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.
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: non ogni risposta sbagliata merita 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: il 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.
Settimana 1–2 — traccia la fonte su cui il modello si basa
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 davvero 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 pannello della Knowledge 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.
La leva Wikipedia e Wikidata, usata in modo 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.
Il 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 non si risolverà — e cosa ti offre il monitoraggio nel frattempo
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.