Quando l'IA dice qualcosa di falso sul vostro brand: cosa potete davvero correggere

I motori IA descrivono già la vostra azienda e a volte sbagliano: un’invenzione pura, un dato scaduto o una confusione con un’impresa dal nome simile. Siate lucidi sulla soluzione: non potete obbligare ChatGPT a riscrivere una risposta specifica, e nessuno può garantirvi che smetta di ripetere un’affermazione falsa. Ciò che potete fare è rilevare l’errore, risalire alla sua origine, correggere le fonti che controllate e misurare se persiste.

Con quale frequenza l’IA sbaglia sul vostro brand?

Abbastanza spesso da prenderla sul serio, e ogni motore lo fa. Nel benchmark accademico HALoGEN (gennaio 2025), il modello più performante produceva comunque “fatti atomici” allucinati in una quota fino all’86% di una risposta a seconda del dominio — quella cifra è il dominio nel caso peggiore, non una media, ma mostra che nessun modello è pulito. Un benchmark precedente, HaluEval (maggio 2023), ha rilevato che ChatGPT fabbricava informazioni non verificabili in circa il 19,5% delle query generiche degli utenti. Le AI Overviews di Google hanno ottenuto il 91% di accuratezza nel test di conoscenza generale SimpleQA, secondo un’analisi del New York Times e Oumi sintetizzata da Search Engine Land (2026) — ma il 56% delle risposte corrette di febbraio erano “ungrounded”, cioè le fonti citate non le sostenevano del tutto, in aumento rispetto al 37% di mesi prima. E uno studio del Tow Center su otto strumenti di ricerca IA (marzo 2025) ha registrato tassi di errore complessivi superiori al 60%.

“ChatGPT incorrectly identified 134 articles, but signaled a lack of confidence just fifteen times out of its two hundred responses, and never declined to provide an answer.” — Tow Center for Digital Journalism, marzo 2025

Quest’ultimo punto è il vero rischio per un brand: il modello afferma la cosa sbagliata con la stessa sicurezza di quella giusta. E gli acquirenti agiscono di conseguenza — in un sondaggio Semrush su 1.030 acquirenti statunitensi (dicembre 2025, uno studio di un vendor), il 43% ha dichiarato di aver scoperto un nuovo brand tramite l’IA e il 50% di aver acquistato dopo averla usata per informarsi.

Quali sono i tre modi in cui l’IA sbaglia sul vostro brand?

Sembrano diversi e nascono da luoghi diversi, quindi richiedono soluzioni diverse. HALoGEN classifica gli errori in tre origini: Tipo A (cattivo recupero di dati che erano corretti nel training), Tipo B (i dati erano già errati nel training) e Tipo C (invenzione pura, mai esistita). Mappate il vostro sintomo sulla sua origine prima di toccare qualsiasi cosa:

Sintomo	Come si presenta	Origine probabile	La leva che avete davvero
Allucinazione	Un premio, un evento o una cifra mai esistiti	Tipo C — invenzione	Fornite al motore fonti citabili migliori, così l’invenzione diventa meno probabile
Dato obsoleto	Un tempo vero: vecchio indirizzo, ex proprietario, prodotto fuori produzione	Tipo A / B — recupero difettoso o training datato	Aggiornate la fonte ed eliminatela dalla cache a monte
Confusione di entità	Il vostro brand fuso con un’azienda dal nome simile	Tipo A — recupero errato	Disambiguate la vostra entità con dati strutturati

I casi pericolosi mescolano vero e falso. ChatGPT una volta ha affermato falsamente che un uomo norvegese fosse stato condannato per l’omicidio di due dei suoi figli, intrecciando dettagli reali — la sua città natale e il numero e il sesso dei figli — come riportato da TechCrunch (marzo 2025). È proprio l’impalcatura accurata a rendere credibile l’invenzione.

Perché il modello inventa un dato invece di ammettere che non lo sa?

Perché un modello linguistico prevede testo plausibile; non consulta una tabella di fatti verificati. Gli stessi ricercatori di OpenAI spiegano che i modelli continuano ad allucinare perché le valutazioni premiano l’indovinare rispetto al dire “non lo so”.

“Language models are optimized to be good test-takers, and guessing when uncertain improves test performance.” — Kalai et al. (OpenAI), Why Language Models Hallucinate, settembre 2025

Questo conta per la vostra soluzione perché una risposta su un brand ha due linee di rifornimento. Una è ciò che è cotto nei pesi del modello durante il training — fisso fino al prossimo riaddestramento e fuori dalla vostra portata. L’altra è ciò che il motore recupera in tempo reale da un indice di ricerca (Bing o Google) quando cerca qualcosa. Solo la seconda è influenzabile in questo trimestre, e sapere quale delle due ha prodotto il vostro errore vi dice se una correzione sia persino possibile adesso.

Potete obbligare ChatGPT a correggere ciò che dice di voi?

No — e chiunque prometta il contrario vi sta vendendo qualcosa. Quando il gruppo per la privacy noyb ha presentato un reclamo per affermazioni false fatte da ChatGPT su una persona reale, la risposta di OpenAI è stata rivelatrice.

“OpenAI says it can filter or block data on certain prompts (such as the name of the complainant), but not without preventing ChatGPT from filtering all information about the complainant.” — noyb complaint, aprile 2024

In altre parole, OpenAI poteva bloccare l’output, non correggere il dato, e non poteva rivelare da dove venissero i dati. Nemmeno i tribunali sono una scorciatoia: il primo caso statunitense di diffamazione da allucinazione, Walters v. OpenAI, è stato archiviato nel maggio 2025, in parte con la motivazione che un utente avvertito che l’IA può inventare non tratterebbe l’output come un’affermazione di fatto. Diffidate quindi di qualsiasi fornitore che promette di “cancellare” o “garantire una correzione di” ciò che ChatGPT dice di voi. Quella garanzia non esiste.

Come rilevare e tracciare l’errore prima di toccare qualsiasi cosa?

Iniziate rendendo l’errore concreto. Ponete le domande che i vostri clienti pongono davvero — su ChatGPT, Perplexity e Google con le AI Overviews — e catturate il prompt esatto, il motore, la data e uno screenshot. Classificate ciò che vedete: è un’invenzione, un dato obsoleto o una confusione con un’altra azienda? Ognuno indica una soluzione diversa.

Poi risalite all’origine prima di cambiare qualcosa. I motori con recupero in tempo reale mostrano le loro citazioni, quindi seguitele: l’affermazione falsa risale a una vecchia pagina vostra, a una scheda di directory datata, a una riga di Wikipedia o al sito di un omonimo? Non potete correggere una fonte che non avete identificato, e tirare a indovinare spreca sforzo sulla fonte a monte sbagliata. Questo passaggio diagnostico è la stessa disciplina dietro come i motori IA scelgono le loro citazioni.

Come correggere le fonti che controllate davvero?

Una volta nota l’origine, lavorate a monte. Lo studio controllato GEO di Princeton (KDD 2024) ha rilevato che ottimizzare una fonte — aggiungere statistiche, citazioni e riferimenti citati — ne aumentava la visibilità nelle risposte generative fino al 40%. Materiale citabile migliore rende il motore più propenso a raggiungere la versione corretta.

• Per la confusione di entità: implementate il markup schema.org Organization con una proprietà sameAs che punta a profili autorevoli — Wikidata, Wikipedia, LinkedIn — più un nome e un URL canonici e coerenti ovunque. Quando questi segnali concordano, i sistemi vi consolidano come un’unica entità rafforzata; quando divergono, la confidenza cala (guida alla disambiguazione delle entità, 2026).
• Per i dati obsoleti: aggiornate la fonte in tempo reale, poi eliminatela dalla cache. La rimozione di contenuti di Bing Webmaster Tools (2025) può ritirare una pagina obsoleta in cache in circa 1-7 giorni (a volte fallisce), e Google Search Console più il vostro profilo Google Business gestiscono l’equivalente sul lato Google.

Niente di tutto ciò riscrive quanto è già nei pesi del modello — ma cambia ciò che i motori con recupero in tempo reale trovano. La nostra rassegna sugli strumenti di visibilità IA copre i software che vi aiutano a controllare questi segnali.

I pulsanti di feedback e le vie legali servono a qualcosa?

Aiutano, modestamente, come complementi. In ChatGPT, il pollice verso con una nota scritta alimenta il dataset di training e valutazione di OpenAI; non cambia la vostra conversazione e non ricevete alcuna replica individuale. Perplexity vi permette di segnalare una risposta inaccurata con il thread, l’affermazione falsa, la fonte che la smentisce e il prompt — vale la pena farlo nel dettaglio (guide al feedback, 2026). Sul piano legale, le imprese dell’UE possono invocare il diritto di rettifica del GDPR, come fa noyb, ma quei casi restano irrisolti. Trattate tutto questo come segnali che inviate, non come interruttori che azionate.

Come sapere se la correzione ha davvero funzionato?

Misurando, perché non potete fidarvi di un singolo controllo. Gli LLM non sono deterministici nemmeno nelle impostazioni più “deterministiche”: uno studio su cinque modelli e otto task (agosto 2024) ha rilevato che l’accuratezza variava fino a 15 punti tra esecuzioni identiche, con un divario tra la migliore e la peggiore ampio fino a 70 punti. Così la stessa domanda sul vostro brand può restituire la risposta corretta oggi e quella falsa domani, e ogni motore cita fonti diverse. L’unica lettura onesta è campionare: eseguite lo stesso insieme di domande più volte, su più motori, lungo più settimane, e registrate i risultati.

È esattamente la pratica dietro la misurazione della visibilità IA — ripetuta, multi-motore, tracciata nel tempo. Per una piccola impresa, il ciclo operativo è piccolo e ripetibile: rilevare e documentare, risalire all’origine, correggere le fonti che possedete, usare i canali di feedback, poi misurare se l’errore svanisce. Ciò che non faremo è promettere che un dato modello smetta di dire X, o attaccarvi una data — quella promessa non è reale, e dovreste diffidarne. Ciò che promettiamo è rilevamento, diagnosi, correzioni a monte sulle fonti che controllate davvero e misurazione onesta del risultato, con ogni numero etichettato come misurato, calcolato o supposto — lo stesso standard dietro il nostro metodo.