Perché ChatGPT non cita la tua società di ingegneria

Chiedi a ChatGPT di segnalarti uno studio di ingegneria strutturale specializzato in edifici multipiano in legno, oppure domanda a Perplexity quale società di consulenza tecnica si occupa di certificazione di recipienti a pressione nell'Europa settentrionale: in entrambi i casi il modello deve scegliere nomi tra tutto ciò che ha letto e giudicato degno di essere ripetuto. Non può consigliare uno studio che non ha mai incontrato come entità distinta e descrivibile. Può consigliare solo chi riesce a riconoscere.

Sembra ovvio, finché non ci si sofferma su cosa significhi davvero "riconoscere" per un'azienda di servizi professionali, che non ha nessuna delle scorciatoie di cui gode chi vende un prodotto fisico.

Uno studio professionale non ha una scheda tecnica a cui appoggiarsi

Un produttore che vende un oggetto fisico lascia al modello una traccia facile da seguire: una scheda tecnica, un codice prodotto, recensioni che citano lo stesso modello più volte. Questa ridondanza rende un prodotto riconoscibile attraverso centinaia di testi indipendenti. Uno studio di ingegneria o una società di consulenza vende invece giudizio professionale, non un codice articolo. Non esiste una scheda tecnica per "sappiamo far passare un impianto chimico attraverso una revisione ambientale complessa". L'unica traccia che un'azienda simile può lasciare è la descrizione scritta: cosa ha fatto, per chi, in quale settore, risolvendo quale problema, con una precisione sufficiente da poter essere riutilizzata dentro una risposta.

La maggior parte delle aziende del settore capisce la cosa al contrario: dà per scontato che, poiché il sito descrive il loro lavoro, quella descrizione basti. Quasi mai è così.

Il linguaggio generico sulle competenze non trasmette informazione riutilizzabile

Apri la pagina "Chi siamo" o "Servizi" di quasi qualunque società di consulenza tecnica e trovi una variante delle stesse frasi: partner affidabile, esperienza consolidata, soluzioni su misura per ogni cliente. Non è falso, in senso stretto. Ma non è nemmeno informazione. Un modello non può riproporre "partner affidabile" come risposta a "chi si occupa di X nel mercato Y", perché quella frase non dice cos'è X né dove l'azienda ha realmente lavorato.

Quello che un modello può riproporre è una frase che nomina una linea di servizio, un settore, un'area geografica o un tipo di problema in termini abbastanza precisi da poter essere riutilizzati senza che il modello debba inventarsi i dettagli. "Realizziamo verifiche strutturali su ponti in cemento armato datati, in ambienti costieri" dà al modello qualcosa su cui lavorare. "Offriamo eccellenza nell'ingegneria strutturale" no, per quanto sia vero.

Il meccanismo non ha nulla di misterioso: un modello linguistico risponde attingendo a schemi ricorrenti nei testi che ha letto, e più un testo nomina un'entità insieme a una competenza concreta, più quell'associazione ha probabilità di essere riutilizzata. Un linguaggio vago non crea nessuno schema utile da riprendere, perché non distingue quell'azienda dalle migliaia di altre pagine che usano le stesse tre frasi.

Reputazione e presenza scritta sul web non sono la stessa cosa

Ogni settore tecnico ha aziende conosciute tra colleghi e committenti solo per passaparola: il nome che salta fuori quando un project manager chiede a un collega chi ha seguito un progetto simile. Quella reputazione è reale, ed è spesso proprio il motivo per cui l'azienda non ha mai investito in contenuti scritti propri.

Immagina, solo a titolo di esempio, uno studio di ingegneria strutturale con una solida reputazione regionale costruita sui passaparola, e un sito che dice poco più di "partner di fiducia" ed "esperienza pluriennale". Immagina ora un'azienda più piccola, nella stessa specializzazione, che ha pubblicato resoconti dettagliati di progetti conclusi, è intervenuta a convegni di settore con gli interventi riassunti sul proprio sito, ed è stata citata da una rivista di categoria per una soluzione tecnica particolare. La seconda azienda è meno nota per reputazione, eppure più probabile che sia quella nominata da un assistente AI, perché le conversazioni da passaparola non sono mai finite in un testo che un modello può leggere, mentre il lavoro concreto della seconda sì.

Questa asimmetria non si risolve da sola: essere stimati da chi ti conosce già è un patrimonio diverso dall'essere descrivibili a un sistema che legge solo ciò che è pubblico.

Cosa significa avere sostanza riconoscibile per un'azienda di servizi

Per uno studio professionale, questo materiale nasce di solito da poche fonti: linee di servizio descritte in termini specifici invece che con etichette di categoria, settori o normative nominati esplicitamente in cui l'azienda opera davvero, case study sul proprio sito che raccontano un progetto reale concluso con precisione sufficiente a distinguerlo da uno generico, articoli tecnici pubblicati a proprio nome, interventi a convegni raccontati per iscritto e non solo registrati, menzioni su riviste di settore o albi professionali che descrivono cosa fa l'azienda invece di limitarsi a elencarne il nome.

Niente di tutto questo richiede una veste grafica curata. Un case study scritto come un appunto interno asciutto è più utile a un modello di uno riscritto da un copywriter in paragrafi pieni di aggettivi e svuotato di sostanza tecnica. La versione che sopravvive dentro una risposta generata da un'AI è quella che conserva nomi, settori e descrizioni del problema.

Non è un problema che risolviamo "ottimizzando" i tuoi contenuti

Vogliamo essere precisi su cosa fa davvero PSentry qui, perché è esattamente il tipo di vuoto in cui sarebbe facile promettere più di quanto si possa mantenere. Non riscriviamo le tue pagine di servizio, non inviamo nulla a nessun modello, e non influenziamo quello che ChatGPT, Claude, Gemini o Perplexity decidono di dire sulla tua azienda. Eseguiamo il tuo set di prompt, le domande che un committente reale potrebbe porre, su tutte le piattaforme monitorate, e ti riportiamo quali aziende vengono nominate, se la tua è tra queste, e quali concorrenti compaiono al tuo posto.

Per un'azienda convinta che la propria reputazione sia solida, quel report può essere il primo segnale onesto che reputazione e riconoscibilità per l'AI hanno iniziato a divergere. Cosa farne, pubblicare case study più specifici, nominare le linee di servizio con più precisione, resta una decisione dell'azienda. Misurare e correggere sono due mestieri diversi, e noi facciamo solo il primo.

La stessa questione, in versione multilingue

Uno studio di ingegneria o consulenza che opera su più mercati esteri traduce di solito le pagine di marketing: homepage, panoramica dei servizi, modulo di contatto. Raramente traduce la scrittura tecnica, perché farlo bene costa e nessuno lo mette a budget. Il risultato è un'azienda descrivibile nella propria lingua e quasi invisibile nelle altre, non per mancanza di esperienza in quei mercati, ma perché quell'esperienza non è mai stata messa per iscritto in quella lingua.

Un modello che risponde a una domanda in tedesco su società di consulenza per recipienti a pressione attinge al web in lingua tedesca. Se i tuoi case study esistono solo in italiano, quella sostanza resta indisponibile per la domanda in tedesco, per quanti progetti tu abbia realmente consegnato in mercati di lingua tedesca. Non è un problema che si risolve con una traduzione una tantum: il divario raramente ha la stessa dimensione in ogni mercato.

Una verifica che puoi fare da solo

Apri le pagine dei tuoi servizi nella lingua di un mercato in cui operi, e leggile come se fossi un modello che deve rispondere a "chi si occupa di X in questo paese". Conta quante frasi nominano un servizio specifico, un settore o un progetto concluso, e quante sarebbero intercambiabili con la pagina di un concorrente semplicemente cambiando il logo. Se il secondo gruppo domina, quella pagina oggi non offre a un assistente AI nulla da riutilizzare, per quanto valido sia il lavoro sottostante. Ripeti poi l'esercizio per un mercato dove la tua reputazione è più debole: il divario di contenuto e quello di reputazione raramente coincidono come ti aspetteresti.

Domande Frequenti

Un'azienda ha bisogno di un blog per essere riconoscibile dagli assistenti AI?

Non un blog in senso stretto. Ciò che conta è che descrizioni specifiche e verificabili del lavoro reale dell'azienda esistano da qualche parte pubblicamente: sul proprio sito, su una rivista di settore, in un albo professionale o nel programma di un convegno. Il formato conta meno della precisione.

Un'azienda senza contenuti pubblicati può comunque essere nominata da un'AI?

Sì, se altri hanno scritto di lei con sufficiente precisione, per esempio una copertura stampa dettagliata o un premio di settore documentato. Ma affidarsi a qualcun altro per descrivere il tuo lavoro è una posizione più debole.

È lo stesso problema di un brand che non esiste come entità riconosciuta?

Un problema collegato ma più circoscritto: il riconoscimento di entità riguarda se un modello identifica la tua organizzazione come qualcosa di distinto. Qui è più specifico: anche quando un'azienda è già riconosciuta come entità, un linguaggio generico sulle competenze non dà al modello nulla di concreto su cui consigliarla.

Dobbiamo riscrivere i case study che abbiamo già pubblicato?

È una decisione sui contenuti dell'azienda, non qualcosa che decidiamo noi. Possiamo dirti se la tua azienda viene nominata per le domande che i tuoi committenti pongono davvero, in quali mercati non succede, e quali concorrenti vengono nominati al posto tuo.

Le piattaforme si comportano tutte allo stesso modo?

No. Perplexity recupera e cita fonti aggiornate quando risponde, quindi un contenuto recente può emergere prima. ChatGPT, Claude e Gemini si affidano di più a ciò che hanno assorbito durante l'addestramento, quindi un materiale nuovo richiede più tempo per cambiare le loro risposte.

Con che frequenza conviene controllare questo aspetto?

Le nostre scansioni girano due volte al mese, un ritmo coerente con quanto lentamente le aziende aggiornano i propri contenuti e con quanto lentamente i modelli assorbono materiale nuovo. Controllare più spesso di quanto cambi il contenuto non produce informazioni più utili.