Cerca per un po' «how to rank in ChatGPT» e troverai elenchi sicuri di «7 fattori di ranking» o percentuali precise — l'autorevolezza del dominio pesa il 40%, la qualità del contenuto il 35%, roba del genere. Diffida di qualsiasi numero così preciso. Nessuno fuori da OpenAI, Anthropic o Google ha accesso ai pesi reali dentro questi sistemi, e le aziende stesse non ne hanno pubblicato uno. Quello che segue traccia una linea tra ciò che è davvero documentato e ciò che non è davvero conoscibile dall'esterno.
Cosa è documentato: due modalità diverse, due meccanismi diversi
Una distinzione utile e reale è tra un modello che risponde solo da ciò che ha imparato durante l'addestramento e un modello che cerca attivamente sul web live prima di rispondere.
Rispondere dall'addestramento (senza navigazione). In questa modalità il modello non cerca nulla — genera una risposta dai pattern statistici incorporati nei suoi pesi durante l'addestramento su un grande corpus di testo. Un brand compare in una risposta perché è comparso, associato a quella categoria, abbastanza spesso e abbastanza chiaramente nei dati di addestramento da far imparare al modello l'associazione. Ecco perché i brand noti, molto documentati e con una lunga storia pubblica tendono a emergere più spesso di quelli oscuri — non per qualche trucco SEO, ma perché c'è semplicemente più testo su di loro da cui il modello ha potuto imparare.
Rispondere con navigazione/recupero. Quando un assistente cerca attivamente sul web prima di rispondere — una modalità supportata da ChatGPT, Perplexity e altri — recupera pagine attuali e può citarle direttamente. In quella modalità, che la tua pagina possa essere trovata e letta (scansionabile, indicizzata, non bloccata) diventa una precondizione reale e meccanica, distinta dal fatto che il modello «ti apprezzi».
Sono processi davvero diversi con implicazioni diverse, e confonderli è uno degli errori più comuni nei consigli sulla visibilità AI. Un brand può essere consigliato di continuo dalla memoria dei dati di addestramento senza essere mai citato con un link vero, o viceversa.
Cosa è documentato: i modelli tendono verso ciò che è noto e ben documentato
Segue direttamente da come funziona l'addestramento, non da speculazioni: se un brand è discusso in modo chiaro, coerente e da molte fonti indipendenti sul web, è più probabile che sia rappresentato con forza nei dati di addestramento di un modello rispetto a un brand di cui si scrive a malapena. È una tendenza reale e meccanica — ma non è una checklist. «Sii noto» è vero e al tempo stesso non è, da solo, un consiglio praticabile.
Cosa non è davvero conoscibile dall'esterno
Qui l'onestà conta più della sicurezza. I large language model sono, per ammissione delle aziende che li costruiscono, ancora sostanzialmente opachi anche ai loro creatori. I ricercatori di interpretabilità di Anthropic hanno detto chiaramente che questi modelli sono così grandi e complessi che anche chi li progetta sa relativamente poco di come «pensano» davvero momento per momento. Il lavoro di Anthropic sull'interpretabilità meccanicistica ha fatto progressi reali nel mappare quali pattern interni di attività dei neuroni corrispondano a quali concetti — ma quella ricerca riguarda la comprensione delle rappresentazioni dentro il modello in laboratorio, non il dare ai marketer esterni una leva da tirare per far menzionare di più il loro brand.
In concreto, nessuno fuori dal fornitore può dirti, con vera precisione:
Il peso esatto che un modello dà ai diversi segnali quando compone una risposta specifica.
Perché un modello ha menzionato il brand A invece del brand B in un run specifico, quando entrambi sono ben documentati e comparabili.
Se un dato contenuto finirà in un futuro ciclo di addestramento, o quanto sposterebbe le cose se ci finisse.
Perché domande identiche possono produrre elenchi di brand diversi in run separati dello stesso modello — una parte è casualità voluta nel modo in cui il modello genera testo, e il grado esatto non è pubblicato per ogni modello.
Qualsiasi articolo che risponda a queste quattro domande con sicurezza specifica sta tirando a indovinare. Diffida di chi ti vende un meccanismo preciso per qualcosa che i fornitori dei modelli stessi non hanno pubblicato.
Quindi cosa puoi fare davvero
Lavora con ciò che è documentato, non con ciò che è speculativo: assicurati che il tuo brand sia descritto in modo chiaro e genuino sul web da fonti diverse da te (copertura reale, recensioni reali, schede reali) così che ci sia semplicemente più materiale accurato da cui un modello possa aver imparato o che possa recuperare. Tieni il tuo sito scansionabile e non ambiguo per il caso della modalità di recupero. E non inseguire uno specifico «fattore di ranking» che nessuno fuori dal laboratorio può verificare. Oltre a questo, la risposta onesta a «perché il modello ha detto quello che ha detto» è spesso: non lo sappiamo del tutto, e neppure, nel senso del momento per momento, l'azienda che l'ha costruito.
Da dove partire
Dato quanto di tutto questo sia davvero inconoscibile, la cosa di maggior valore che puoi fare non è fare reverse engineering di una scatola nera — è misurare la tua baseline attuale reale, per sapere se c'è un problema su cui valga la pena lavorare.
