SEO su misura.
Sono basata a Firenze, ma lavoro come consulente SEO in tutta Italia, anche da remoto.
Se vuoi conoscermi meglio, scopri la mia storia nella pagina dedicata come consulente SEO Firenze.
