Per anni la reputazione online è stata un problema di motori di ricerca: posizionarsi, accumulare menzioni, sorvegliare la prima pagina di Google. Quel livello esiste ancora. Quello che si è aggiunto sopra è un'altra cosa.
Quando qualcuno chiede a un modello se il tuo marchio è affidabile, non riceve dieci link. Riceve un paragrafo con conclusioni argomentate, con pregi e con difetti che tu non hai scritto. Per costruirlo, il sistema recupera e confronta media, siti ufficiali, profili di recensioni, directory, comparatori e forum.
01Le recensioni come livello di dati#
Un profilo di recensioni ha tre proprietà che lo rendono molto recuperabile: è pubblico, è strutturato e contiene opinioni di terzi. Tutte e tre insieme sono rare. Un sito di marca soddisfa la prima e mezza, e quasi mai la terza, perché nessuna azienda pubblica i propri difetti.
Questo conta per come vengono formulate le domande reali. In un audit classifichiamo l'intenzione di ogni prompt in quattro gruppi, e uno è quello scettico: domande che partono da un dubbio o da un'accusa. Lì il modello ha bisogno di materiale soggettivo per rispondere, e va a cercarlo dove si trova.
02Sei piattaforme, sei funzioni#
| Piattaforma | Quale funzione copre |
|---|---|
| Google Reviews | Visibilità diretta e segnale locale, legata alla scheda aziendale |
| Trustpilot | Reputazione pubblica d'impresa, con profilo, punteggio e risposte citabili |
| Bazaarvoice | Recensioni di prodotto con sindacazione verso i retailer |
| Trusted Shops | Fiducia transazionale nell'e-commerce europeo |
| Yotpo | Recensioni e contenuti degli utenti integrati nella scheda prodotto |
| Feefo | Recensioni verificate dall'acquisto, con focus sul servizio |
Fermarsi a una sola piattaforma lascia un vuoto. Se il modello ha bisogno di un segnale di prodotto e tu hai solo reputazione aziendale, completa la risposta con le recensioni di un concorrente o di un comparatore.
Dettaglio tecnico · perché un profilo di recensioni si recupera così bene
Tre motivi, tutti strutturali. Primo, il markup: i profili pubblicano punteggio, numero di opinioni e data come dati strutturati, quindi un sistema può estrarre la cifra senza interpretare il design. Secondo, la freschezza: c'è una data per recensione, e questo permette di pesare il recente senza indovinare. E terzo, il volume di testo in linguaggio naturale con il nome del marchio accanto ad attributi concreti, che è esattamente la forma di dato che un modello associa con facilità. Nessun trucco: è contenuto ben formato su di te che tu non controlli.
03Dall'istinto al dato#
La parte scomoda è che tutto questo non si gestisce a occhio. Sapere che le recensioni influenzano non dice quale influenza, in quali domande né in quale mercato.
Si misura. In GEORadar la tracciabilità delle fonti fa parte dello studio: quali domini compaiono citati, in quali prompt specifici, per quale persona e con quale sentiment, sulle sette superfici e con 6.000-30.000 prompt. Con questo si può rispondere alla domanda che decide davvero il budget: se raccolgo recensioni su questa piattaforma, in quali risposte cambierà qualcosa?
Il lavoro successivo si divide come sempre. La coerenza tra quello che dici sul tuo sito e quello che dicono di te fuori è allineamento semantico, cioè S.A.M., nello stack di prodotto. L'accesso tecnico alle tue pagine, perché il modello possa confrontare la tua versione, è GEOdoctor, nello stesso posto.
Resta una sfumatura che vale la pena dire ad alta voce: comparire di più non significa essere raccomandati meglio. Un marchio può alzare la propria quota di menzioni e peggiorare la propria posizione nella raccomandazione se l'attributo con cui compare è quello sbagliato. Per questo misuriamo anche sentiment e attributi, non solo frequenza.
Una versione precedente di questo testo è stata pubblicata su zoopa.es.
- Trustpilot. Documentazione di TrustScore e inviti verificati. https://support.trustpilot.com/
- Google. Linee guida su recensioni e profili aziendali. https://support.google.com/business/
- Semrush AI. Analisi delle fonti citate da ChatGPT, 2025. https://www.semrush.com/blog/
- Aggarwal, P. et al. GEO: Generative Engine Optimization. KDD 2024, arXiv 2311.09735. https://arxiv.org/abs/2311.09735
Dirige 498A, il laboratorio di IA applicata del gruppo Zoopa, e GEORadar. Docente ospite all'UAB, dove segue tesi di master in IA con l'IIIA-CSIC.