Una metrica familiare, un contesto nuovo

Chi si occupa di brand reputation conosce bene il concetto di sentiment analysis. Misurare come un brand viene percepito, se le menzioni sono positive, negative o neutrali, è una pratica consolidata nel marketing moderno. Esistono strumenti dedicati, metodologie collaudate, benchmark di riferimento. È una metrica che molte aziende monitorano con regolarità sui social media, sulle piattaforme di recensioni, nei media tradizionali.

Nell'era dei modelli AI generativi questa metrica acquisisce una dimensione nuova, e quasi nessuno la sta ancora misurando nel contesto giusto.

Quando un utente chiede a ChatGPT di consigliare una soluzione per una determinata esigenza, il modello non si limita a citare i brand rilevanti. Li descrive, li contestualizza, ne evidenzia i punti di forza e le debolezze percepite, li raccomanda o li sconsiglia con motivazioni specifiche. Quello che emerge da queste descrizioni è un sentiment preciso, che influenza direttamente la percezione del potenziale cliente, spesso prima ancora che abbia visitato il sito del brand o letto una singola recensione.

Cosa misura il sentiment AI

Il sentiment AI non è semplicemente positivo, negativo o neutro. È una dimensione molto più articolata che racconta come i modelli generativi costruiscono la narrativa intorno a un brand.

La prima dimensione è quella dei punti di forza percepiti, ovvero le caratteristiche che i modelli AI associano sistematicamente a un brand quando lo descrivono. Non sono necessariamente le caratteristiche che il brand vuole comunicare, sono quelle che emergono dall'ecosistema informativo su cui i modelli sono stati addestrati. Un brand potrebbe scoprire che i modelli AI lo associano principalmente alla facilità d'uso, quando il suo posizionamento reale punta sull'innovazione tecnologica. O che viene percepito come soluzione per le piccole imprese, quando il target reale sono le aziende enterprise.

La seconda dimensione è quella delle debolezze percepite, ovvero le criticità che i modelli AI tendono ad associare a un brand nelle loro descrizioni. Possono essere debolezze reali, che riflettono feedback negativi consolidati nell'ecosistema informativo, oppure percezioni distorte che derivano da informazioni obsolete o da una presenza informativa squilibrata su certi temi.

La terza dimensione riguarda il contesto delle raccomandazioni, ovvero per quali casi d'uso e per quale tipo di utente i modelli AI tendono a raccomandare un brand. Un brand può avere un sentiment complessivamente positivo ma essere raccomandato sistematicamente per un segmento di mercato che non è quello strategicamente prioritario.

Il disallineamento tra sentiment reale e sentiment AI

Una delle cose più interessanti che emerge quando si inizia a misurare il sentiment AI è quanto spesso diverga dalla percezione che il brand ha di sé stesso e da quella che emerge dai canali tradizionali.

Un brand che ha lavorato negli ultimi anni per costruire una reputazione di innovazione tecnologica può scoprire che i modelli AI lo descrivono ancora con attributi legati al suo posizionamento precedente, più tradizionale e conservativo. Questo accade perché l'ecosistema informativo su cui i modelli sono stati addestrati riflette una storia più lunga di quella recente, e i cambiamenti di posizionamento impiegano tempo prima di sedimentarsi nelle fonti esterne che i modelli usano come riferimento.

Un brand che ha risolto un problema di customer service notoriamente critico può scoprire che i modelli AI citano ancora quella criticità come punto di debolezza, perché le discussioni negative del passato sono più numerose e radicate nell'ecosistema informativo rispetto alle menzioni positive più recenti.

Questi disallineamenti non sono errori nel senso tradizionale. I modelli AI stanno semplicemente riflettendo le informazioni disponibili. Ma hanno conseguenze concrete sulla percezione che i potenziali clienti si formano, spesso in una fase del percorso di acquisto in cui il brand non ha ancora avuto la possibilità di raccontare la propria versione.

Perché il sentiment AI è diverso dal sentiment tradizionale

Il sentiment su

social media o sulle piattaforme di recensioni riflette le opinioni espresse direttamente dagli utenti. È un sentiment che il brand può monitorare in tempo reale, a cui può rispondere, che può influenzare attraverso interventi diretti sulla customer experience o sulla comunicazione.

Il sentiment AI funziona in modo diverso. Non è la somma delle opinioni degli utenti in un determinato momento, è una sintesi consolidata dell'ecosistema informativo nel corso del tempo, elaborata e restituita dai modelli in modo non completamente prevedibile. Non si può rispondere a una descrizione di ChatGPT come si risponde a una recensione negativa su Google. Non si può richiedere la rimozione di un'informazione inaccurata come si può fare su Trustpilot.

Quello che si può fare è lavorare sull'ecosistema informativo che alimenta i modelli, costruendo nel tempo una presenza più ricca, più coerente e più allineata con il posizionamento reale del brand. È un lavoro più lento e meno diretto rispetto alla gestione del sentiment tradizionale, ma è l'unico approccio che produce effetti reali sul sentiment AI nel medio termine.

Perché la maggior parte dei brand non sa qual è il proprio sentiment AI

Il motivo per cui il sentiment AI rimane invisibile alla maggior parte delle aziende è lo stesso che rende invisibile la visibilità AI in generale. Non esistono strumenti tradizionali che lo misurino. GA4 non traccia le conversazioni con i modelli generativi. I tool di social listening non includono le risposte di ChatGPT o Perplexity nel loro perimetro di analisi.

L'unico modo per capire qual è il sentiment AI di un brand è interrogare sistematicamente i modelli, analizzare le descrizioni che producono, identificare i pattern ricorrenti nei punti di forza e debolezza attribuiti, confrontare il sentiment del proprio brand con quello dei competitor. È un lavoro che richiede metodo e continuità, e che la maggior parte delle aziende non ha ancora iniziato a fare.

Il risultato è che molte aziende stanno operando con un punto cieco significativo sulla propria brand reputation. Sanno come vengono percepite sui social, sulle piattaforme di recensioni, nei media. Non sanno come vengono descritte dai modelli AI, ovvero dallo strumento che una parte crescente dei loro potenziali clienti usa per formarsi una prima opinione prima ancora di cercarle su Google.

Come integrare il sentiment AI nel monitoring della brand reputation

Per le aziende che iniziano a lavorare su questa dimensione, il punto di partenza più pratico è affiancare il sentiment AI agli strumenti di brand monitoring esistenti, senza sostituirli.

Il sentiment AI non racconta la stessa cosa del sentiment sui social o sulle recensioni. Racconta qualcosa di diverso e complementare, ovvero come i modelli generativi sintetizzano e restituiscono la reputazione di un brand a chi fa ricerca nella fase preliminare del percorso di acquisto. È una dimensione aggiuntiva che completa il quadro, non una sostituzione di quello che già esiste.

In termini pratici questo significa definire un set di query rappresentative del proprio mercato, analizzare sistematicamente le descrizioni che i modelli producono sul proprio brand e su quelli dei competitor, identificare i pattern ricorrenti nel sentiment e monitorare come evolvono nel tempo. I dati così raccolti entrano nel reporting di brand reputation come una metrica a sé, con il proprio trend e le proprie implicazioni strategiche.

Una metrica che diventerà standard

Il sentiment AI è oggi dove era il social listening quindici anni fa, uno strumento che alcune aziende pionieristiche stanno iniziando a esplorare mentre la maggior parte non ne ha ancora compreso la rilevanza strategica.

La differenza è che il contesto si sta evolvendo molto più rapidamente. L'adozione dei modelli AI generativi nella fase di ricerca pre-acquisto sta crescendo in modo significativo, e con essa la rilevanza del sentiment AI per chi deve capire come viene percepito il proprio brand nei momenti più critici del percorso di acquisto.

Chi inizia a misurarlo adesso costruisce una baseline storica che diventerà sempre più preziosa man mano che il tema entra nell'agenda mainstream della brand reputation. E acquisisce la capacità di leggere una dimensione della percezione del brand che i competitor probabilmente non stanno ancora guardando.