Come funzionano davvero le «connessioni LLM» se non puoi inviare direttamente i dati della tua azienda?

A quanto pare, riceviamo questa domanda con frequenza crescente da parte di clienti enterprise — durante le demo e nelle e-mail di follow-up: «Avete elencato grandi LLM tra i publisher. Come funzionano queste connessioni esattamente — si tratta di partnership ufficiali, integrazioni dirette, invii o qualcos’altro?»

È una domanda legittima, perché quando i vendor parlano di «inviare dati verificati direttamente agli LLM in tempo reale», lasciano intendere che dietro quella vaga promessa esista una sorta di API magica. Nella maggior parte dei casi, semplicemente non è così.

Nelle parole della nostra Technical Product Manager, Luma Ghazaleh:

{{quote}}

Quando quindi noi — o qualsiasi altro vendor in questo spazio — parliamo di «connessioni» con gli LLM, intendiamo influenza indiretta anziché acquisizione diretta. Con una piattaforma come Uberall, i brand migliorano la propria presenza nell’intero ecosistema su cui gli LLM fanno affidamento. Ecco come funziona.

‍

Puoi influenzare il modo in cui la tua azienda viene trovata nei risultati IA?

I Large Language Model come ChatGPT e Gemini non sono directory aziendali, e non accettano invii come fanno Yelp o Bing o altre directory.

Non c’è un dashboard in cui accedi per aggiornare gli orari. Allora, come arrivano effettivamente i dati aziendali in questi sistemi LLM? Capire come i LLM ottengono i dati delle aziende significa comprendere due percorsi distinti.

Quando qualcuno chiede a uno di questi strumenti il miglior hotel vicino al Duomo di Milano o il miglior frozen yogurt vicino al 20121, il modello assembla la sua risposta a partire da dati che ha già ricevuto — dai dati di addestramento o dalla ricerca live — e non da dati che un vendor gli abbia inviato.

La risposta dipende anche dallo strumento che i clienti utilizzano, perché non sono tutti costruiti allo stesso modo.

I modelli basati sui dati di addestramento (ChatGPT, Claude, Gemini, Grok) hanno appreso informazioni sulle aziende da un’istantanea fissa di internet — blog gastronomici, siti di recensioni, articoli di giornale, liste editoriali «best of». Quell’istantanea può avere mesi di vita. Utilizzano anche la ricerca live, ma i dati di addestramento vengono prima.

I modelli a recupero live come Perplexity funzionano al contrario — attingono a ciò che è attualmente pubblicato e indicizzato, utilizzando i dati di addestramento come integrazione piuttosto che come fonte primaria. Questa singola differenza restituisce risultati diversi a chi cerca.

Nell’ambito della più recente ricerca cross-settoriale di Uberall sulla visibilità IA, la nostra analista GEO/AEO Katya Shishchenko ha testato come cinque modelli IA raccomandano aziende nei settori ristorazione, hotel, alimentari, odontoiatria e banche — sottoponendo ciascun modello a 9–11 intenti di prompt reali per settore, dalle query di scoperta di base alle ricerche per esigenze specifiche. Questo processo è stato ripetuto da 50 a 100 volte per combinazione, producendo oltre 120.000 menzioni su 3.700+ aziende uniche.

Secondo la ricerca, Perplexity ha fatto emergere costantemente più aziende, ha citato le proprie fonti e ha restituito nomi di aziende reali e verificabili. I modelli statici tendevano a raccomandare lo stesso ristretto gruppo di aziende ripetutamente, a inventare nomi inesistenti e a basarsi su dati meno recenti. Il che ha senso, no?

Katya ha riscontrato che ogni modello ha anche una personalità distinta:

• Claude è il più conservativo — privilegia le attività locali e di comunità ma evita in larga misura di nominare specifici operatori sanitari. Le policy di sicurezza di Anthropic impediscono a Claude di dare raccomandazioni che possano essere percepite come consigli medici, per cui nel nostro studio odontoiatrico ha nominato studi solo per prompt relativi a necessità cliniche immediate come emergenze o cure urgenti.
• Gemini è il più diversificato, probabilmente perché incrocia dati live da Google Maps. Fa emergere 8× più ristoranti unici rispetto a ChatGPT nello stesso studio.
• ChatGPT è orientato al consenso e concentrato — una shortlist breve e persistente, ma con i più alti tassi di allucinazione trasversalmente a tutti i settori.
• Grok è orientato alle credenziali — fa riferimento a qualifiche degli chef e contenuti Instagram più di qualsiasi altro modello.
• Perplexity cerca in tempo reale, cita le proprie fonti e genera il maggior numero di menzioni per esecuzione. Per le aziende con una forte presenza web attuale, è il modello «più facile» da conquistare.

OK, rendiamo quindi la domanda più specifica: come fanno le aziende a inserire effettivamente i propri dati di localizzazione nella ricerca live? Possono ancora influenzare ciò che c’è nei dati di addestramento?

Quali fonti di dati dovresti prioritizzare per la visibilità LLM?

Stiamo mappando la gerarchia delle fonti di dati IA su cui fanno affidamento strumenti come ChatGPT, Gemini e Perplexity da oltre un anno — in particolare per le ricerche locali. La nostra Technical Product Manager Luma ha condotto diversi esperimenti l’anno scorso, e da allora abbiamo continuamente ampliato le sue scoperte.

Ma cosa intendiamo per fonti di dati IA? Sono i diversi canali da cui gli strumenti IA generano le loro risposte. Come regola trasversale a tutti i settori, queste fonti sono tipicamente «classificate» nella gerarchia riportata di seguito, il che significa che i livelli superiori hanno un’influenza maggiore su ciò che viene scritto nelle risposte generate. Se concentri i tuoi sforzi su queste fonti, puoi inserire efficacemente i tuoi dati di localizzazione nella ricerca live e costruire una reale visibilità LLM.

Dovresti notare, tuttavia, che le fonti con il peso maggiore variano significativamente per settore.

Top Tier: Google

Google rimane la fonte numero uno per le query a intento locale. La maggior parte degli strumenti IA avvia ricerche tramite Google o Bing Search, trattando i Google Business Profile (GBP) come fonti autorevoli per recensioni, dati di localizzazione, valutazioni, orari, foto e orari di punta.

La maggior parte dei modelli utilizza anche i dati GBP per generare schede di localizzazione o snippet — i blocchi strutturati che appaiono accanto a una raccomandazione. Ogni modello estrae attributi diversi: Perplexity crea le schede più complete (nome, foto, valutazione, numero di recensioni, fascia di prezzo, indirizzo, telefono, sito web, categorie e orari), mentre Grok spesso riduce un’azienda al solo indirizzo.

ChatGPT e Gemini si situano a metà strada, ciascuno combinando foto, orari, fascia di prezzo e dati di categoria.

È qui che la completezza del profilo diventa cruciale. Se al tuo GBP manca un attributo che un modello utilizza per costruire il proprio snippet — ad esempio orari o un numero di telefono — è probabile che un concorrente con un profilo più completo appaia al suo posto.

High Tier: Yelp

Yelp è una delle fonti più influenti per le query nei settori ristorazione, retail, beauty e hospitality — e uno dei percorsi più rapidi per far apparire il tuo business nei risultati IA.

Compare frequentemente nelle risposte generate dall’IA grazie alla sua forte domain authority e alla ricchezza di contenuti generati dagli utenti. Le classifiche Yelp, il sentiment delle recensioni e le valutazioni sono referenziati da strumenti come ChatGPT — e in alcuni casi, il sistema estrae interi elenchi di attività direttamente da Yelp quando risponde a query «best of».

Yelp ha anche una relazione di licenza diretta con OpenAI, il che significa che i suoi dati sono una fonte di dati IA nota per le raccomandazioni locali generati dai modelli.

Mid Tier: directory e siti web specifici per settore

TripAdvisor, OpenTable, DoorDash e altre piattaforme di consegna e prenotazione sono particolarmente rilevanti per le query relative a viaggi, ristorazione e asporto.

Ma il panorama delle directory va ben oltre i nomi più ovvi, e ovviamente varia per settore.

In odontoiatria, Zocdoc è l’unica singola piattaforma di recensioni in cui il volume predice in modo significativo la probabilità di menzione da parte dell’IA. Nel banking, la valutazione TrustPilot è il singolo segnale continuo più forte per determinare se una banca viene menzionata o meno, e la valutazione BBB è il secondo — eppure quasi due banche su tre nello studio di Katya non avevano nemmeno rivendicato il proprio profilo TrustPilot.

Non tutte le fonti di citazione sono ovvie. Nel mercato francese in particolare, quasi la metà di tutte le citazioni IA proveniva da centinaia di piccole directory di nicchia che singolarmente sembrano insignificanti ma che collettivamente sono la più grande categoria di fonti, citata 7× più spesso dei siti web dei brand stessi. Queste directory più piccole spesso attingono dati da aggregatori maggiori come Foursquare e TomTom, il che significa che i tuoi dati di listings devono essere corretti per funzionare come singola fonte di verità attraverso strati di fonti che potresti nemmeno monitorare.

I siti web aziendali e i blog rientrano anch’essi in questa categoria — quando sono ben ottimizzati con contenuti strutturati come menù, FAQ, markup schema, citazioni dei clienti o pagine store locator, gli LLM hanno maggiori probabilità di farvi riferimento.

‍

Mid Tier: copertura stampa e mediatica

Pubblicazioni esterne credibili, fonti editoriali di nicchia e persino liste «best of» su blog di viaggio o food producono tutti contenuti ad alta domain authority che i modelli pesano fortemente.

Nella nostra ricerca, la correlazione tra maggiore copertura stampa e più menzioni IA si riscontra in ogni settore analizzato:

• Nel banking, i brand con 75+ menzioni su Google News in una finestra di 90 giorni ottengono in media 15× più menzioni IA rispetto a quelli con meno di 10.
• Nell’hospitality, la copertura mediatica ha la maggiore dimensione dell’effetto singolo tra tutti i segnali per la probabilità di menzione.

Lower Tier: Bing, Apple Maps, Foursquare

Queste piattaforme compaiono meno frequentemente nelle risposte IA, ma giocano un ruolo più importante di quanto si pensi. Bing è notoriamente il motore di ricerca che ChatGPT utilizza per il recupero live — il che rende Bing Places un input diretto per l’assistente IA più utilizzato.

Apple Maps alimenta Apple Intelligence, e i dati Foursquare compaiono in decine di app e servizi.

Questa completezza di profilo e coerenza dei dati funziona come un livello di validazione, rafforzando il segnale che la tua azienda esiste, è attiva e affidabile, e dispone di informazioni coerenti ovunque — anche se queste piattaforme non sono quelle citate direttamente.

Altre fonti di dati IA da monitorare

I segnali seguenti non sono fonti di citazione di primo piano per sé, ma compaiono costantemente nella nostra ricerca come predittori della menzione di un’azienda — e della sua frequenza. Quali contano di più dipende dal tuo settore:

• Google Knowledge Graph e Wikipedia: la presenza su Wikipedia amplifica la frequenza di menzione nel banking (r = 0,321) e nell’hospitality, ma non crea menzioni di per sé. La presenza nel Knowledge Graph produce un uplift di menzione di 3,75× in odontoiatria. Entrambi sono segnali di autorità guadagnati che si rafforzano nel tempo.
• Instagram e Facebook: il numero di follower su Instagram è un forte predittore della visibilità IA nella ristorazione e nell’hospitality. Ha senso perché più follower tipicamente segnalano pubblicazioni più frequenti per mantenere il pubblico coinvolto, il che significa più like e condivisioni, il che crea un’impronta di contenuto più ampia per l’addestramento dei modelli. In effetti, abbiamo riscontrato che Instagram è il singolo predittore più forte della frequenza di menzione per i boutique hotel (r = 0,568). I follower Facebook predicono la probabilità di menzione in odontoiatria (divario di 4,7× tra studi menzionati e non menzionati). Abbiamo anche già citato il fatto che Grok fa riferimento ai contenuti Instagram più degli altri modelli.
• YouTube: la presenza di un canale quasi triplica le probabilità di menzione in odontoiatria — ed è l’esistenza del canale che conta, non il numero di iscritti. La maggior parte delle aziende non se ne è ancora occupata, il che è esattamente il motivo per cui è un’opportunità così buona da esplorare per i brand.
• Domain authority: una domain authority superiore a 68 produce 14× più menzioni IA rispetto a sotto 20 nel banking.
• Premi di settore, liste editoriali «best of» e certificazioni: nel banking, 3+ apparizioni su piattaforme editoriali (Bankrate, NerdWallet, Forbes Advisor, WalletHub) sono associate a un tasso di menzione del 100 %. Per i ristoranti, Perplexity fa riferimento alla Guida Michelin nel 94,5 % delle risposte.
• Reddit: sempre più citato da Perplexity in particolare, soprattutto per le query di ristorazione e scoperta locale. Trattiamo le opportunità di marketing su Reddit per le attività locali in un webinar SEJ, riassunto in quell’articolo.

Questa gerarchia non è statica; cambia costantemente in funzione dei settori, degli aggiornamenti dei modelli e anche delle nuove partnership di dati che i fornitori di LLM siglano e dell’espansione delle loro capacità di ricerca in tempo reale.

Ma in generale, e sulla base delle nostre scoperte dell’anno scorso e di quest’anno, le fonti con la più forte domain authority, i dati strutturati più ricchi e i contenuti generati dagli utenti più recenti sono quelle di cui i modelli IA si fidano di più. È così che le aziende stanno attualmente «inserendo» i propri dati di localizzazione nella ricerca live.

Cosa puoi concretamente influenzare a partire da oggi

Ora che sai che nessun vendor può inviare i dati della tua azienda agli LLM, devi comprendere che il tuo ruolo come SEO Manager multi-sede o responsabile PR è prioritizzare assolutamente le seguenti tre cose, il prima possibile.

1. Accuratezza dei dati nelle directory di riferimento

Una buona gestione delle schede è il fondamento — mantieni i dati NAP, gli orari, le categorie e gli attributi coerenti in ogni directory che i modelli IA leggono. Circa il 68 % delle attività locali appare in modo errato nei risultati IA a causa di dati mancanti, incoerenti o obsoleti. Un audit sulla visibilità azienda ChatGPT può rivelare esattamente dove si trovano queste lacune. Quando così poche aziende hanno informazioni coerenti attraverso i sistemi IA, fare le cose per bene è già un vantaggio competitivo.

2. Forti segnali di reputazione

Le recensioni contano per i modelli IA, ma non necessariamente nel modo in cui tutti pensavamo. Le valutazioni in stelle non predicono significativamente le menzioni IA in tre dei cinque settori analizzati. Il numero di recensioni conta molto più di avere solo qualche valutazione a cinque stelle. Alti volumi di recensioni su piattaforme come Yelp e Google implicano anche che una scheda ha superato i filtri anti-spam e le soglie di verifica, aggiungendo un livello di validazione — un pollice in su per raccomandare.

Il testo delle recensioni contiene anche il linguaggio descrittivo su cui gli LLM fanno leva quando elaborano le proprie raccomandazioni — se un’azienda ha una fantastica area esterna, uno spazio pet-friendly o un personale particolarmente cordiale.

3. Contenuti strutturati e leggibili dall’IA

Se vuoi rendere visibile il tuo contenuto su ChatGPT e altri strumenti IA, assicurarti che sia crawlabile è il prerequisito più basico. Le grounding page, le FAQ locali e le pagine locali ottimizzate con schema offrono ai sistemi IA un’unica fonte di verità citabile per ogni sede. Verifica che il tuo robots.txt consenta ai principali crawler IA (GPTBot, Google-Extended, ClaudeBot, PerplexityBot) di accedere al tuo sito.

Un altro punto tecnico che vale la pena sollevare è che la maggior parte dei modelli IA non è in grado di leggere JavaScript né di interagire con elementi di pagina dinamici; consumano solo testo grezzo. Se le tue pagine locali sono costruite su framework JavaScript pesanti senza server-side rendering (SSR), gli LLM potrebbero non essere in grado di leggerle affatto.

Cosa chiedere al tuo fornitore di schede sull’«implementazione» della visibilità IA

Ecco un filtro che dovresti usare in qualsiasi conversazione con un vendor sulla ricerca IA: chiedi loro di spiegare, in termini concreti, come i dati della tua azienda raggiungono un LLM.

Se la risposta include la parola «diretto» e il nome di un Large Language Model nella stessa frase, fai domande di approfondimento. Chiedi la documentazione dell’API. Chiedi l’accordo di partnership. Chiedi cosa succede quando aggiorni un numero di telefono — si sincronizza con ChatGPT nello stesso modo in cui si sincronizza con Google?

Nelle parole di Luma: «La risposta ti dirà se stai valutando un prodotto o un posizionamento di marketing.»

I vendor che sono onesti su come funziona questo ecosistema — che la visibilità nella ricerca IA si costruisce a partire da dati coerenti, forti segnali di reputazione e contenuti strutturati attraverso le fonti che l’IA legge davvero — sono quelli che stanno costruendo strumenti per aiutarti a monitorare e ottimizzare la tua visibilità su scala. Gli altri sperano che tu non faccia le domande di follow-up intelligenti.

I modelli IA non accettano le tue schede aziendali, ma la visibilità LLM non è nemmeno casuale. Come i motori di ricerca, i sistemi LLM seguono schemi che puoi influenzare, e ci sono «fattori di ranking LLM» delle fonti di dati IA in questo panorama. GEO Studio mostra ai team multi-sede come influenzare questi schemi a livello di singola sede e di brand, attraverso schede, contenuti e menzioni esterne, e consente di monitorare come ogni negozio, filiale o struttura appare nelle risposte generate dall’IA.

Conclusione principale da tutti i nostri dati: la Generative Engine Optimization (GEO) non consiste nel trovare connettori LLM diretti che acquisiscono i dati della tua azienda; si tratta di ripulire questi dati su scala affinché gli LLM possano correttamente collegare i punti attorno alle sedi della tua attività.