La misurazione della visibilità AI è un caos

Oltre venti aziende propongono dashboard con metodologie proprietarie che restituiscono risultati divergenti sugli stessi brand

Il mercato della misurazione della visibilità nell’intelligenza artificiale è oggi un teatro dell’assurdo: più di 20 aziende vendono strumenti che promettono di quantificare quanto il tuo brand compaia nelle risposte generate dai modelli linguistici, ma ciascuna adotta metodologie proprietarie che, applicate allo stesso brand o editore, restituiscono risposte radicalmente diverse. L’abbondanza di dashboard e report non produce segnali: produce rumore. E in questo rumore, il budget media rischia di navigare a vista, senza strumenti condivisi per distinguere una metrica affidabile da un artefatto statistico.

La babele delle metriche AI

L’ultimo tassello di questa frammentazione è arrivato lo scorso 9 luglio, quando Microsoft ha lanciato Topic Insights gratuitamente per tutti gli utenti di Clarity. Una mossa che, da un lato, democratizza l’accesso a dati prima costosi; dall’altro, aggiunge l’ennesimo dialetto a una conversazione già intraducibile. Se un CMO confronta il report di Clarity con quello di Similarweb, Semrush o DoubleVerify, non sta guardando lo stesso fenomeno da angolazioni diverse: sta guardando fenomeni diversi, misurati con metri che non condividono né definizioni operative né criteri di validazione.

Il cuore del problema non è tecnico, ma epistemologico. Ogni vendor di misurazione della visibilità AI costruisce il proprio perimetro di ciò che conta come «presenza», «prominenza» o «persuasione» senza che esista un accordo intersoggettivo su cosa questi termini significhino quando calati in un flusso conversazionale generato da un modello. Il risultato è che due strumenti possono produrre trend opposti per lo stesso brand nello stesso periodo, e nessuno ha gli strumenti per stabilire quale dei due abbia ragione. La proliferazione di vendor — una ventina, secondo IAB — non è il sintomo di un mercato sano, ma di un vuoto di standardizzazione che trasforma ogni acquisto di dati in un atto di fede.

La lezione dimenticata della viewability

Non è la prima volta che il digital advertising si trova davanti a un bivio del genere. Già nel 2011, l’IAB contribuì a far nascere l’iniziativa 3MS — Making Measurement Make Sense — e nel 2014 collaborò con il Media Rating Council per definire lo standard di impressione visibile. Quello standard permise agli inserzionisti di acquistare pubblicità basata su una metrica verificabile, superando l’era in cui un’impressione «served» veniva contabilizzata anche se finiva sotto la piega del browser. Fu un passaggio traumatico per alcuni attori, ma necessario: la viewability introdusse un linguaggio comune dove prima regnava la giungla delle metriche auto-referenziali.

Oggi l’IAB prova a ripetere quel copione con Measuring Visibility in the AI Era, un framework che introduce le «4 P della visibilità AI»: Presence, Prominence, Portrayal e Persuasion. Sono quattro dimensioni che scompongono il problema, distinguendo il semplice apparire (Presence) dalla posizione occupata nella risposta (Prominence), dal tono e dal contesto in cui il brand viene citato (Portrayal), fino all’effetto persuasivo sull’utente (Persuasion). La vera innovazione strutturale, però, è la classificazione di qualità a due livelli: misurazione direzionale e misurazione decisionale. La prima è sufficiente per orientarsi — capire tendenze, direzioni, macro-movimenti. La seconda deve reggere il peso di scelte di budget, e richiede un rigore metodologico che il framework comincia a delineare.

L’analogia con la viewability ha fondamenta solide: anche nel 2014 si trattava di passare da una pletora di vendor con metriche incomparabili a un terreno comune dove la competizione si spostasse dal marketing delle promesse alla qualità metodologica. Il framework IAB punta esattamente a questo: consentire ai circa 20 vendor di misurazione della visibilità AI di competere sulla robustezza dei propri metodi invece che su affermazioni non verificabili. Ma l’ecosistema AI è radicalmente diverso da quello della display advertising. Non esiste un «sotto la piega» in una risposta generata da un LLM; esiste una catena di probabilità, contestualizzazioni e riformulazioni che rendono la stessa domanda, posta due volte allo stesso modello, potenzialmente foriera di risposte diverse. Misurare la visibilità in questo ambiente significa accettare un tasso di variabilità che il vecchio paradigma dell’impressione non contemplava.

Cosa non sappiamo (ancora) misurare

Riguarda la definizione stessa di «qualità». Il framework IAB traccia una distinzione concettualmente solida tra direzionale e decisionale, ma non fornisce — né potrebbe farlo in questa fase — criteri operativi condivisi per stabilire quando un dato supera la soglia che lo rende affidabile per allocare budget. Chi definirà quella soglia? Con quali metriche di validazione? Il rischio è che la classificazione a due livelli diventi un’etichetta auto-attribuita, senza un organismo indipendente che certifichi la bontà metodologica dei vendor.

La posta in gioco è alta perché, come ha osservato Anthony Katsur a proposito del gruppo di lavoro CoMP formato dall’IAB Tech Lab già nell’agosto 2025, i fondamentali del web aperto sono sotto una pressione crescente. Senza standard di misurazione credibili, il valore degli inventari editoriali rischia di essere compresso da dinamiche opache, mentre i budget migrano verso giardini murati dove le metriche sono imposte unilateralmente. Il framework IAB è un passo necessario, ma la sua efficacia dipenderà dalla capacità del mercato di dotarsi di un arbitro indipendente che trasformi un dizionario di intenzioni in una grammatica condivisa. Senza questo passaggio, il rumore resterà tale, e la misurazione della visibilità AI rimarrà un esercizio di fede ben confezionato in dashboard colorate.