Non serve una laurea in informatica per fare marketing nell'era dell'intelligenza artificiale. Ma ignorare completamente il funzionamento dei modelli linguistici equivale a fare SEO senza sapere cos'è un crawler. I Large Language Model — ChatGPT, Gemini, Claude, Perplexity — sono diventati intermediari tra i brand e i consumatori. Capire come ragionano, come selezionano le informazioni e come decidono quali brand citare non è un esercizio accademico: è un vantaggio competitivo concreto.
Questo articolo spiega, in termini accessibili, i meccanismi fondamentali che ogni marketer dovrebbe conoscere. Non troverete formule matematiche, ma troverete le implicazioni pratiche che questi meccanismi hanno sulla Generative Engine Optimization e sulla visibilità del vostro brand.
Il concetto base: predizione del token successivo
Un LLM è un sistema software addestrato a prevedere la parola successiva in una sequenza. Sembra banale, ma da questa capacità emergono comportamenti sorprendentemente sofisticati: rispondere a domande complesse, sintetizzare documenti, confrontare prodotti e — il punto che interessa a noi — raccomandare brand e servizi.
Il modello non "capisce" il linguaggio nel modo in cui lo capiamo noi. Lavora con pattern statistici appresi da enormi quantità di testo. Quando un utente chiede "qual è il miglior CRM per piccole imprese?", il modello non consulta un database. Ricostruisce una risposta basandosi su associazioni apprese durante l'addestramento: quali CRM vengono menzionati più spesso in contesti positivi, quali fonti autorevoli li raccomandano, quali pattern di risposta ha interiorizzato per domande simili.
La tokenizzazione: come il modello legge il testo
Prima di elaborare qualsiasi contenuto, il modello lo scompone in token — unità di testo che possono essere parole intere, parti di parole o singoli caratteri. La parola "marketing" è tipicamente un singolo token. "Generative Engine Optimization" potrebbe essere tre o quattro token. Un nome di brand poco comune potrebbe venire spezzato in frammenti che il modello non riconosce immediatamente come un'entità unica.
L'implicazione pratica è diretta: i brand con nomi semplici, diffusi e frequentemente citati nel corpus di addestramento vengono tokenizzati come unità coerenti. Il modello li riconosce al volo. Brand con nomi inventati, composti o poco diffusi possono essere frammentati a livello di token, rendendo più difficile per il modello costruire associazioni forti. Se il vostro brand ha un nome complesso, la necessità di costruire una presenza digitale massiccia e coerente diventa ancora più urgente.
Implicazione per il marketing: il modello deve incontrare il vostro brand centinaia di volte in contesti significativi per costruire un'associazione stabile a livello di token. Nomi complessi richiedono più esposizione. Nomi diffusi godono di un vantaggio strutturale nella tokenizzazione.
Le tre fasi dell'addestramento: come nasce la conoscenza di un LLM
La conoscenza di un modello linguistico viene costruita attraverso tre fasi distinte. Ciascuna ha implicazioni diverse per la vostra strategia di visibilità.
Fase 1: Pre-training — la formazione della memoria
Durante il pre-training, il modello elabora una quantità colossale di testo — nell'ordine di trilioni di token. Pagine web, libri, articoli scientifici, forum, documentazione tecnica, conversazioni pubbliche. Da questa immersione costruisce una rete di associazioni: quali concetti sono correlati, quali brand sono rilevanti per determinati argomenti, quali fonti sono considerate autorevoli.
Il pre-training è come la formazione culturale di una persona. Se sei cresciuto leggendo che Salesforce è sinonimo di CRM enterprise, quella associazione è radicata nel tuo modo di pensare. Per un LLM funziona allo stesso modo: le associazioni apprese durante il pre-training sono profonde e persistenti. Cambiarle richiede segnali forti e ripetuti nei cicli di addestramento successivi.
Non tutti i dati pesano allo stesso modo. I dataset sono curati: alcune fonti vengono sovra-rappresentate (Wikipedia, paper accademici, testate autorevoli), altre sotto-rappresentate o filtrate. Essere presenti su fonti considerate autorevoli dai curatori dei dataset ha un impatto sproporzionato sulla conoscenza del modello. Un articolo su una testata di settore riconosciuta può pesare più di cento pagine del vostro blog aziendale.
Fase 2: Fine-tuning — la specializzazione
Dopo il pre-training generico, il modello viene affinato su dataset più specifici e curati. Il fine-tuning insegna al modello a seguire istruzioni, a rispondere in modo utile e a formattare le risposte in modo appropriato. In questa fase, impara anche a citare fonti, a distinguere opinioni da fatti e a gestire domande ambigue.
Il fine-tuning utilizza dataset molto più piccoli ma di qualità superiore, spesso curati manualmente. Un singolo documento di alta qualità incluso nel dataset di fine-tuning può avere un impatto sproporzionato rispetto a migliaia di pagine generiche nel pre-training. I white paper, le guide definitive e i contenuti tecnici approfonditi hanno maggiori probabilità di essere selezionati per il fine-tuning proprio per la loro densità informativa.
Fase 3: RLHF — l'allineamento alle preferenze umane
Il Reinforcement Learning from Human Feedback è la fase in cui il modello impara a produrre risposte che gli esseri umani considerano utili, accurate e sicure. Valutatori umani classificano diverse risposte alla stessa domanda, e il modello aggiorna i propri parametri per produrre output più simili a quelli preferiti.
L'RLHF ha un effetto sottile ma rilevante sulla visibilità dei brand. Se i valutatori preferiscono sistematicamente risposte che citano brand noti e autorevoli rispetto a risposte generiche, il modello interiorizza che citare brand specifici è una risposta "migliore". Si crea un circolo in cui i brand già noti vengono citati più spesso — rendendo ancora più difficile per i brand emergenti ottenere visibilità, a meno che non adottino una strategia attiva di costruzione dell'autorevolezza per l'AI.
Il meccanismo di attenzione: come il modello decide cosa conta
Al cuore di ogni LLM moderno c'è un meccanismo chiamato attenzione (attention). In termini semplici: quando il modello elabora una domanda, assegna un peso di importanza a ogni parola del contesto. Le parole più rilevanti ricevono più attenzione e influenzano maggiormente la risposta generata.
Quando un utente chiede "qual è il miglior software di email marketing per startup?", il meccanismo di attenzione assegna peso elevato a "email marketing" e "startup", peso medio a "miglior" e "software", peso basso a parole funzionali come "qual", "è", "il". La risposta viene costruita dando priorità alle associazioni legate ai concetti ad alta attenzione.
Per il marketing, la conseguenza è precisa: i vostri contenuti devono creare associazioni esplicite tra il nome del brand e le keyword che definiscono il vostro mercato. Non basta menzionare il brand in un articolo generico. Serve che il brand compaia in prossimità semantica delle keyword rilevanti, in contesti che il modello possa riconoscere come autorevoli e coerenti.
Retrieval-Augmented Generation: quando il modello cerca in tempo reale
La conoscenza appresa durante il training ha un limite strutturale: è ferma alla data di chiusura del dataset. Un modello addestrato a gennaio 2026 non conosce nulla di quello che è successo dopo. Per superare questa limitazione, le piattaforme AI hanno adottato la Retrieval-Augmented Generation (RAG) — un sistema che combina la conoscenza pre-addestrata con informazioni recuperate in tempo reale dal web.
Il processo funziona così: quando un utente pone una domanda, il sistema RAG effettua una ricerca web, seleziona i risultati più pertinenti, li inserisce nel contesto del modello e genera una risposta che integra conoscenza pre-addestrata e informazioni fresche. ChatGPT con browsing attivo, Perplexity, le AI Overviews di Google — tutti funzionano con varianti di questo approccio.
Come il sistema RAG seleziona le fonti
Il processo di selezione segue tipicamente quattro passaggi:
- Query expansion: la domanda dell'utente viene riformulata in una o più query ottimizzate per il motore di ricerca sottostante (Bing per ChatGPT, Google per Gemini, un mix proprietario per Perplexity).
- Retrieval: il motore di ricerca restituisce una serie di documenti candidati, tipicamente tra 5 e 20.
- Ranking e filtraggio: i documenti vengono classificati per rilevanza, autorevolezza e freschezza. Alcuni vengono scartati perché ridondanti o di bassa qualità.
- Sintesi: il modello linguistico elabora i documenti selezionati insieme alla propria conoscenza pre-addestrata e genera una risposta unificata, potenzialmente con citazioni esplicite.
Il RAG cambia radicalmente la strategia di ottimizzazione dei contenuti per l'AI. Se il training è una maratona — costruire una presenza nel tempo sperando che venga assorbita nel prossimo ciclo di addestramento — il RAG è uno sprint: ogni contenuto pubblicato oggi può essere selezionato domani come fonte per una risposta AI.
Vuoi sapere se il tuo brand viene selezionato dai sistemi RAG? VISIAI testa automaticamente la tua visibilità su ChatGPT, Gemini, Perplexity, Claude e altre piattaforme AI, analizzando le risposte basate sia su training che su retrieval in tempo reale. Richiedi l'analisi gratuita.
Quali contenuti vengono selezionati più spesso
I contenuti che i sistemi RAG preferiscono condividono caratteristiche precise:
- Rispondono in modo diretto e completo a domande specifiche
- Contengono dati verificabili, statistiche aggiornate e riferimenti concreti
- Sono pubblicati su domini con alta autorevolezza e profilo backlink solido
- Hanno una struttura chiara con heading descrittivi che facilitano l'estrazione di informazioni
- Sono stati aggiornati di recente — la freschezza è un fattore di ranking fondamentale nel RAG
Come i modelli decidono quali brand citare
Arriviamo al punto centrale per ogni marketer. Quando un utente chiede un consiglio, un confronto o una raccomandazione, il modello deve decidere quali brand menzionare. La decisione è il risultato di molteplici fattori che agiscono contemporaneamente.
Frequenza e prominenza nel training data
I brand che compaiono più spesso e in contesti più prominenti nel corpus di addestramento hanno una probabilità intrinsecamente più alta di essere citati. Non si tratta solo di volume: conta la prominenza. Un brand citato come esempio positivo in un articolo di Harvard Business Review pesa più di cento menzioni in blog minori. E un brand presente su Wikipedia con una voce ben strutturata ha un vantaggio enorme su chi non ce l'ha.
Associazione semantica con la query
Il modello privilegia i brand che ha appreso essere strettamente associati al contesto della domanda. Se avete costruito una forte associazione tra il vostro brand e un settore specifico, il modello vi citerà naturalmente quando quell'argomento emerge. I brand che cercano di essere tutto per tutti rischiano di non essere associati a nulla di specifico — e quindi di non emergere mai nelle risposte.
Consistenza cross-source
Se il vostro brand viene descritto in modo coerente su molteplici fonti — sito web, Wikipedia, articoli di settore, recensioni, forum — il modello sviluppa un'associazione più stabile. Messaggi contraddittori su fonti diverse confondono il modello e riducono la probabilità di citazione. La coerenza narrativa attraverso tutte le piattaforme è un asset strategico.
Sentiment e qualità delle menzioni
I modelli non contano semplicemente le menzioni. Attraverso l'RLHF e il fine-tuning, hanno imparato a valutare il sentiment. Un brand con molte menzioni ma prevalentemente negative potrebbe essere citato in contesti sfavorevoli — o non essere citato affatto, perché il modello ha appreso che menzionarlo genera risposte poco utili per l'utente.
I tre errori più comuni dei marketer con gli LLM
Errore 1: Trattare gli LLM come motori di ricerca
Non esiste una SERP da scalare. Non ci sono keyword da inserire nel tag title per salire di posizione. Un LLM genera una risposta fluida, non una classifica di link. L'approccio mentale deve cambiare: non state ottimizzando per un ranking, state costruendo la base informativa da cui il modello attinge per formulare risposte.
Errore 2: Concentrarsi solo sul proprio sito web
Il vostro sito è solo una delle migliaia di fonti che il modello ha elaborato. Se il vostro brand è menzionato solo sul vostro dominio, per il modello siete una voce isolata. Se siete citati su Wikipedia, discussi su Reddit, recensiti su piattaforme verticali e menzionati in articoli di settore, il modello vi percepisce come un'entità rilevante e degna di citazione. La distribuzione della presenza conta almeno quanto il volume.
Errore 3: Ignorare il monitoraggio delle risposte AI
Se non interrogate regolarmente le piattaforme AI con le query del vostro mercato, non sapete come il modello vi percepisce. Potreste essere citati in modo errato, associati a competitor, o completamente assenti. Il monitoraggio sistematico è il primo passo per qualsiasi strategia GEO efficace — e anche il modo più rapido per identificare le allucinazioni che riguardano il vostro brand.
Da dove partire: il framework operativo
Capire come funzionano gli LLM è il fondamento. Ma la conoscenza senza azione è sterile. Ecco il framework in tre step per tradurre questa comprensione in risultati concreti:
- Audit della percezione AI: interrogate ChatGPT, Gemini, Perplexity e Claude con 50 query rappresentative del vostro mercato. Documentate ogni risposta, ogni citazione, ogni competitor menzionato al posto vostro.
- Gap analysis: confrontate la vostra presenza nelle risposte AI con quella dei competitor. Identificate dove siete assenti, dove siete citati negativamente, dove avete opportunità non sfruttate.
- Piano su due orizzonti: contenuti ottimizzati per il RAG nel breve periodo (risultati in settimane), costruzione della footprint digitale per il training nel medio-lungo periodo (risultati in 6-12 mesi).
I modelli linguistici non sono scatole nere impenetrabili. Sono sistemi con logiche comprensibili e influenzabili. I marketer che li comprendono hanno un vantaggio strutturale su chi li ignora.
La Generative Engine Optimization parte da qui: dalla comprensione della macchina che sta ridefinendo il modo in cui i consumatori scoprono, valutano e scelgono i brand. Il passo successivo è trasformare questa comprensione in azione. E il primo passo concreto è sapere dove vi trovate oggi.