MEIKAIPerché la modellazione dei prompt è alla base della visibilità AI
La maggior parte dei brand misura la visibilità AI al contrario. Parte dalla risposta, misura il risultato e vi costruisce sopra il reporting. Nel search questo approccio funzionava. Con l’AI non funziona, perché insieme all’interfaccia è cambiata anche la forma della domanda.
Oggi la stessa intenzione si esprime attraverso decine di prompt diversi per formulazione, contesto e vincoli. Se il set di prompt è troppo ristretto, il reporting può essere preciso e descrivere comunque il campione sbagliato. Un brand può sembrare visibile per una manciata di domande generiche e scomparire non appena i clienti aggiungono un caso d’uso, un vincolo, un mercato o un contesto d’acquisto.
Prima di acquistare qualsiasi dashboard, bisogna quindi stabilire se si stanno misurando le domande giuste. La modellazione dei prompt trasforma la domanda conversazionale in un set di misurazione stabile e rappresentativo.
La stessa intenzione raramente usa le stesse parole
Due persone possono cercare lo stesso risultato senza formulare la stessa domanda. Una potrebbe chiedere “Qual è il miglior CRM enterprise?”, mentre un’altra potrebbe scrivere “Aiutami a trovare un software per organizzare il mio team commerciale globale e non perdere più lead.”
I due prompt condividono un’intenzione commerciale, ma esprimono esigenze informative diverse. Il secondo aggiunge la dimensione aziendale, un contesto operativo e un problema da risolvere. Un sistema AI potrebbe citare fonti diverse, applicare altri criteri di confronto e consigliare un insieme differente di brand.
Gli elenchi di keyword tradizionali eliminano queste sfumature. Un modello di prompt ne conserva abbastanza da misurare dove compare un brand, come viene rappresentato e quali fonti supportano la risposta.
La modellazione dei prompt è un problema di campionamento
L’obiettivo non è generare ogni possibile formulazione: si otterrebbe un corpus ampio e ripetitivo, senza alcuna garanzia di copertura rappresentativa. Occorre invece campionare le dimensioni che possono modificare in modo sostanziale una risposta.
| Dimensione | Cosa rileva |
|---|---|
| Esigenza dell’utente | Il risultato, il compito o il problema alla base della domanda |
| Persona | Chi pone la domanda e quali vincoli porta con sé |
| Fase del percorso | Esplorazione, confronto, validazione o propensione all’acquisto |
| Contesto | Settore, dimensione aziendale, requisito di prodotto o situazione |
| Mercato e lingua | Disponibilità regionale, terminologia e competitor locali |
| Forma del prompt | Domanda, raccomandazione, confronto o richiesta di assistenza |
Un modello solido bilancia queste dimensioni senza moltiplicare ogni possibile combinazione. Registra inoltre il motivo per cui ciascun prompt è stato incluso, così aggiunte e rimozioni possono essere esaminate anziché nascoste in un totale che cambia nel tempo.
L’interazione avviene, il clic spesso no
Questo fenomeno emerge nei log del server prima che negli analytics. Per un cliente enterprise francese, in un solo mercato e in una singola giornata di aprile 2026, abbiamo rilevato 535 fetch verificati avviati da utenti ChatGPT, a fronte di 6 visite referral provenienti da ChatGPT. Nello stesso giorno, Google Search ha generato 1.859 visite verso lo stesso sito.
| Fonte | Segnale | Volume |
|---|---|---|
| ChatGPT | Fetch utente verificati | 535 |
| ChatGPT | Visite referral | 6 |
| Google Search | Visite referral | 1.859 |
Se si considera soltanto il traffico referral, ChatGPT ha generato circa un trecentesimo delle visite prodotte da Google, portando a concludere che non valga ancora la pena misurare l’AI. Guardando i fetch, invece, nella stessa giornata il contenuto è stato recuperato circa novanta volte per ogni visita generata. Un fetch utente viene attivato dalla domanda di una persona: non si tratta quindi di crawler che costruiscono un indice, ma di recuperi che alimentano una risposta. Ed è proprio nella risposta che oggi si prende la decisione.
Un singolo cliente osservato per un giorno offre un’istantanea, non un benchmark, e il rapporto cambia in base a settore, mercato e tipologia di contenuto. Dimostra però che traffico referral e interazione con l’AI misurano fenomeni diversi e che un team concentrato soltanto sul primo concluderà erroneamente che non sta accadendo nulla.
Il reporting a livello di prompt deve quindi venire prima di tutto: il brand è comparso, come è stato presentato, quali competitor erano presenti e quali fonti sono state citate. Clic e conversioni si collegano a questi dati come risultati a valle, dove esiste un’attribuzione. Questa distinzione evita sia di interpretare “nessun clic” come “nessuna influenza”, sia di commettere l’errore opposto e attribuire valore a ogni menzione.
Il set di prompt deve essere stabile, non immutabile
La misurazione nel tempo richiede continuità, ma il linguaggio dei clienti e le categorie di prodotto evolvono. Un modello efficace separa un nucleo stabile da un livello esplorativo.
- I prompt principali rimangono invariati abbastanza a lungo da consentire l’analisi dei trend.
- I prompt esplorativi verificano esigenze emergenti, nuove terminologie e lacune riscontrate nelle risposte reali.
- La cronologia delle versioni registra cosa è cambiato, quando e perché.
- Le etichette delle coorti impediscono ai report di confrontare popolazioni di prompt diverse come se fossero identiche.
Quando un prompt esplorativo si dimostra rilevante, può entrare nella versione successiva del modello principale. La versione precedente rimane disponibile per i confronti storici.
Come costruire un modello di prompt operativo
- Raccogli i segnali della domanda. Utilizza query di ricerca, ricerca interna al sito, studi sui clienti, domande al supporto, conversazioni commerciali e interazioni AI osservate.
- Struttura lo spazio. Raggruppa i segnali per esigenza, persona, tema, fase del percorso, mercato e lingua.
- Seleziona un campione rappresentativo. Elimina i quasi duplicati, conserva le variazioni significative e documenta le lacune di copertura.
- Esegui lo stesso modello su tutte le piattaforme. Mantieni costante l’intenzione dell’utente affinché le differenze tra piattaforme rimangano interpretabili.
- Gestisci le versioni in modo intenzionale. Mantieni un nucleo stabile, testa un livello esplorativo e registra ogni modifica apportata al riferimento.
In Meikai, Prompt Studio combina prompt reali dei consumatori, segnali provenienti dalla ricerca e dal sito e dati diretti sulle interazioni AI, per poi organizzarli per persona, temi e cluster di prompt. Prevede una fase di revisione prima dell’importazione e considera il riferimento una risorsa da perfezionare ed estendere nel tempo. Gli agenti di ottimizzazione lo utilizzano per individuare segmenti di domanda non coperti, segnalare dove il brand è assente e definire le priorità d’intervento.
Cosa cambia con un modello di prompt
Quando il riferimento dei prompt è rappresentativo, i gap di visibilità diventano più facili da interpretare. I team possono distinguere un problema generale di notorietà da un caso d’uso mancante, una debolezza regionale, un’associazione di prodotto errata o una carenza di autorevolezza delle fonti.
Cambia così il ruolo della dashboard, che diventa il livello di reporting di un modello di domanda documentato anziché una raccolta di risposte testate casualmente.
Nell’AI, la visibilità è un problema di rappresentazione prima ancora che di posizionamento. La modellazione dei prompt definisce le situazioni in cui misurare questa rappresentazione. I brand vincenti saranno quelli selezionati con coerenza all’interno della risposta, non quelli con il posizionamento più alto.
Nota metodologica
I dati sulle interazioni riguardano un cliente enterprise Meikai in Francia, un solo mercato e una singola giornata di aprile 2026. I fetch sono conteggiati tramite user agent verificati delle piattaforme e distinguono i recuperi avviati dagli utenti dall’attività dei crawler. Le visite referral provengono dagli analytics dello stesso cliente per quella giornata e quel mercato. Sono dati relativi a un solo account, non un benchmark di settore.