Quando chiedi a ChatGPT «qual è il miglior strumento per X?», il modello non estrae un brand a caso né recita una classifica incisa nei suoi pesi. Una citazione attraversa tre fasi — recupero, selezione, sintesi — e in ognuna è il segnale di domanda, non l'autorità del tuo dominio, a fare il filtro. Capire questo meccanismo significa capire dove agire.
- 3 fasi: recupero dei candidati → selezione delle fonti → sintesi della risposta.
- Il segnale di domanda filtra a ogni fase: un'entità menzionata ovunque sopravvive; un dominio isolato viene scartato.
- RAG: i modelli moderni recuperano testo pertinente, non un grafo di backlink.
- Estraibilità ≠ autorità: strutturare aiuta a essere letti; la domanda decide di essere citati.
- 4 modelli: ChatGPT, Claude, Grok, DeepSeek — stessi principi, retrieval diversi.
Definizione: cos'è una citazione LLM?
Una citazione LLM è la menzione di un brand, di un prodotto o di una fonte in una risposta generata da un modello linguistico, come elemento di risposta a un'intenzione utente. Può essere linkata (con URL, come in Perplexity) o non linkata (un semplice nome citato, come spesso in ChatGPT). In entrambi i casi risulta da un processo di selezione, non da una classifica fissa.
Le tre fasi di una citazione
Il percorso di una risposta, dal prompt al brand citato, segue una sequenza stabile. Ecco dove entra in gioco ogni segnale.
- 011 — Recupero (retrieval)Il modello genera query derivate dalla tua domanda (query fan-out) e recupera un pool di candidati: passaggi di addestramento e/o fonti web fresche. Il filtro qui è la pertinenza semantica e la presenza dell'entità. Un brand mai menzionato per questa intenzione non entra nel pool.
- 022 — Selezione (evidence selection)Tra i candidati, il modello valuta pertinenza, autorità di entità e freschezza. Un brand descritto in modo coerente su molte fonti è giudicato credibile e trattenuto. È qui che la domanda aggregata batte l'autorità di un sito unico.
- 033 — Sintesi (response synthesis)Il modello integra le fonti selezionate in una risposta fluida. Il brand che compare in più fonti selezionate ha più probabilità di essere nominato — la ridondanza del segnale di domanda paga un'ultima volta.
Dove avviene il filtro: domanda vs autorità, fase per fase
A ogni fase, due segnali si scontrano. La tabella mostra quale prevale, e perché.
Il retrieval-augmented generation recupera passaggi pertinenti per similarità semantica — non un grafo di backlink. È la ragione tecnica per cui una menzione non linkata (0,664 di correlazione) batte un backlink (0,218): il backlink semplicemente non è il segnale che lo strato di recupero legge per primo.
L'errore di trasporre il riflesso SEO
Molti team applicano alla citazione LLM la logica del ranking di Google. È l'errore più costoso, perché i due mondi non leggono gli stessi segnali. Altra differenza chiave: non esiste un'unica classifica IA — la frammentazione delle citazioni IA tra piattaforme mostra che, a parità di prompt, ChatGPT e Gemini condividono meno di un dominio citato su tre.
Ragionare citazione LLM, non ranking Google
Il query fan-out cambia il bersaglio
Un dettaglio tecnico dalle conseguenze strategiche enormi: i motori IA non interrogano una sola query. Ne generano diverse, derivate, e sintetizzano l'insieme.
Ottimizzare per una keyword esatta significa mirare a un bersaglio che il modello ha già frantumato in dieci varianti. È l'intero cluster semantico da coprire, non la parola chiave.
Conseguenza: un brand presente su un intero cluster di intenzioni è recuperabile per ogni variante del fan-out. Un brand presente su una sola keyword esatta è invisibile non appena il modello riformula. Ecco perché il LLM Seeding lavora in cluster — 30-80 ricerche per lingua — e non per parola chiave.
Dalla diagnosi all'azione
Capire la meccanica risponde a «perché non vengo citato». La domanda successiva — «come diventarlo» — richiede un'azione sul segnale di domanda.
- 01Rendere l'entità recuperabilePresenza coerente sulle fonti esterne che gli LLM leggono. Più il tuo brand è descritto allo stesso modo ovunque, meglio sopravvive al recupero.
- 02Rendere i passaggi estraibiliRisposte autonome, definizioni chiare, tabelle, FAQ. Questo aiuta la selezione, soprattutto su Perplexity e Copilot.
- 03Creare il segnale di domandaGenerare conversazioni naturali attorno al tuo cluster semantico su ChatGPT, Claude, Grok e DeepSeek. È il LLM Seeding attivo — produrre il segnale invece di aspettarlo.
FAQ
Per approfondire
- Gli LLM si nutrono delle ricerche degli utenti — il postulato di fondo.
- Autorità di dominio vs segnale di domanda — le correlazioni coi dati.
- Il cluster semantico nel GEO — perché si lavora in cluster, non per keyword.
Per rendere la tua entità recuperabile e creare il segnale: Come funziona e Prezzi.