I dati che usavi per misurare l’AI sono spariti

La rimozione del campo result_source complica l’attribuzione delle citazioni AI e separa la visibilità dall’impatto reale

C’è un dato che ha smesso di esistere tra il 26 e il 31 luglio 2026. Non è un bug: è un cambiamento di trasparenza che separa chi misura la visibilità nell’AI da chi la subisce. Il campo result_source è sparito dal flusso di dati di ChatGPT durante la notte, su tutti gli account monitorati, come documentato nell’analisi dello stack di retrieval di ChatGPT. Per chi lo usava per distinguere una risposta costruita sull’indice da una lettura diretta di una pagina, la perdita è simile a un pixel di conversione disattivato: non si vede più il contributo reale, solo l’output finale.

La metrica ovvia ha smesso di misurare ciò che credi.

La rottura è datata tra il 26 e il 31 luglio 2026, prima del refresh del modello di OpenAI del 6 agosto, secondo la cronologia documentata dello stack di retrieval. Non è l’unico dato dato per scontato a sparire: Google non ha annunciato ulteriori report sulla lingua per mostrare agli inserzionisti quali lingue sono state servite o come le prestazioni differivano per lingua, mentre la rimozione del targeting linguistico dalle campagne Search avanza nei resoconti ufficiali.

A sforzo alto, l’uso di site: è salito dal 40,8% di fine luglio al 58,1% di metà agosto, come rileva l’analisi degli operatori di retrieval. E l’API non riproduce il prodotto: la similarità di Jaccard tra varianti API è 0,32–0,39, tra regimi ChatGPT è 0,25–0,37, e tra prodotto e API è 0,23–0,27, secondo le metriche di similarità del retrieval. In pratica, misurare l’AI tramite l’API è come misurare un negozio fisico con i dati dell’e-commerce: alcuni segnali coincidono, altri divergono senza avvisare.

Il local marketing non è morto: è diventato un problema di coerenza

L’AI si basa su prove, non su assunzioni, rendendo essenziale una forte autorità dell’entità e l’eliminazione di ogni ambiguità per la visibilità, come argomenta l’evoluzione Local 5.0. La maggior parte delle imprese soffre di dati disconnessi: informazioni sui clienti, listing, sistemi di prenotazione, CRM, recensioni, sistemi operativi e contenuti locali spesso esistono in silos, creando segnali contrastanti che riducono la fiducia dell’AI, secondo l’analisi dei silos locali.

Una base di dati di localizzazione affidabile e pronta per l’AI è ora un vantaggio competitivo, come indicato dalla nuova evoluzione del local SEO. Le pagine di localizzazione generiche non sono più sufficienti; è necessario un contesto ricco e specifico per la località, continuamente aggiornato, accurato e affidabile, come rilevato da la prossima evoluzione del local marketing.

La verifica non è scomparsa, ma si è spostata dal cliente alla macchina, e la macchina verifica solo ciò che può trovare.

Il principio è documentato dallo spostamento della verifica locale. I siti web di prima parte sono la fonte primaria per informazioni fattuali come orari, servizi, politiche e disponibilità, secondo il ruolo dei siti di prima parte. Per massimizzare la visibilità, i brand devono costruire autorità sia su fonti di prima parte che di terze parti, come ribadito dall’autorità distribuita tra canali proprietari e terzi.

Quello che non sappiamo ancora sull’attribuzione delle citazioni AI

Il rischio più concreto per chi deve giustificare la spesa è confondere la correlazione con l’incrementalità: la frequenza con cui un brand viene citato non equivale all’effetto incrementale di quella citazione. Nei test geo o negli holdout, una campagna che aumenta le menzioni in ChatGPT può non spostare nessuna conversione misurabile se il pubblico aveva già una preferenza formata. La sparizione del campo result_source rende più difficile separare il contributo dell’indice da quello della pagina letta davvero, e quindi attribuire valore oltre il last-click. Non è un problema di ranking, è un problema di attribuzione: la metrica “citato” non equivale a “scelto”, e la scelta può avvenire altrove, fuori dal perimetro tracciato.

Resta da misurare, con MMM, modelli di conversione e test di holdout, quanto la coerenza tra dati di prima parte e segnali locali riduca il tasso di disambiguazione negativo dell’AI. Finché non avremo visibilità sul processo di verifica della macchina, il dato più onesto non è la quota di citazioni, ma l’intervallo di confidenza tra citazione e azione.

La prossima metrica da costruire non è una dashboard, è un esperimento.