Dashboard di Brand Monitoring LLM: Cosa Tralasciano Profound e i Concorrenti, e un Framework Migliore

Ogni CMO ha ormai una slide che recita «il nostro brand deve essere visibile nell'AI». Piattaforme come Profound, Otterly, Peec e Goodie sono cresciute rapidamente sulla scia di quell'urgenza, ciascuna offrendo una qualche versione di una dashboard di Share of Voice che risponde alla domanda: quanto spesso ChatGPT, Perplexity o Google AI Overviews ci menzionano rispetto ai concorrenti? La categoria è legittima. Le dashboard non sono ancora abbastanza buone.

Questo articolo analizza cosa misurano oggi le piattaforme leader di mercato, dove le loro dashboard lasciano sul tavolo valore decisionale, e poi costruisce un framework alternativo — dimostrato con una dashboard interattiva basata su dati fittizi — che tratta la visibilità di brand negli LLM come un segnale multidimensionale anziché come un singolo numero di frequenza di citazione.

Come funzionano oggi i leader di mercato

Tutte e quattro le piattaforme condividono lo stesso meccanismo di base: una libreria di prompt viene rieseguita su più motori LLM con una cadenza programmata (giornaliera o quasi in tempo reale), le risposte vengono analizzate alla ricerca di menzioni del brand e i risultati vengono aggregati in una percentuale di Share of Voice. Le differenze stanno nella copertura, nella granularità e in cosa fanno con i dati oltre il conteggio delle menzioni.

I tre divari che contano

1. Frequenza di citazione ≠ influenza della citazione

Ogni dashboard attuale conta le menzioni. Nessuna le pesa in base alla posizione nella risposta dell'LLM. Un brand menzionato per primo — nella frase di apertura di una risposta comparativa — ha un'influenza radicalmente diversa sull'utente rispetto allo stesso brand elencato quarto in una chiusura del tipo «potresti anche considerare». Su Google Search, la posizione 1 rispetto alla posizione 4 rappresenta un calo del click-through rate di circa 8× (Backlinko, 2020). La dinamica nelle risposte LLM è almeno altrettanto ampia: gli utenti che leggono una risposta conversazionale ricordano ciò che viene per primo.

Un Citation Prominence Score deve tenere conto di: se il brand guida la risposta, se compare nel primo terzo, nella parte centrale o solo alla fine, e se la menzione è oggetto di un'affermazione comparativa o di un inciso fra parentesi.

2. La SOV a livello di piattaforma nasconde rischi e opportunità divergenti

La SOV aggregata nasconde il fatto che piattaforme diverse si comportano diversamente. La ricerca che confronta i principali LLM mostra pattern coerenti: ChatGPT 5.5 tende a favorire i leader di categoria consolidati, Perplexity restituisce più citazioni per risposta ed è più diversificata nelle fonti, Google AI Overviews mostra la maggiore diversità di brand (riflettendo il suo indice web sottostante) e Copilot presenta la disuguaglianza di citazione più concentrata (Nightwatch, 2026). Un brand con il 32% di SOV aggregata potrebbe essere al 38% su Gemini 3.1 e al 28% su ChatGPT 5.5 — una differenza strutturale con strategie di remediation completamente diverse. Le dashboard aggregate seppelliscono tutto questo (Profound vs LLM Pulse, 2026).

3. Il tipo di query che genera la menzione conta più del conteggio delle menzioni

Non tutti i prompt sono uguali. Un brand citato in risposta a «qual è il miglior CRM enterprise?» ha un valore commerciale diverso dallo stesso brand citato in risposta a «cos'è un CRM?» — uno è intento commerciale, l'altro informativo. Gli strumenti attuali ti permettono di definire una libreria di prompt ma non segmentano automaticamente la SOV per categoria di intento della query. Un brand potrebbe dominare le query informative pur essendo assente dalle query di confronto e commerciali — che è esattamente il pattern che non riesce a convertire la visibilità AI in pipeline.

Un framework di misurazione migliore

La dashboard al termine di questo articolo propone cinque dimensioni che insieme producono un quadro azionabile. Si basano su ciò che gli strumenti attuali misurano e aggiungono i livelli che mancano loro:

• SOV complessiva — la quota standard di citazioni, tracciata nel tempo rispetto a un set fisso di concorrenti
• Delta SOV a livello di piattaforma — SOV per singola piattaforma per il tuo brand rispetto al leader di categoria, mostrando dove sei strutturalmente sovra- o sotto-indicizzato
• Citation Prominence Score — tasso di menzione pesato in cui le menzioni nella prima metà contano più di quelle tardive
• SOV per cluster tematico — SOV segmentata per categoria di intento della query (informativo, comparativo, commerciale, brand)
• Qualità del sentiment — distribuzione positivo/neutro/negativo tracciata nel tempo, non solo come istantanea

La dashboard interattiva qui sotto applica questo framework a un brand software B2B fittizio, Zentrava, in competizione con tre rivali altrettanto fittizi — Korvant, Auralyx e Drovetta. Tutti i nomi dei brand e tutti i dati sono inventati. Oltre alle cinque dimensioni principali, la demo aggiunge i livelli che l'articolo sostiene manchino agli strumenti attuali: un feed di segnali auto-generato calcolato in tempo reale dai dati sottostanti, un benchmark competitivo selezionabile, un esploratore a livello di risposta con estratti, l'attribuzione delle fonti delle citazioni e un registro delle allucinazioni. L'implementazione non usa librerie esterne — puro HTML, CSS e JavaScript vanilla — quindi il pattern è direttamente replicabile in qualsiasi ambiente di reporting.

Leggere i segnali che contano

Osservando i dati fittizi di Zentrava, la dashboard fa emergere tre segnali azionabili che una semplice percentuale di SOV mancherebbe del tutto. Primo, la SOV complessiva di Zentrava è in crescita (+6 pp in 12 settimane) ma la sua SOV a intento commerciale è in calo (−2 pp). Questo pattern — visibilità in miglioramento sulle query informative mentre si perde terreno sulle query di confronto e con segnali di acquisto — è esattamente il pattern che si manifesta prima che il contributo alla pipeline dai canali AI inizi a erodersi. La soluzione non è più menzioni; sono menzioni diverse, su prompt specifici. Il feed Segnali della dashboard ricava automaticamente questa divergenza dai dati sottostanti, invece di lasciarla individuare a un analista.

Secondo, la ripartizione per piattaforma mostra Zentrava significativamente sovra-indicizzata su Gemini 3.1 (38%) e Google AI Overviews (35%), e sotto-indicizzata su ChatGPT 5.5 (29%) e Claude Opus 4.7 (28%). Poiché ChatGPT 5.5 gestisce il maggior volume di query consumer e Claude Opus 4.7 è dominante nei flussi di lavoro di sviluppo e integrazione via API, la sotto-indicizzazione strutturale su queste due piattaforme è un obiettivo di remediation ad alta priorità — anche se il numero di SOV aggregata appare accettabile.

Terzo, il Citation Prominence Score (6,4 contro il 7,8 del leader di categoria) rivela che Zentrava viene citata ma non guida. Il 41% delle menzioni di Zentrava arriva come primo brand nominato; per Korvant, quella cifra è il 58%. In una risposta AI conversazionale, aprire la risposta non è solo migliore ricordo del brand — è la struttura che determina quale brand viene trattato come raccomandazione predefinita quando l'utente agisce sulla risposta. La scheda Esplora Risposte rende tutto concreto: scende dal punteggio aggregato al singolo prompt, mostrando dove il brand è comparso in ogni risposta e cosa il modello ha effettivamente detto — incluse le risposte in cui il brand era del tutto assente, che è dove si nasconde il calo dell'intento commerciale.