Come Intendity misura la visibilità nella ricerca AI.

Una risposta è un aneddoto. Molte risposte sono un segnale.

I modelli generativi sono non deterministici per design. Lo stesso prompt posto due volte nello stesso minuto può restituire brand diversi, formulazioni diverse, citazioni diverse. Qualsiasi framework di misurazione che tratti una singola risposta come verità assoluta induce in errore.

Intendity tratta la visibilità AI come una distribuzione su molte esecuzioni. Ogni metrica della dashboard è un aggregato sulla matrice (prompt × modello × regione) in un dato giorno. Un punteggio di visibilità giornaliero di 64 significa: tra tutti i prompt eseguiti su tutti i modelli monitorati nelle ultime 24 ore, il brand è stato nominato nel 64% di essi. La varianza viene assorbita nella media; il trend su settimane rivela il segnale reale.

Ecco perché un programma AEO significativo richiede automazione giornaliera. I controlli manuali sotto-campionano; i set di prompt ridotti non coprono il percorso dell'acquirente; i controlli su un singolo modello perdono il modo in cui le risposte variano tra i provider.

Sei segnali strutturati per esecuzione (prompt × modello).

Ogni esecuzione produce una riga nella tabella runs (risposta grezza del modello, stato, versione del modello, regione) e una riga nella tabella mentions (l'analisi strutturata di seguito). Entrambe vengono conservate indefinitamente sui piani Pro.

I metadati dell'esecuzione (versione del modello, regione, timestamp, flag di modalità browsing) vengono catturati separatamente in modo che i confronti storici rimangano comparabili attraverso gli aggiornamenti del modello.

Parser basato su LLM con punteggio di fiducia.

Un approccio naive di string-match per il rilevamento delle menzioni si rompe su tre classi di input: nomi di brand ambigui che si sovrappongono con la lingua comune (un brand chiamato 'Apex' che corrisponde a testo non correlato), alias ('Acme Corp' vs 'Acme') e riferimenti indiretti ('il principale CRM enterprise in Europa' che punta a un brand specifico senza nominarlo).

Il parser di Intendity è basato su LLM. Per ogni esecuzione, la risposta grezza del modello più il nome registrato del brand, gli alias, il dominio e il contesto di categoria vengono passati al parser, che produce un output strutturato: se il brand è stato nominato, dove, accanto a quali competitor, con quale sentiment, citando quali fonti, con quale fiducia.

I punteggi di fiducia sono 0-100. Un punteggio superiore a 80 indica una menzione non ambigua e nominata. I punteggi tra 50 e 80 riflettono tipicamente casi di alias o riferimento indiretto. I punteggi sotto 50 vengono contrassegnati per revisione ed esclusi dai calcoli delle metriche predefinite. Gli utenti avanzati possono regolare la soglia o esporre il pile a bassa fiducia.

La concordanza con le baseline codificate manualmente supera il 90% nei set di prompt misurati. I casi limite, in particolare i riferimenti indiretti e i nomi di brand corti e ambigui, sono un'area di miglioramento attiva.

Tre metriche, tutte definite.

Ogni metrica della dashboard è pubblicata. Nessuna black box.

visibility_score(giorno) = 100 × mentioned_runs(giorno) / total_runs(giorno)

share_of_voice = brand_mentions / (brand_mentions + sum(competitor_mentions))

citation_coverage = positioned_source_urls / total_cited_source_urls

Automazione giornaliera, ri-esecuzioni on-demand, cattura della versione.

Gli account Pro eseguono ogni prompt abilitato contro ogni modello abilitato ogni giorno, per impostazione predefinita. Le esecuzioni manuali on-demand sono illimitate. Gli account gratuiti eseguono manualmente con un limite giornaliero; i risultati vengono comunque conservati ma la cronologia viene troncata a una finestra di 3 giorni.

Ogni esecuzione cattura la stringa di versione del modello restituita dal provider. Quando OpenAI rilascia un nuovo GPT, Anthropic un nuovo Claude o Google ruota il puntatore di Gemini Pro, il cambiamento è visibile nella tabella delle esecuzioni e le linee di tendenza rimangono interpretabili attraverso la transizione.

La regione predefinita è il mercato principale del brand. Il monitoraggio multi-regione è supportato su Pro e raccomandato per qualsiasi brand che opera in più di un paese: le risposte AI variano per lingua e locale, spesso in modo drammatico.

Come appaiono 360 menzioni reali.

Dati da una recente settimana di esecuzioni sui nostri primi account di test (2 account, 6 brand, categorie miste: servizi locali rumeni e skincare coreano). Campione piccolo, mix di categorie deliberatamente polarizzato. Lo mostriamo perché l'alternativa, pagine di metodologia opache del tipo 'fidatevi di noi', è peggio. Non sono benchmark di settore. Sono prove che il sistema produce dati strutturati della forma descritta sopra.

Un progetto di ricerca più ampio, deliberatamente progettato su una singola categoria definita (~30 prompt × 4 modelli × 14 giorni) è in corso; i risultati verranno pubblicati su /it/blog al completamento.

Cosa questa metodologia non fa.

Dichiarato esplicitamente perché l'alternativa è lasciare che gli acquirenti lo scoprano in seguito:

• Dimensione del campione. Un set di 10 prompt × 4 modelli × 1 regione produce 40 esecuzioni/giorno. Sufficiente per tracciare il trend, non sufficiente per rilevare piccole differenze. Set di 30+ prompt sono raccomandati per decisioni strategiche.
• Riferimenti indiretti. Le risposte che descrivono un brand senza nominarlo ('la principale piattaforma enterprise in questo spazio') sono parzialmente catturate dal parser LLM con fiducia inferiore. Le menzioni puramente indirette rimangono un caso limite sotto-conteggiato.
• Varianza lato provider. Le risposte API dei provider a volte differiscono dalle risposte delle app consumer (impostazioni predefinite diverse, segnali di ranking diversi). Intendity usa le API dei provider; i numeri assoluti possono differire da un acquirente che controlla manualmente nell'app, sebbene i trend correlino.
• Nessuna attribuzione causale. Una raccomandazione consegnata nella settimana 1 e un tasso di menzione che sale nella settimana 4 è correlazione, non prova. Più variabili si muovono contemporaneamente. Noi portiamo in superficie i dati; l'attribuzione è il giudizio del responsabile del programma.
• La correzione delle allucinazioni è a livello di fonte. Intendity non chiede al modello di dimenticare le informazioni errate. Portiamo in superficie la fonte sottostante su cui si basa il modello (un paragrafo Wikipedia obsoleto, un thread di recensioni superato) e raccomandiamo la correzione a livello di fonte. Gli aggiornamenti delle fonti si propagano alle risposte del modello entro 1-6 settimane dal recrawl.