«L’AI può conoscere il marchio più famoso e, un minuto dopo, consigliarne un altro.»
Da sapere in breve
- La novità: un nuovo studio su 102 modelli mostra che chiedere «nomina un marchio» e chiedere «quale sceglieresti?» può produrre marchi diversi.
- L’esempio più semplice: per le scarpe da corsa molti modelli conoscono e nominano Nike, ma quando devono consigliare o scegliere convergono più spesso su Brooks.
- Per le aziende: essere il marchio più noto non significa essere anche quello raccomandato; menzioni e preferenze vanno misurate separatamente.
- Il limite: è un preprint in inglese, con domande molto brevi e senza utenti reali. Non dimostra che lo stesso risultato valga in Italia o che produca vendite.
- Se sei un cliente Redomino, ci pensiamo noi.
Nelle attività concordate di AI Visibility possiamo separare presenza, raccomandazione e concorrenti, usando più formulazioni della stessa domanda.
Se sei un cliente Redomino, ci pensiamo noi.Cosa cambia per chi osserva il proprio brand nelle AI?
Prima della nuova evidenza: distinguere menzioni e raccomandazioni era già una buona regola di metodo. Adesso: uno studio su 102 modelli mostra quanto domande come «nomina», «consiglia» e «scegli» possano far emergere marchi diversi.
Esempio banale: chiedere «dimmi una marca di scarpe da corsa» è come misurare quale insegna ricordi; chiedere «quale compreresti?» è più vicino a una shortlist. Sono due domande diverse e possono dare due vincitori diversi.
Decisione utile: non cambiare strategia sulla base di un solo test. Conviene verificare un insieme stabile di domande, modelli e ripetizioni, distinguendo notorietà, raccomandazione e risultato commerciale.
La notizia, detta come a un amico
Oh, lo sai la novità? L’AI può ricordare subito il marchio più famoso, ma quando le chiedi di scegliere può preferire uno specialista.
È il punto centrale di How Language Models Learn Taste: Brand Preference in LLMs, preprint pubblicato su arXiv il 20 ottobre 2026 da Tapan Parikh, Cornell Tech. Il lavoro non dice che Nike sia “peggiore” di Brooks, né che un modello sappia davvero acquistare scarpe. Mostra una differenza più sottile: conoscere un marchio e raccomandarlo non sono la stessa cosa.
Per chi misura la visibilità di un’azienda nelle risposte AI, questa non è una sfumatura da convegno. Cambia le domande da fare.
Da «nomina» a «scegli»: quanto cambia la risposta?
Lo studio ha interrogato 102 modelli linguistici, tramite OpenRouter, in 42 categorie di prodotti e servizi. Per ogni categoria ha usato quattro formulazioni sempre più orientate alla decisione:
- nomina un marchio;
- scegli un marchio;
- consiglia un marchio;
- prima consiglia, poi rispondi: «quale sceglieresti?».
Il marchio su cui i modelli convergevano è rimasto lo stesso in tutte le 42 categorie con la domanda più semplice. È cambiato in 6 categorie con «scegli», in 16 con «consiglia» e in 26 categorie su 42 quando la conversazione terminava con una scelta esplicita.
Lo spostamento non riguardava solo le scarpe da corsa. Nel campione compaiono passaggi come Chrome verso Firefox, Google verso DuckDuckGo, WhatsApp verso Signal e Delta verso Singapore Airlines. Sono risultati del test, non classifiche universali: servono a mostrare l’effetto della formulazione, non a decretare il marchio migliore.
Perché la fama non basta a diventare la scelta dell’AI
I marchi nominati per primi erano spesso leader di mercato. Quando la domanda chiedeva un giudizio, molti modelli si spostavano invece verso marchi più specialistici o associati a valori particolari.
Il paper indaga anche quando queste preferenze emergono. In tre pipeline di addestramento aperte, l’autore ha confrontato diverse fasi dell’addestramento. La DPO, cioè una fase in cui il modello impara da coppie di risposte preferite e scartate, ha aumentato la preferenza per il marchio poi scelto di 24, 16 e 11 punti percentuali nei tre casi studiati.
La parte curiosa è che nei dati di preferenza esaminati c’erano pochissimi confronti espliciti tra quei marchi. L’ipotesi è che i modelli possano assorbire indirettamente “gusti” e criteri dai sistemi usati per valutarli. È un’indicazione interessante, non una causa definitivamente provata.
Cosa significa per l’AI Visibility
Redomino distingue già tra presenza, rilevanza, citazione e raccomandazione nella guida su come misurare l’AI Visibility. Questo studio rafforza una conseguenza pratica: un unico prompt non basta.
Un controllo utile dovrebbe includere almeno:
- domande di ricordo spontaneo: «nomina un marchio di…»;
- domande di confronto: «quali alternative valuteresti?»;
- domande di raccomandazione con contesto: budget, necessità, Paese e tipo di cliente;
- una scelta finale: «quale prenderesti e perché?»;
- più ripetizioni, perché le risposte dei modelli non sono sempre identiche.
È coerente anche con gli strumenti per monitorare la visibilità nelle AI: il punto non è ottenere un numero assoluto, ma osservare come cambiano menzioni, raccomandazioni, concorrenti e fonti.
Che cosa non possiamo concludere
La solidità dello studio è media. I punti forti sono il numero di modelli, le 42 categorie, le ripetizioni, il confronto tra fasi di addestramento e gli intervalli statistici. L’autore ha eseguito le prove dal 30 settembre al 10 ottobre 2026, con temperatura 1; le domande da una sola battuta sono state ripetute otto volte per modello e categoria, quelle in due battute quattro volte.
I limiti contano altrettanto:
- è un preprint, non una ricerca sottoposta a revisione tra pari;
- c’è un solo autore;
- le domande sono in inglese, molto brevi e senza il contesto di un acquisto reale;
- non sono stati studiati specificamente utenti o marchi italiani;
- i modelli sono una fotografia di versioni disponibili in quel periodo;
- una preferenza nella risposta non equivale a un clic, un contatto o una vendita.
Il lavoro ha escluso Perplexity Sonar perché usa la ricerca dal vivo. Questo aiuta a isolare ciò che il modello porta con sé, ma rende il test diverso da molte esperienze reali in cui l’AI consulta il web.
Un test sensato per un’azienda italiana
La conclusione utile non è «bisogna piacere all’algoritmo». Sarebbe una scorciatoia molto elegante e poco utilizzabile.
L’ipotesi da testare è più concreta: il nostro marchio compare quando l’AI ricorda la categoria, ma sparisce quando deve consigliare? Per verificarlo servono domande realistiche in italiano, riferite al pubblico e al mercato dell’azienda, ripetute su più sistemi e in più momenti.
Il servizio Redomino di analisi e monitoraggio dell’AI Visibility osserva proprio differenze di questo tipo, senza trasformare una risposta variabile in una promessa di posizione fissa.
Domande frequenti
Lo studio dimostra che i modelli preferiscono sempre i marchi piccoli?
No. Mostra che, in molte categorie del campione, il marchio scelto con una domanda di giudizio era diverso da quello nominato spontaneamente. Non è una regola valida per ogni modello, Paese o acquisto.
Essere citati e essere consigliati sono la stessa cosa?
No. Una citazione indica che una fonte viene richiamata; una menzione indica che il marchio compare; una raccomandazione implica invece che il modello lo propone come scelta. Sono segnali diversi.
Posso verificare il mio marchio con una sola domanda a ChatGPT?
Puoi ottenere un indizio, non una misura affidabile. Servono più formulazioni, ripetizioni e piattaforme, oltre a una registrazione della data e delle condizioni del test.
Questo studio vale per il mercato italiano?
Non direttamente. È stato condotto in inglese e non analizza un campione italiano. Può suggerire come progettare un test locale, ma non permette di prevederne il risultato.
Fonti
- Tapan Parikh, How Language Models Learn Taste: Brand Preference in LLMs, arXiv, 20 ottobre 2026.
- Testo integrale del preprint.
Vuoi capire non solo se il tuo brand compare, ma anche quando viene davvero consigliato? Concediti un Momento Redomino: partiamo dalle domande che precedono una scelta reale.
