I prospect spariscono dopo una singola domanda

Una singola qualificazione come “per un team piccolo” cancella il 72% dei brand

Hai presente quel referral che arriva da ChatGPT o Gemini, con un tasso di conversione che sembra stabile, quasi rassicurante? Ora immagina di aggiungere alla domanda dell’utente una frase innocua come “per un team piccolo”. Nel 72% dei casi il tuo brand scompare dalla lista. Non slitta in fondo: evapora.

È quello che succede quando il traffico AI smette di essere un canale e diventa un bersaglio mobile, dove ogni dettaglio riscrive il funnel senza preavviso.

I numeri che stanno facendo discutere arrivano da i nuovi dati Clovion, corretti dal COO Zahir Hasan dopo un errore di layout del designer: le contraddizioni verificate tra i modelli non erano 33, ma 330 su 2.040 brand analizzati. Non un incidente marginale, ma un tarlo sistematico in ogni raccomandazione.

Chi sperava di trovare costanza ripetendo la stessa domanda ha avuto una mezza risposta positiva: il 90% della lista restava intatto, confermando la persistenza della lista di raccomandazioni in assenza di nuove variabili. Basta però inserire una qualificazione minima per assistere a la scomparsa delle raccomandazioni: quando il prompt diventa “per un piccolo team”, sopravvive appena il 28% dei brand. E il test speculare con “per una grande impresa” produce un tasso di abbandono simile, sempre attorno al 72%. La conseguenza per chi fa CRO è immediata: un singolo dettaglio semantico modifica radicalmente il set di visitatori su cui stai eseguendo test e personalizzazioni.

Tre modelli, tre versioni della stessa realtà

La frattura non è solo tra domanda generica e domanda qualificata. È interna agli stessi modelli. Claude ha accumulato le 160 sottostime di Claude contro appena 10 sovrastime nella descrizione delle caratteristiche dei brand. ChatGPT ha registrato 70 sottostime e zero sovrastime, comportandosi come un valutatore sistematicamente prudente. Gemini, all’opposto, ha mostrato 80 sovrastime e 30 sottostime. Tre motori di raccomandazione che sullo stesso prodotto vedono tre profili diversi: non è divergenza di opinioni, è varianza strutturale.

Ed è qui che il report Clovion mette un paletto importante, perché definisce la relazione tra percezione e raccomandazione come “un accoppiamento forte e coerente, non una legge causale provata”. Il legame c’è, ma affidargli l’allocazione del budget di test significa costruire ipotesi su una correlazione che non si traduce in prevedibilità operativa.

Quando la raccomandazione nasce già incrinata

Il meccanismo di generazione della lista aggiunge ulteriore fragilità. Non appena ChatGPT avverte la mancanza di contesto, si innesca il query fan-out: il modello scompone la richiesta in una raffica di interrogazioni parallele, le spedisce a un indice esterno come Bing o Google e ricompone la risposta pescando da fonti diverse. A ogni passo, la lista di brand che arriva all’utente è il prodotto di un assemblaggio dinamico e non deterministico.

L’instabilità è talmente pervasiva che in 30 test piattaforma-argomento il numero di risposte con citazioni necessarie per ottenere un quadro stabile variava da 33 a 94, esponendo la variabilità delle risposte con citazioni. Tre di quei test, tutti condotti su SearchGPT, non hanno raggiunto la convergenza nemmeno dopo 125 domande, confermando i limiti di SearchGPT. Il dato più scomodo arriva però dalla metrica di posizione: il margine di errore tipico per un sito nella top 10 era di circa cinque posizioni e in un caso su cinque lo scarto superava le dieci, misura diretta di la volatilità dei ranking AI. A gennaio 2026, SparkToro ha quantificato il fenomeno: gli strumenti AI producono una lista diversa di marchi oltre il 99% delle volte, alimentando la diversità delle liste di raccomandazioni.

Se il segnale è rumore, che cosa stiamo ottimizzando?

Applicare la CRO su un flusso che cambia composizione al variare di una parola significa accettare che ogni test possa perdere validità esterna nel giro di un prompt. Se l’obiettivo è ridurre l’attrito nel funnel, la domanda non è più “qual è la variante vincente per questo segmento”, ma “questo segmento esisterà ancora tra due domande?”. Una domanda a cui i numeri, per ora, rispondono con una probabilità di sopravvivenza del 28%. Il resto è sabbia.