Case study
Ci siamo fatti l'audit per primi.
Il primo caso CiteGap è il nostro stesso sito, demandfieldnotes.com, passato per le stesse 30 domande da acquirente su ChatGPT, Perplexity e Gemini, misurato due volte in due giorni. Nessun cliente ha firmato nulla. Nessuna autovalutazione di fornitore entra in gioco. Il giorno 1 è misurato e pubblicato qui sotto; il retest del giorno 2 e i due motori bloccati arrivano quando saranno misurati.
Cosa il giorno 1 ha realmente misurato.
Il ciclo è partito il 12 novembre 2026. Delle 90 celle previste (30 domande da acquirente × 3 motori), 15 hanno prodotto risposte misurabili, tutte su Perplexity. ChatGPT era bloccato all'ingresso: il nostro IP d'uscita del proxy viene respinto dal perimetro di OpenAI, con i respingimenti archiviati nel registro del ciclo. Gemini non accettava invii anonimi, e la sua via di retest richiede un account Google pulito che non avevamo. Entrambe le remedazioni sono elencate nel registro invece di essere truccate.
Nominati in 2 delle 15 risposte misurate: una solo per il nome, una con sostanza. 4 delle 15 rispondevano su un altro prodotto che porta il nostro nome, un SaaS di tracciamento settimanale chiamato CiteGaps.
Lo scaffale di trovabilità: assente. Nelle 9 domande misurabili di trovabilità e casi d'uso, i concorrenti nominati includevano Profound, Semrush AI Visibility, Peec AI, Otterly, AthenaHQ, Scrunch e Ahrefs Brand Radar. I concorrenti ci superavano all'incirca 3 contro 1 nelle risposte misurate.
Dove esiste contenuto, la citabilità funziona. L'unica domanda pro-e-contro ha prodotto una risposta accurata e ben documentata che citava le nostre stesse pagine, accanto a un allegato con dominio sbagliato e al tracker omonimo. La nostra lacuna è la disambiguazione dell'entità, non la qualità dei contenuti.
Segnali di fiducia: quasi zero. L'unica prova di terzi che il motore ha tirato fuori per noi è una submission su Product Hunt senza recensioni sostanziali. Niente pagina di uptime, niente citazioni di clienti, niente copertura indipendente. Registrato, e ora nella nostra stessa lista di correzioni.
Base di misurazione: 30 domande da acquirente per motore, un solo passaggio nel giorno 1, 15 delle 90 celle misurate. Ogni cifra qui sopra è riconducibile ai registri domanda per domanda. Il retest del giorno 2 e i due motori bloccati arrivano su questa pagina quando saranno misurati, non prima.
I meccanismi che ci aspettiamo l'auto-audit esponga.
Le pagine che i motori non riescono a interpretare non vengono citate
Dati strutturati e un'apertura che risponde subito rendono una pagina prelevabile. Le pagine che seppelliscono la risposta sotto testo marketing vengono sfogliate o saltate. Le nostre stesse pagine non sono esentate, e l'audit le controlla come controlla il sito di un cliente.Cosa ha trovato un esperimento su 1.885 pagine circa JSON-LD.
L'assenza al momento del confronto consegna l'affare a chi si è fatto trovare
Quando un acquirente chiede a un motore di confrontare opzioni, il motore nomina i fornitori che può sostenere con fonti. Se non sei in quella risposta, la vendita è iniziata senza di te. La nostra stessa categoria non è più tenera: chi confronta audit di visibilità AI fa ai motori esattamente quella domanda.Perché essere nominati batte il ranking.
I motori ripetono ciò che possono citare, e sono vaghi sul resto
Se l'unico materiale su di te è il tuo testo marketing, la risposta resta vaga, e l'elogio vago non sopravvive a una decisione d'acquisto. Le domande di fase decisionale su fiducia, risultati e rischi ricevono risposte sicure solo quando esistono prove citabili.Cosa succede quando l'AI raccomanda un fornitore sconosciuto.
I fatti stantii rendono i motori vaghi, e la vaghezza perde affari
I motori conservano snapshot di settimane diverse. Se prezzi, categoria o dati aziendali divergono tra snapshot, l'output sicuro è una risposta con riserve. L'audit mette a confronto ciò che i motori affermano con ciò che il sito afferma oggi, e ogni scostamento diventa un ticket di correzione. Il metodo completo è documentato nella pagina della metodologia.
Cosa c'è dietro i numeri pubblicati.
Ogni cifra pubblicata dell'auto-audit risale al pacchetto di prove che la pipeline produce a ogni ciclo:
Registri delle risposte per domanda. Ogni risposta di ogni motore, per entrambi i giorni: la domanda posta, il testo integrale della risposta, chi è stato nominato e in quale ordine.
Cattura delle citazioni. Quali fonti ha citato ogni risposta, registrate per round, non ricostruite dopo.
Snapshot delle risposte. Quando un motore non offre un link pubblico stabile, il testo della risposta viene catturato così com'è e archiviato.
Ticket di correzione. Il ticket che l'audit ha emesso per ogni gap, così che un'affermazione pubblicata corrisponda a una modifica realmente fatta.
Il pacchetto è archiviato e verificabile. I percorsi interni dei file restano interni; ciò che viene pubblicato sono i numeri e la base di misurazione, non la disposizione dello storage. Nelle esecuzioni a pagamento, le risposte grezze fanno parte del deliverable, così un cliente può ricalcolare ogni cifra del report.
Lavoreresti con la persona che ha eseguito questo audit.
Demand Field Notes è un laboratorio di una persona. Le domande, i cicli, il report e la risposta alla tua email vengono dalla stessa persona. Chiedici tutto del metodo, o inizia con il controllo gratuito sulla tua stessa homepage.
Prima i dettagli del metodo? Leggi la metodologia. Full pricing lives on the pagina dei prezzi.