Metodologia
AI Search Visibility in Italia
Protocollo di ricerca, costruzione del panel, raccolta delle osservazioni, normalizzazione, metriche, controlli di qualità e limiti dello studio.
Disegno dello studio
La ricerca osserva come quattro superfici di ricerca e risposta generativa trattano lo stesso insieme predefinito di domande in lingua italiana.
Le quattro superfici analizzate sono ChatGPT, Gemini, Google AI Mode e Google AI Overview.
L'unità di osservazione è la combinazione query × motore × run. I risultati descrivono il comportamento osservato in questo panel e in questa finestra temporale.
Un panel definito prima dell'analisi
Il panel è stato generato e congelato il 3 settembre 2026, prima dell'analisi dei risultati. È composto da:
I 480 prompt principali sono distribuiti su dieci settori, con 48 query principali per settore. Ogni settore contiene inoltre due control, portando il totale a 50 query per settore.
Il panel principale è stato selezionato come non-branded secondo
le regole iniziali. La successiva classificazione delle entità ha
identificato 16 query con almeno un brand commerciale già presente.
Le metriche distinguono questi seed dai brand introdotti spontaneamente.
Il nome del file congelato panel-nonbranded-480.csv è mantenuto;
la sua denominazione non implica che tutte le query siano prive di ogni entità commerciale.
- software / CRM
- marketing
- e-commerce / retail
- automotive
- travel
- energy
- finance
- consumer technology
- food & beverage
- professional services
Intent del main panel
| Intent | Query |
|---|---|
| Discovery | 170 |
| Problem | 100 |
| Comparison | 100 |
| Pre-purchase | 100 |
| Alternatives | 10 |
La selezione è deterministica: parte da un research pool ad alta confidenza e utilizza allocazione per settore/intent, round-robin per sottocategoria e deduplicazione per famiglia di query. In 32 celle vincolate dalle quote la deduplicazione per famiglia è stata rilassata per completare il panel.
Il volume di ricerca è utilizzato come segnale di ranking nella selezione, non come peso statistico dei risultati. Sono ammesse query a basso volume quando necessarie per coprire celle scarsamente popolate.
c39b8f8e201bad7718d8233d3c7563f7a115530fb55bd293a18982c7665ac214
L'hash consente di verificare che il panel pubblicato corrisponda alla versione congelata utilizzata dalla ricerca.
Tre run completi e separati
Lo stesso panel congelato è stato raccolto tre volte in sessioni operative separate. Utilizziamo l'espressione run separati o repliche temporali: non viene assunta indipendenza statistica formale tra le risposte.
| Run | Finestra di raccolta · Europe/Rome | Osservazioni |
|---|---|---|
| 1 | 3 settembre 23:30 → 4 settembre 07:57 | 2.000 |
| 2 | 4 settembre 10:36 → 17:56 | 2.000 |
| 3 | 4 settembre 18:42 → 5 settembre 01:54 | 2.000 |
La finestra complessiva della raccolta principale va quindi dalla sera del 3 settembre alla notte tra 4 e 5 settembre 2026.
Le 6.000 osservazioni utilizzate nello studio principale sono state raccolte ex novo: nessuna osservazione è stata riutilizzata da precedenti rilevazioni Telescop.
Il protocollo ammette retry tecnici in presenza di errori transitori. Una singola osservazione finale può quindi aver richiesto più di un tentativo di raccolta; il dataset analitico conta la risposta finale completata, non il numero di tentativi.
La ricerca osserva le superfici così come vengono raccolte dal sistema Telescop. Le etichette interne dei collector non vengono interpretate come identificatori ufficiali della versione del modello sottostante.
480 query principali + 20 control
Le 20 query control contengono deliberatamente un brand noto: due brand per ciascuno dei dieci settori. Esempi includono Salesforce, HubSpot, Shopify, Toyota, Booking, Enel, Apple, Barilla e Deloitte.
I control servono come livello separato di verifica della capacità del sistema di riconoscere e attribuire entità commerciali quando il brand è esplicitamente presente nella domanda.
Le metriche primarie sulla visibilità commerciale spontanea escludono i control. Le restanti 240 osservazioni brand-seeded vengono mantenute separatamente.
Come vengono identificati i brand
La metrica principale non conta semplicemente ogni sequenza di testo che assomiglia a un nome. La pipeline distingue tra:
- brand commerciali;
- prodotti e servizi;
- publisher e piattaforme;
- enti pubblici e nonprofit;
- persone;
- entità generiche o falsi positivi.
La classificazione semantica delle entità candidate è stata effettuata con una pipeline AI-assisted tramite OpenAI, seguita da controlli deterministici, audit e QA. I casi prodotto/servizio non risolti automaticamente sono stati sottoposti a una fase dedicata di product resolution.
Dopo il QA sono stati applicati override manuali solo nei casi con evidenza concreta o con una motivazione metodologica esplicita. Queste decisioni sono versionate negli artefatti dell'analisi.
Commercial brand family
La metrica aggrega un brand diretto o un prodotto/servizio commerciale eleggibile nella sua famiglia di brand market-facing. Prodotti incerti o entità non commerciali vengono esclusi dalla metrica primaria.
Alias conservativi
La normalizzazione degli alias unifica soltanto identità considerate equivalenti dopo revisione. Non vengono automaticamente collassati sub-brand distinti nel parent brand soltanto perché appartengono alla stessa organizzazione.
Metriche principali
Unprompted Commercial Brand Visibility
È la metrica principale dello studio. Un brand è unprompted quando viene introdotto dalla risposta AI senza essere già esplicitamente presente nella query.
Per le metriche aggregate per motore viene inoltre misurata la quota di risposte non-branded che contengono almeno una commercial brand family introdotta spontaneamente.
Brand agreement e divergence
Per confrontare due motori vengono considerati gli insiemi di commercial brand family presenti nella stessa combinazione query/run. L'accordo è misurato tramite similarità di Jaccard.
La divergenza è il complemento dell'accordo. La metrica primaria di confronto tra brand set considera le osservazioni in cui entrambi i motori presentano almeno un brand; viene mantenuta anche una metrica coverage-inclusive separata.
Google AI Overview
Per AI Overview vengono riportati due denominatori:
- all-observation denominator: tutte le osservazioni previste;
- surface-present denominator: soltanto le osservazioni in cui la superficie AI Overview è effettivamente presente.
Questa distinzione evita di confondere “assenza della superficie” con “assenza del brand dentro una superficie presente”.
Fonti e domini
Le fonti associate alle risposte vengono elaborate in un layer analitico separato rispetto alle menzioni di brand. URL e domini vengono normalizzati secondo regole versionate, in modo che varianti tecniche dello stesso dominio non vengano trattate automaticamente come fonti differenti.
Le metriche di overlap e divergenza delle fonti confrontano set di sorgenti osservate sulla stessa unità query/run. La configurazione pubblica della normalizzazione è disponibile nel reproducibility package.
La divergenza primaria è calcolata sulle coppie query/run con almeno un dominio attribuibile in entrambe le risposte. Le coppie con una o entrambe le fonti assenti sono escluse dalla media primaria. Le fonti ricorrenti di AIO mostrate nel rapporto usano il panel completo di 1.500 osservazioni, inclusi i controlli; le metriche primarie dei brand usano invece 1.440 osservazioni per superficie, con le ulteriori esclusioni dei seed per brand.
Controlli di qualità
- Il panel è congelato e identificato tramite SHA-256.
- I tre run completi utilizzano lo stesso panel.
- Tutte le 6.000 osservazioni previste nei run finali sono state completate.
- Il market reuse è pari a zero per il dataset principale.
- Retry tecnici sono ammessi per errori transitori, senza aumentare il numero di osservazioni analitiche.
- Control brandizzati e main panel non-branded sono mantenuti separati nelle metriche primarie.
- Classificazione, product resolution, alias e metriche sono versionati e accompagnati da checksum degli script di analisi congelati.
Cosa questa ricerca non misura
Lo studio è descrittivo e utilizza un panel deterministico. Non è un sondaggio rappresentativo della popolazione italiana e non misura ciò che “pensano gli italiani”.
Le 500 query non rappresentano l'universo di tutte le possibili ricerche in lingua italiana. I risultati devono essere interpretati come comportamento osservato nel panel selezionato, nei settori inclusi e nella finestra temporale della raccolta.
Il panel non è ponderato per volume di ricerca: il volume contribuisce alla selezione delle query, ma ogni osservazione analitica ha lo stesso peso all'interno della relativa metrica.
I sistemi generativi sono dinamici. Modelli, ranking, retrieval, fonti e interfacce possono cambiare anche rapidamente; una replica successiva dello studio può quindi produrre risultati differenti.
Le metriche di brand dipendono inoltre da una pipeline di entity recognition e normalizzazione. Per ridurre il rischio di sovra-attribuzione vengono utilizzati criteri conservativi, QA e separazione delle entità non commerciali.
Trasparenza
La ricerca è stata progettata, raccolta e analizzata da Telescop Research. Telescop sviluppa strumenti per l'analisi della visibilità di brand e fonti nei sistemi di ricerca e risposta basati su AI.
Questo collegamento viene dichiarato esplicitamente. Panel, manifest, checksum, definizioni delle metriche e parte degli artefatti metodologici vengono resi pubblici per permettere la verifica del disegno dello studio e delle principali decisioni analitiche.
Dataset, manifest e artefatti pubblici
Come citare il dataset e la metodologia
https://doi.org/10.5281/zenodo.22640375
Quando si cita un dato specifico è consigliato mantenere il contesto metodologico: 500 query congelate, quattro superfici AI, tre run completi separati e 6.000 osservazioni.
Il DOI identifica il deposito congelato v1.0. Per citare la pubblicazione web e la sua revisione editoriale, usa la citazione del rapporto.