I lead da AI restano invisibili nei tuoi report

I sistemi di analytics tradizionali non riconoscono i referral provenienti dalle risposte dei modelli linguistici

Hai presente quella pagina prodotto che in heatmap sembra un capolavoro — scroll profondo, clic ovunque, session recording da manuale — e poi apri Google Analytics e il tasso di conversione è fermo allo 0,3% da sei mesi? Il funnel non è rotto.

È che stai contando solo metà dei biglietti venduti. La parte che ti manca non è un dettaglio tecnico: è un intero canale di acquisizione che il tuo dashboard etichetta come “diretto” o “organico” senza che tu possa mai verificarlo.

L’ho visto in un audit la scorsa settimana. Un SaaS B2B con lead qualificati in crescita del 12% trimestre su trimestre, content marketing misurato al centesimo, CEO convinto di sapere esattamente da dove arrivassero i contatti. Quando abbiamo incrociato l’attribuzione self-reported con i dati del CRM, l’80-90% dei lead generati da piattaforme AI risultava etichettato erroneamente come organico o diretto. Zero tracciamento. Zero possibilità di allocare budget.

La metrica che non esiste ancora è già la più importante

Le metriche SEO tradizionali stanno collassando sotto il peso delle risposte generate dai modelli linguistici. Posizione media, CTR da SERP, impression: funzionano ancora per la ricerca classica, ma sono cieche davanti a ciò che accade dentro ChatGPT, Perplexity o Gemini. Secondo la misurazione della visibilità AI, il problema non è tecnico ma concettuale: stiamo applicando la logica dei dieci link blu a un’interfaccia che non li mostra quasi mai.

Gli LLM sono zero-click by design. Lo afferma senza giri di parole: la risposta è il prodotto, il link è un optional, il referral è un effetto collaterale che la maggior parte dei sistemi di analytics non sa catturare. E infatti la lamentela più comune delle aziende è una sola: “Non stiamo comparendo per i prompt per cui vogliamo comparire”. Non è una questione di ranking. È una questione di esistenza nel training data e nelle fonti che il modello cita.

Esistono già strumenti come Profound, Peec e AirOps che provano a mappare questa visibilità, ma siamo nella fase in cui il termometro viene costruito mentre il paziente ha già la febbre. Nel frattempo, un cliente ha scoperto che il 5% di registrazioni da ChatGPT arrivava senza che l’azienda avesse mai fatto un minuto di lavoro sulla visibilità AI. Non è un caso: è un segnale debole che diventerà rumore di fondo entro dodici mesi.

La parte che brucia di più? L’80-90% dei lead AI male attribuiti finisce in organico o diretto, gonfiando canali che sembrano performare e affamando quello nuovo che meriterebbe investimento.

Mezzo punto percentuale di traffico, dodici virgola uno di iscrizioni

Il dato che mi ha fatto chiudere la riunione e aprire un foglio Excel nuovo viene da Ahrefs. Dopo l’aggiornamento dei link di ChatGPT a maggio, l’impennata del 157.7% dei referral da ChatGPT ha fatto sobbalzare chiunque guardasse i log. Ma il numero vero è un altro: i visitatori AI di Ahrefs rappresentavano appena lo 0,5% del traffico totale. Eppure generavano il 12,1% delle iscrizioni. Non è un’anomalia stagionale. È un moltiplicatore di conversione che nessun canale a pagamento sogna di raggiungere con quella spesa.

Il motivo è intuitivo ma sfugge alla reportistica standard: l’intento di chi arriva da una risposta AI è più vicino alla decisione d’acquisto rispetto a chi atterra da una SERP generica. L’AI ha già fatto il lavoro di scrematura, confronto, sintesi. Il clic non è esplorativo. È quasi transazionale.

E qui si apre la domanda scomoda: quante aziende stanno ottimizzando landing page, copy e CTA basandosi su dati in cui questo 12% di conversioni è completamente invisibile? Quante decisioni su budget, creatività e targeting sono state prese guardando una colonna “organico” che in realtà conteneva un canale nuovo con performance 20x superiori alla media?

Finanziare l’esperimento tagliando ciò che nessuno controlla più

Ho passato anni a scalare campagne Google Ads fino a miliardi di impression. Gli inserzionisti che vincevano avevano un tratto comune: capivano come la macchina prendeva decisioni, misuravano tutto e spostavano il budget non appena i dati lo dicevano. Non appena la strategia lo suggeriva. Appena i dati lo dicevano.

Oggi le piattaforme AI come ChatGPT, Perplexity e Gemini sono dove i compratori hanno spostato le domande che prima digitavano nella casella di ricerca. Non è una migrazione graduale: è uno spostamento di intento. E l’adattatore precoce — chi risolve l’attribuzione prima che diventi un problema di sopravvivenza — catturerà il vantaggio che su Google Ads esisteva nel 2005 e che oggi è quasi impossibile replicare.

Il punto è che la riallocazione del budget basata su prove è un principio che tutti approvano in riunione e quasi nessuno applica. Il budget segue l’inerzia, non le evidenze. Segue la linea che esiste da tre anni, non quella che i dati nascenti stanno urlando.

La mossa più onesta che puoi fare oggi — prima di comprare qualsiasi tool, prima di riscrivere la content strategy — è implementare l’attribuzione self-reported con una domanda secca nel form: “Come ci hai conosciuto?”. Costa zero. Non richiede integrazioni. E in trenta giorni ti darà una colonna che non hai mai visto nei tuoi report.

Quanto costerà il primo test serio? La risposta operativa è in il taglio di una linea di budget dimenticata — quella voce che nessuno ha messo in discussione per sei mesi, che sopravvive per abitudine e che potrebbe finanziare tre cicli di test sul nuovo canale senza intaccare il ROI complessivo. Non serve chiedere budget aggiuntivo. Serve spostarlo dove i dati stanno già parlando, anche se il dashboard finge di non sentirli.

Resta una domanda a cui non ho ancora una risposta soddisfacente: con un canale in cui la visibilità è volatile, i referral sono intermittenti e l’attribuzione è spezzata per architettura, qual è la metrica da usare come North Star? Non è il traffico. Non è il tasso di conversione diretto. Forse è la quota di menzioni in risposte AI per intento transazionale, pesata per posizione e frequenza di citazione. Ma è una metrica che nessuno ha ancora standardizzato, e questo è esattamente il motivo per cui vale la pena costruirla prima che lo facciano tutti.