Un potenziale cliente ti dice, a metà di una chiamata, che ChatGPT gli ha comunicato che la tua azienda ha chiuso. O che è stata acquisita da un concorrente. O che il tuo prodotto di punta è stato dismesso nel 2023. Niente di tutto ciò è vero — e non hai idea di quanti altri acquirenti abbiano ricevuto la stessa risposta senza mai chiamarti.
Questo è un problema di fatturato, non una curiosità. Circa la metà degli acquirenti B2B di software ora inizia le proprie ricerche nei chatbot AI, e il 71% vi fa affidamento in qualche fase del processo di acquisto (G2 via PRNewswire). Una risposta falsa in quella fase equivale a un affare perso che non vedrai mai.
La maggior parte dei consigli su questo problema si conclude con "acquista il nostro dashboard di monitoraggio." Il monitoraggio misura il danno; non lo ripara. Questo è il manuale di riparazione: documenta l'errore, traccia da dove il modello lo ha preso, poi applica una correzione a cinque livelli — il Correction Stack — nell'ordine che sposta davvero le risposte. Sei settimane coprono un ciclo completo: correzione, propagazione, ri-test. La versione chiavi in mano è nel nostro servizio di visibilità AI; tutto ciò che segue puoi eseguirlo autonomamente.
Punti chiave
- L'AI sbaglia sulle aziende per tre motivi: una fotografia di addestramento obsoleta, fonti di recupero errate o confusione di entità con un'azienda dal nome simile. Ognuno richiede una correzione diversa.
- Valuta prima di agire. Deriva innocua, danno commerciale, diffamazione — solo gli ultimi due giustificano un progetto di sei settimane.
- Prima le prove: un registro di 10 prompt su cinque piattaforme, con screenshot e date, è il fondamento per ogni passo successivo, comprese le escalation.
- Lavora il Correction Stack nell'ordine: le tue pagine → dati di entità strutturati → richieste di modifica su Wikipedia → fonti di terze parti → pulsanti di feedback della piattaforma. La maggior parte dei team inizia dal pulsante di feedback e fallisce.
- Le correzioni a livello di fonte raggiungono tipicamente le risposte AI in circa quattro-otto settimane (Sight AI), quindi ri-testa ogni due settimane e valuta i risultati alla settimana sei.
Risposta breve: Quando ChatGPT sbaglia sulla tua azienda, la soluzione sta alla fonte, non in un pulsante di feedback. Documenta l'errore con un registro di prove di dieci prompt, individua la fonte su cui si appoggia il modello, poi percorri in ordine il Correction Stack: le tue pagine, i dati strutturati dell'entità, le richieste di modifica su Wikipedia, le fonti di terze parti e, per ultimo, il feedback alla piattaforma. Le correzioni alla fonte di solito raggiungono le risposte dell'AI in quattro-otto settimane, quindi ripeti il test ogni due settimane.
Perché l'AI sbaglia sulla tua azienda
Tre meccanismi producono risposte false sulle aziende, e la correzione è diversa per ciascuno.
La fotografia di addestramento. La conoscenza integrata di un modello è congelata al suo cutoff di addestramento. Se hai rinominato l'azienda, cambiato sede, cambiato CEO o semplicemente sopravvissuto a un anno difficile dopo quella fotografia, il modello ricorda la tua versione precedente. Le risposte fornite senza accesso al web provengono da questa memoria, e nessun ticket di supporto la modifica.
Il recupero diventato obsoleto. Quando un assistente effettua ricerche sul web live — ChatGPT con ricerca, Perplexity, Gemini e Google AI Overviews (panoramica AI di Google), Copilot — riassume ciò che recupera. Se i documenti più facilmente recuperabili su di te sono un profilo Crunchbase abbandonato, un articolo del 2021 e un elenco di directory con un indirizzo precedente, la risposta è fedele a fonti sbagliate.
Confusione di entità. I modelli fondono aziende dal nome simile in un'unica biografia. Una buona parte dei casi "l'AI dice che la mia azienda ha chiuso" risale a un omonimo che ha davvero chiuso, è stato acquisito o è stato citato in giudizio. Tu ne erediti la storia.
Il meccanismo che stai affrontando determina tutto il resto — la meccanica approfondita si trova in come l'AI decide quali brand citare.
Valutazione: quali risposte sbagliate richiedono un progetto
Prima di impegnarti per sei settimane, classifica l'errore.
| Livello | Si presenta come | Risposta |
|---|---|---|
| Deriva innocua | Numero di dipendenti leggermente datato, prodotto più recente mancante, tagline vaga | Registralo. Correggilo ai livelli 0–1 incidentalmente. Nessun progetto. |
| Danno commerciale | "L'azienda ha chiuso" o "è stata acquisita", prezzi errati, assente dalle risposte di categoria, confusa con un concorrente | Esegui questo manuale ora. |
| Livello diffamazione | Cause legali inventate, accuse di frode, sanzioni, incidenti di sicurezza fabbricati | Esegui il manuale e consulta un avvocato in parallelo. Conserva tutto. |
Sii onesto in questo punto. La maggior parte degli errori è deriva, e la deriva non giustifica lo sforzo sottostante. Il livello intermedio pericoloso è il danno commerciale: affermazioni abbastanza false da cambiare una decisione di acquisto ma non abbastanza false per un'aula di tribunale.
Settimana 1: riproduci e documenta, registro prove di 10 prompt
Le risposte AI non sono riproducibili di default; la stessa domanda produce risposte diverse tra sessioni. Quindi prima di correggere qualsiasi cosa, congela le prove.
Costruisci dieci prompt:
- 4 fondamentali sul brand — "Cos'è [azienda]?", "È ancora attiva [azienda]?", "Chi possiede [azienda]?", "Dove ha sede [azienda]?"
- 3 prompt di acquisto — "[azienda] prezzi", "[azienda] vs [concorrente]", "migliori fornitori di [categoria]"
- 3 prompt avversi — "[azienda] problemi", "[azienda] causa legale", "[azienda] è legittima?"
Esegui tutti e dieci su ogni piattaforma rilevante per i tuoi acquirenti — ChatGPT, Gemini, Perplexity, Copilot, Grok — in sessioni pulite o disconnesse, con la ricerca web attivata e disattivata dove possibile. Per ogni risposta, registra: data, piattaforma e versione del modello, se la navigazione era attiva, il testo completo della risposta, uno screenshot e l'affermazione falsa verbatim.
Questo passo è non negoziabile per due motivi. Primo, ogni canale di escalation che potresti usare in seguito — una talk page di Wikipedia, un modulo sulla privacy del fornitore, un avvocato — ti chiederà esattamente cosa è stato detto, dove e quando. Secondo, questo set di prompt congelati diventa la tua baseline di ri-test. Senza di esso non puoi distinguere una vera correzione da un campionamento fortunato.
Settimane 1–2: traccia la fonte del modello
Gli assistenti moderni mostrano sempre più il loro lavoro. Usalo.
- Se la risposta porta citazioni — ChatGPT in modalità ricerca, Perplexity, Copilot, AI Overviews — apri ogni link citato. Uno di essi di solito contiene la tua affermazione falsa o qualcosa di simile. Quella pagina, non il chatbot, è il tuo obiettivo di correzione.
- Un prompt di follow-up utile: "Quali fonti dicono [affermazione falsa] su [azienda]?" Tratta la risposta come piste, non verità — apri e verifica ciascuna.
- Se non c'è alcuna citazione e la risposta è sbagliata anche con la navigazione disattivata, hai a che fare con la memoria dei dati di addestramento. Potrebbe non esserci nulla sul web live da correggere. La strategia è diversa: pubblica materiale denso, recuperabile e corretto affinché le risposte basate sulla ricerca sovrascrivano la memoria ora, e la prossima fotografia del modello impari i fatti corretti in seguito.
Concludi la traccia con un verdetto di una riga per ogni affermazione falsa: affermazione → meccanismo (memoria, recupero o confusione di entità) → URL della fonte se ne esiste una. Quella tabella guida la sezione successiva.
Il Correction Stack: cinque livelli nell'ordine di correzione
Il Correction Stack è ordinato per controllo: inizia dove hai pieno controllo e velocità nell'arco della stessa giornata, termina dove non hai né l'uno né l'altro. La maggior parte dei team lo inverte — martella il pulsante "segnala" e si ferma. Gli strumenti di segnalazione della piattaforma esistono, ma non sono affidabili come canale di correzione primario (Mention Network): una coda di feedback senza SLA, senza pagina di stato e senza obbligo di agire.
- Livello 0 — le tue pagine. Una pagina "chi siamo" che indica anno di fondazione, proprietà, stato e sedi in frasi semplici. Una pagina prezzi che mostra il prezzo reale. Una FAQ che risponde alle domande esatte che gli acquirenti fanno, più llms.txt per i crawler. Rendi il fatto vero la frase più facile da recuperare su internet. Costo: ore.
- Livello 1 — dati di entità strutturati. Affermazioni Wikidata con riferimenti, markup schema.org Organization (foundingDate, address, sameAs) e fatti coerenti su LinkedIn, Crunchbase e registri aziendali. Questo è il livello che sbroglia la confusione di entità — approfondito nella nostra guida a Wikidata e knowledge graph.
- Livello 2 — correzioni di accuratezza su Wikipedia (l'enciclopedia libera online). La fonte di peso più alto su cui la maggior parte dei modelli si basa, e la più facile da danneggiare modificandola direttamente. Solo richieste di modifica — sezione successiva.
- Livello 3 — fonti di autorità di terze parti. L'articolo obsoleto che ha seminato l'affermazione: richiedi un aggiornamento o una nota di correzione all'editore. Aggiorna i principali profili. Se la falsità proveniva dalla copertura di un omonimo, un pezzo di nuova copertura accurata offre al recupero qualcosa di migliore da citare.
- Livello 4 — feedback della piattaforma. Pollice giù, moduli di segnalazione, canali privacy e legali. Invia una volta, allega il tuo registro prove, non aspettarti nulla su una tempistica.
La versione permanente di questa architettura — pagine proprie, livello entità, Wikipedia, monitoraggio come infrastruttura stabile anziché operazione una tantum — è il AI Reputation Stack.
Leve per piattaforma: cosa può fare ogni canale di feedback
Non esiste un modulo per aggiornare le informazioni di ChatGPT sulla tua azienda. Ecco cosa esiste per piattaforma:
| Piattaforma | Meccanismo di feedback | Cosa può cambiare realisticamente | Latenza realistica |
|---|---|---|---|
| ChatGPT | Pollice giù / segnala un messaggio; portale privacy OpenAI per richieste di dati personali | Il feedback è un segnale di addestramento, non un ticket. Le richieste privacy riguardano individui, non brand. I fatti sul brand si muovono quando le fonti citate cambiano | Basato su fonte: settimane. Memoria incorporata: prossimo aggiornamento del modello. Solo feedback: nessun SLA |
| Gemini / AI Overviews | Link "feedback" per risposta; strumenti di rimozione legale di Google; suggerisci una modifica su un Knowledge Panel rivendicato | Le Panoramiche seguono l'indice di Google e il Knowledge Graph, quindi le correzioni a fonte e entità si propagano alla ricrawlizzazione | Giorni a settimane dopo la ricrawlizzazione |
| Perplexity | Feedback per risposta; email di supporto | Il più orientato al recupero dei cinque — le risposte seguono da vicino le pagine citate | Spesso giorni dopo che una pagina citata cambia |
| Copilot | Feedback per risposta; modulo di preoccupazione contenuti Microsoft | Basato sull'indice di Bing; aggiornare le fonti e richiedere la ricrawlizzazione tramite Bing Webmaster Tools sposta le risposte | Giorni a settimane |
| Grok | Feedback in-app sulla risposta | Si basa sull'attività X più il web; le correzioni viaggiano attraverso la presenza X visibile e le fonti web | Opaco; nessun processo pubblicato |
Queste latenze sono osservazioni operative, non impegni del fornitore — nessuna piattaforma pubblica un SLA di correzione. Pianifica le sei settimane attorno ai livelli 0–3; i pulsanti sono un biglietto della lotteria gratuito che compri una volta sola.
Wikipedia e Wikidata: l'approccio conforme
Se un articolo di Wikipedia ripete l'errore, correggerlo è la mossa a più alta leva nell'intero stack — e la più facile da sbagliare.
Cosa non faremo, e nemmeno dovresti: modificare il tuo articolo direttamente, da sconnesso o tramite un account non dichiarato. Le modifiche in WP:COI (conflitto di interessi, conflict of interest) vengono ripristinate, taggate e archiviate, e la pulizia diventa parte del tuo registro pubblico.
Il percorso conforme:
- Registra un account e dichiara la tua affiliazione sulla tua pagina utente. Se sei pagato per il lavoro, i termini di utilizzo di Wikipedia (WP:PAID — le norme sui contributi retribuiti) richiedono di dichiararlo.
- Pubblica una richiesta di modifica sulla talk page dell'articolo: cita la frase errata, indica il fatto corretto e allega una fonte affidabile indipendente — non il tuo sito web.
- Mantienila fattuale e minimale. Le correzioni non controverse — anno di fondazione, sede principale, stato operativo attuale, un cambio di leadership — vengono routinariamente accettate. Le richieste che migliorano gli aggettivi no.
- Per affermazioni false su persone in vita — un fondatore accusato di qualcosa che non è mai accaduto — le politiche biografiche di Wikipedia richiedono la rapida rimozione di affermazioni scarsamente documentate, il che fa muovere più velocemente le richieste ben documentate.
Wikidata è più amichevole: gli editor affiliati possono correggere le affermazioni direttamente, a condizione che ogni affermazione porti un riferimento e rimanga neutrale. Controlla la tua entità per una data di scioglimento erroneamente allegata — la causa classica di "l'AI dice che l'azienda ha chiuso" — record fusi o duplicati che ti confondono con un omonimo, e funzionari o siti web obsoleti. I modelli e il Knowledge Graph di Google leggono Wikidata come verità di fatto — la correzione silenziosa ad alta leva dell'intero stack.
Onestà sulla latenza: le richieste in talk page richiedono giorni o settimane a seconda del traffico della pagina; l'effetto sulle risposte AI segue la consueta finestra di propagazione dopo di ciò.
Cosa non fare
- Non spammare i pulsanti di feedback. Dieci pollici verso il basso dal tuo team è rumore per un filtro anti-abuso, non un segnale più forte. Segnala una risposta AI errata una volta, con prove, e vai avanti.
- Non pubblicare una smentita che ripete l'affermazione falsa. Un post intitolato "No, [Azienda] non ha chiuso" consegna ai sistemi di recupero la stringa esatta che vuoi disimparare. Dichiara il fatto vero in titoli e dati strutturati; smentisci direttamente solo quando una falsità si sta già diffondendo da sola.
- Non ricorrere prima agli avvocati per errori ordinari. Una diffida riguardo a un anno di fondazione errato non ha leva da esercitare — non c'è alcun editor da costringere e nessun documento singolo da ritrattare. La revisione legale è giusta quando l'output è di livello diffamazione: crimini fabbricati, frode o violazioni normative, specialmente se ricorrenti su più piattaforme. Allora il tuo registro prove diventa il fascicolo delle prove, e il legale può lavorare i canali legali dei fornitori e la pubblicazione fonte che porta l'affermazione.
- Non dichiararti vittorioso dopo una sola risposta pulita. La varianza di campionamento produce risposte corrette per caso. Il protocollo di ri-test esiste per questo.
Protocollo di ri-test: settimane 2, 4 e 6
Riesegui gli stessi dieci prompt, sulle stesse piattaforme, in sessioni pulite, ogni due settimane — tre esecuzioni nell'arco di sei settimane. Classifica ogni affermazione falsa per esecuzione:
- Corretto — corretto in due esecuzioni consecutive, con navigazione sia attiva che disattiva.
- Parziale — corretto quando il modello cerca sul web, ancora sbagliato dalla memoria.
- Instabile — alterna tra giusto e sbagliato tra le esecuzioni.
Calibra le aspettative rispetto ai dati di propagazione: le correzioni a livello di fonte impiegano tipicamente circa quattro-otto settimane per emergere nelle risposte AI (Sight AI). Una settimana 2 tranquilla è normale. Un parziale alla settimana 4 di solito significa che le tue fonti più forti si sono aggiornate ma il livello entità non è ancora d'accordo — ricontrolla il livello 1. Ancora instabile alla settimana 6 significa che la traccia ha mancato una fonte: torna al passo delle citazioni con risposte aggiornate.
Dopo la settimana sei, passa a una cadenza mensile con gli stessi prompt congelati. Quando il logging manuale smette di scalare, o il consiglio di amministrazione vuole un numero unico, è il momento degli strumenti — vedi la nostra recensione degli strumenti di monitoraggio del brand AI.
Quando la correzione non funziona: cosa offre il monitoraggio
Onestà sui limiti:
- Allucinazioni senza fonte. Alcune risposte errate non citano nulla e non corrispondono ad alcun documento sul web live — un'allucinazione sulla tua azienda che il modello ha assemblato da solo. Non c'è nulla da correggere, perché non è stato scritto nulla. L'unica mitigazione è la densità: abbastanza verità coerente, strutturata e recuperabile affinché le risposte basate sulla ricerca superino la memoria, fino a quando una fotografia di modello più recente non impara i fatti corretti.
- Ritardo di versione del modello. La tua correzione può atterrare nella modalità corrente basata sulla ricerca mentre le modalità più vecchie o offline rimangono sbagliate fino a quando il fornitore non pubblica un aggiornamento. Nessuna quantità di lavoro sulle fonti accorcia un ciclo di rilascio.
- Omonimi pesanti. Se condividi un nome con un'entità molto più grande o più coperta, la confusione può riemergere con ogni nuovo modello, anche dopo una correzione pulita. I dati di entità distinti riducono la frequenza; nulla la elimina.
In quei casi, il monitoraggio non è un premio di consolazione. Cattura le regressioni presto, costruisce un registro datato che mostra che la falsità persiste dalla parte del fornitore — il che conta se le cose diventano mai legali — e dimostra alla leadership che la parte correggibile è stata corretta.
Se preferisci iniziare con la baseline già pronta per te — cosa dicono oggi ChatGPT, Gemini, Perplexity, Copilot e Grok sulla tua azienda, su quali fonti si basano e quale livello dello stack necessita di lavoro per primo — quell'audit è come inizia il nostro servizio di Visibilità AI. Non promettiamo di cambiare l'opinione di un modello su una tempistica. Correggiamo le fonti che legge, poi misuriamo se ha ascoltato.