Metodo
Come si misura la visibilità AI: scostamenti tra Google e i motori
Misurare la visibilità AI significa confrontare come Google legge una pagina con ciò che riportano ChatGPT, Perplexity, Gemini, Grok e Google AI: qui spieghiamo come si misura la visibilità AI attraverso gli scostamenti tra fonti, con esempi illustrativi e una matrice compilata.
Supponiamo che una pagina di servizi sia stata aggiornata a marzo e che Perplexity, interrogato su quella pagina, riporti ancora la formulazione precedente: è uno scenario ipotetico, ma rende l'idea di come si misura la visibilità AI in Pico Neural. Non partiamo da un punteggio unico: confrontiamo la lettura delle stesse pagine pubbliche da parte di Google con ciò che riportano ChatGPT, Perplexity, Gemini, Grok e Google AI. La visibilità AI, per noi, è la distanza osservabile tra queste letture, non una media.
Cosa NON è uno scostamento
Uno scostamento non è un errore del motore né una prova che la pagina sia “penalizzata”. Non è nemmeno la differenza tra due risposte dello stesso motore in momenti diversi, se la pagina non è cambiata. Non è, infine, il confronto tra Gemini e Google AI Overviews: sono due osservazioni distinte e non vanno sommate né scambiate. Tenere fuori questi casi evita di attribuire a una pagina un problema che appartiene al modo in cui la osserviamo.
Due scostamenti con esito opposto
Riprendiamo l'esempio illustrativo: la pagina aggiornata a marzo, Google la legge nella versione nuova, Perplexity riporta quella precedente. Lo scostamento è circoscritto a un motore e a un contenuto specifico. Il secondo esempio, anch'esso ipotetico, va nella direzione opposta: una pagina presente e leggibile per Google, ma assente nelle risposte di un motore AI interrogato sullo stesso tema. Qui lo scostamento non riguarda la formulazione, ma la presenza. Distinguere i due casi cambia cosa si corregge: nel primo si lavora sul contenuto, nel secondo sulla raggiungibilità della pagina da parte di quel motore.
Una matrice compilata, non solo descritta
Per rendere il confronto riusabile, Pico Neural propone una matrice operativa: una riga per pagina, una colonna per fonte osservata. È una nostra proposta di lettura, non uno standard universale. Un esempio compilato, con valori illustrativi:
| Pagina | Perplexity | Gemini | Google AI Overviews | |
|---|---|---|---|---|
| Servizi aggiornata a marzo | versione nuova | formulazione precedente | versione nuova | non osservata |
| Guida tematica | presente | assente | presente | presente |
La tabella non produce un punteggio: rende visibile dove la lettura diverge e su quale fonte.
Come procediamo, passo per passo
- Selezioniamo le pagine pubbliche da osservare e ne fissiamo la versione di riferimento, così che ogni confronto successivo abbia un criterio verificabile: la data e il contenuto della pagina al momento dell'osservazione.
- Confrontiamo la lettura di Google con ciò che riportano ChatGPT, Perplexity, Gemini, Grok e Google AI, mantenendo separate le colonne di Gemini e Google AI Overviews: il criterio è che nessuna osservazione venga fusa con un'altra.
- Classifichiamo ogni divergenza come scostamento di formulazione o di presenza, indicando la fonte e la pagina: il criterio è che ogni riga della matrice abbia una sola etichetta per cella.
- Segnaliamo i motori non ancora osservabili: Claude e Grok si misurano solo dopo il collegamento, quindi restano fuori dalla matrice finché quel passaggio non avviene.
Il contributo di questo pezzo è trattare lo scostamento come unità di misura, non come sintomo. In Pico Neural, quando una pagina diverge tra fonti, la prima domanda non è “quanto siamo visibili”, ma “quale tipo di scostamento stiamo guardando”. Uno scostamento di formulazione, come nell'esempio ipotetico della pagina aggiornata a marzo, riguarda il testo che un motore riporta: si affronta lavorando sul contenuto e sulla sua chiarezza. Uno scostamento di presenza, come la pagina assente su un motore, riguarda l'accesso alla pagina: si affronta verificando che quella pagina sia effettivamente raggiungibile e leggibile per quel motore. Tenere separati i due tipi evita correzioni nel posto sbagliato. La matrice compilata serve proprio a questo: mostrare in una sola vista dove la lettura diverge e su quale fonte, senza trasformare la vista in una graduatoria. È una proposta operativa di Pico Neural, pensata per essere riusata su più pagine, non un metodo universale né un indice di posizionamento.
Limite verificabile: la matrice osserva solo le pagine pubbliche incluse nell'osservazione e solo i motori nominati; una risposta API non equivale alla schermata di una persona, e Claude e Grok restano fuori finché non vengono collegati.
Per il quadro completo su come Pico Neural imposta l'osservazione, vedi la pagina di approfondimento.