Come le personas aiutano a costruire visibilità nell’IA

I principali risultati della ricerca Semly

La visibilità di un marchio nell’IA va studiata in relazione alle esigenze di chi pone la domanda e allo sviluppo della sua conversazione con il modello. La presenza di un marchio nella risposta a una richiesta generale non dimostra ancora che il sistema lo raccomandi a un destinatario adatto all’offerta. Nel metodo Semly, Leon assume il ruolo di un utente definito da una persona e costruisce il contesto nella conversazione prima di porre la domanda di acquisto finale.

In Semly sviluppiamo questo approccio con l’agente IA Leon. Per sei mesi abbiamo condotto ricerche ed esperimenti sulle interrogazioni a ChatGPT e Gemini. Il dataset fornito per il rapporto comprende 1,2 milioni di interrogazioni, 24 record aggregati e 12 coppie di confronto. L’analisi include sei coorti e due approcci alla preparazione dei contenuti: senza persona e con persona.

Il tempo medio per raggiungere lo stesso obiettivo di visibilità è stato di 100 giorni senza persona e 70 giorni con persona. Si tratta di una riduzione del 30%, pari a 30 giorni in media. La pertinenza dei contenuti è salita dal 61,5% al 77,5% - 16 punti percentuali in più. Osserviamo la stessa direzione della differenza in entrambi i sistemi.

I risultati sostengono l’uso delle personas nella pianificazione dei contenuti e nell’analisi della visibilità. Consentono un brief più preciso: a chi è destinato il materiale, quali criteri di scelta deve spiegare e a quali obiezioni deve rispondere. Ripetibilità delle risposte e impatto sulla conversione richiedono indicatori distinti; questo dataset non permette di quantificarne gli effetti.

Perché la sola domanda non descrive le esigenze del cliente

La domanda «Dove posso acquistare scarpe da corsa comode?» non specifica superficie, esperienza, budget o uso previsto. La raccomandazione può quindi riguardare un’ampia categoria di prodotti, mentre il marchio deve sapere se raggiunge un corridore amatoriale nel bosco, un principiante su asfalto o un atleta che partecipa a gare.

L’informazione «Corro per svago soprattutto su sentieri nel bosco e cerco scarpe per allenamenti brevi» circoscrive la situazione. Nell’approccio Semly, Leon può presentare questo contesto all’inizio della conversazione e passare alla domanda finale dopo aver interpretato la risposta. L’esigenza principale di acquisto resta la stessa, ma le condizioni di misurazione includono persona, intenzione e messaggi precedenti. Questo conta nell’interpretare aumenti o cali di visibilità.

La persona definisce il ruolo e lo scenario dell’utente utilizzati da Leon nella conversazione con il modello. L’agente costruisce un proprio contesto nel dialogo, avvicinando la ricerca all’uso umano della chat. Non ricostruisce la storia di un utente reale specifico. È utile partire da esigenze e vincoli legati al prodotto. Età, genere e altre caratteristiche demografiche devono essere giustificati dallo scenario studiato.

Le indicazioni ufficiali di OpenAI e Google mostrano che un contesto pertinente aiuta a definire il compito e i suoi vincoli [1][2]. È una base per progettare le interrogazioni.

Come l’agente IA Leon collega la conoscenza del marchio al contesto dell’utente

Leon crea personas a partire dalla conoscenza del marchio, dei suoi prodotti, servizi e contenuti esistenti. Nella ricerca assume poi il ruolo di un utente corrispondente al profilo scelto. Avvia una conversazione, si presenta al modello e ne interpreta la risposta. Su questa base riconosce quando può porre il prompt finale con contesto e intenzione. Il risultato risponde a una domanda pratica: l’IA considera il marchio nella conversazione di una persona le cui esigenze sono adatte all’offerta?

Questo ruolo collega il monitoraggio alla pianificazione dei contenuti. Nelle risposte si possono cercare criteri di scelta, obiezioni e informazioni che il modello usa per motivare le raccomandazioni. Se il sito del marchio non fornisce dati per uno scenario specifico, l’analisi può generare un brief per integrare i contenuti.

Leon conduce la conversazione nel ruolo dell’utente

La ricerca condotta da Leon segue una conversazione. L’agente si presenta prima al modello nel ruolo dell’utente studiato, secondo la persona scelta. Introduce così la situazione e le esigenze del destinatario. Una volta ricevuta la risposta, la legge e la interpreta in relazione all’obiettivo del dialogo.

Interpretare la risposta fa parte del funzionamento dell’agente. Leon valuta se può passare alla domanda finale. Il momento dipende dal corso del dialogo e dalla risposta ricevuta. Il prompt finale contiene contesto e intenzione dell’utente e viene posto in una conversazione in cui il modello possiede già informazioni precedenti su di lui.

Questo modo di interrogare il modello è più vicino all’uso umano della chat. Una persona presenta la propria situazione, legge la risposta e formula la domanda successiva sulla sua base. Leon svolge questo ruolo nella ricerca, permettendo di analizzare la raccomandazione del marchio nel contesto di una conversazione in evoluzione.

L’intenzione definisce la decisione che l’utente vuole prendere. Nell’esempio della corsa, il contesto può essere la corsa amatoriale su sentieri nel bosco e l’intenzione scegliere e acquistare scarpe adatte. Leon chiede una raccomandazione dopo aver interpretato la risposta precedente e stabilito che può porre la domanda finale.

Per interpretare il risultato diventa rilevante l’intera cronologia del dialogo. Una domanda finale identica può generare risposte diverse se i messaggi precedenti introducono esigenze differenti. La ricerca deve quindi identificare sia il prompt finale sia la conversazione in cui è stato posto.

La descrizione del processo spiega il ruolo di Leon e l’avvicinamento a un’interazione in chat. Gli aggregati forniti non isolano però l’effetto della presentazione, dell’interpretazione della risposta o della scelta del momento della domanda. Non attribuiamo separatamente i risultati del 30% e dei 16 punti percentuali a nessuna di queste fasi.

Che cosa significa ridurre il tempo del 30%

Il dataset assume una visibilità iniziale comune del 20% e un obiettivo comune del 40%. La visibilità è il numero di risposte che raccomandano il marchio diviso per il numero di interrogazioni. Si tratta di un aumento di 20 punti percentuali. Gli approcci descrivono la preparazione dei contenuti; i risultati sono valutati rispetto allo stesso obiettivo e panel di domande, secondo le ipotesi del dataset.

Il tempo medio è di 100 giorni senza persona e 70 giorni con persona. La riduzione si calcola come (100 - 70) / 100 × 100%, cioè il 30%. La differenza è di 30 giorni. La formulazione precisa è «30% di tempo in meno per raggiungere lo stesso obiettivo».

Per il team che costruisce visibilità, questo può significare un ciclo più breve dall’identificazione delle esigenze al risultato desiderato. L’interpretazione operativa conta: contenuti più mirati possono ridurre ulteriori revisioni. Il dataset non isola però il tempo di lavoro editoriale né le singole cause della differenza; non attribuiamo tutto l’effetto esclusivamente all’automazione di Leon.

I dati forniscono livello iniziale, finale e tempo fino all’obiettivo, senza una serie giornaliera di visibilità. Il grafico mostra quindi il tempo per raggiungere un risultato comune. Non disegniamo una curva che suggerisca un accumulo uniforme dell’effetto.

Grafico 1. Tempo medio fino all’obiettivo comune del 40% di visibilità: 100 e 70 giorni. Base: 12 coppie comparative nei dati Semly. Differenza: 30 giorni, cioè una riduzione del 30%.

Pertinenza dei contenuti e precisione delle risposte sono misure diverse

Nel dataset, la pertinenza è la quota di contenuti valutati ritenuti coerenti con le esigenze della persona. Ogni record include 100 valutazioni. Senza persona il totale è di 738 contenuti pertinenti su 1200; con persona è di 930 su 1200. Ciò corrisponde rispettivamente al 61,5% e al 77,5%.

La differenza è di 16 punti percentuali. L’aumento relativo rispetto al 61,5% iniziale è circa il 26,0%. Sono due descrizioni degli stessi dati, ma non la stessa unità. La misura principale nel testo e nel grafico resta la differenza in punti percentuali.

La pertinenza del contenuto non equivale alla veridicità della risposta. Una risposta può soddisfare le esigenze e contenere una specifica errata del prodotto. La precisione va quindi valutata separatamente: il modello considera i requisiti, la raccomandazione è adatta e le informazioni sono supportate dalle fonti?

Il 77,5% indica una maggiore quota di materiali coerenti con le esigenze nell’approccio con persona. Permette di parlare di una selezione più pertinente nel dataset analizzato. Poiché sono disponibili solo aggregati, senza valutazioni individuali e rubriche dettagliate, il rapporto non dichiara significatività statistica né equipara pertinenza a correttezza fattuale di tutte le risposte IA.

Grafico 2. Pertinenza dei contenuti: 61,5% e 77,5%, differenza di 16 punti percentuali. Base: 1200 valutazioni per approccio nei dati Semly. L’indicatore misura la coerenza con le esigenze della persona; non è un tasso di conversione.

Risultati di ChatGPT e Gemini

Per ChatGPT, il tempo medio è di 95 giorni senza persona e 66,5 giorni con persona. Per Gemini è di 105 e 73,5 giorni. In entrambi i sistemi la riduzione è del 30%. Il confronto mostra la stessa direzione della differenza nei gruppi analizzati.

La pertinenza nei record ChatGPT è del 60,5% senza persona e del 76,5% con persona. Per Gemini è del 62,5% e del 78,5%. In ciascun sistema la differenza è di 16 punti percentuali. Ogni combinazione di sistema e approccio comprende 600 valutazioni di contenuto.

Separare i risultati per sistema permette di verificare che la media aggregata non nasconda risultati differenti. In questi dati, le differenze fra approcci sono coerenti in ChatGPT e Gemini. Non è una classifica della qualità dei modelli: tempi e pertinenza descrivono azioni e contenuti analizzati.

Nella pratica conviene mantenere profili di visibilità separati per ciascun sistema. Gli stessi contenuti e bisogni possono essere presentati in modo diverso. Le raccomandazioni di Leon possono così essere valutate per uno specifico sistema e scenario, senza ridurre tutta la presenza del marchio a un solo numero.

Grafico 3. Tempo medio fino all’obiettivo comune in ChatGPT e Gemini. Base: 6 coppie comparative per sistema, dati Semly. Il risultato descrive gli approcci analizzati, non una classifica di qualità dei modelli.

Risultati nelle sei coorti

Il dataset comprende le coorti M1-M6. Il tempo medio, calcolato per entrambi i sistemi in ogni coorte, è di 75, 85, 95, 105, 115 e 125 giorni senza persona. Con persona è di 52,5, 59,5, 66,5, 73,5, 80,5 e 87,5 giorni.

La differenza emerge con tempi sia brevi sia lunghi. In M1 è di 22,5 giorni e in M6 di 37,5 giorni. In tutte le coppie fornite il tempo con persona rappresenta il 70% di quello senza persona. Mostriamo esplicitamente questa relazione costante, senza considerarla una misura della ripetibilità delle risposte.

M1-M6 descrivono coorti, non sei misurazioni successive della visibilità di un marchio. Tempi crescenti non indicano necessariamente una minore efficacia nei mesi successivi. Per analizzare stagionalità e cambiamenti temporali servono date di calendario e rilevazioni giornaliere o settimanali.

Una valutazione completa dovrebbe segnalare anche i casi che non raggiungono la soglia entro la fine dell’osservazione. Il dataset non identifica separatamente tali casi. Questo aspetto va considerato nel progettare confronti futuri.

Grafico 4. Tempo fino all’obiettivo in sei coorti, media di due sistemi, dati Semly. Le coorti M1-M6 non sono una serie mensile di visibilità di un marchio.

La stessa domanda per più personas

Nell’ambito del lavoro Semly abbiamo studiato anche la stessa domanda di base per più personas. Leon assume il ruolo dell’utente corrispondente a ciascun profilo e conversa prima della domanda finale. Questo aiuta a riconoscere come esigenze, intenzione e contesto precedente influenzino raccomandazioni e informazioni utili all’acquisto. Per le scarpe da corsa si possono confrontare un principiante su asfalto, un corridore amatoriale nel bosco e chi svolge allenamenti più lunghi su sentieri. La matrice seguente illustra il metodo; non trascrive risposte della ricerca.

In ogni risposta è utile annotare marchi raccomandati, argomenti di scelta, requisiti tecnici, obiezioni e URL citati. Il confronto mostra quali informazioni ricorrono fra scenari e quali rispondono a un’esigenza specifica. Il brief può così includere un nucleo comune e sezioni aggiuntive per le differenze.

Semly usa queste osservazioni come base per raccomandazioni di contenuto più pertinenti. Il dataset fornito non contiene però identificativi delle personas, prompt completi o risposte dei modelli. Il rapporto non attribuisce quindi un effetto numerico a una persona specifica e non presenta una classifica dei marchi da essa raccomandati.

Dalle risposte di più personas a un brief di contenuto

La conversazione può fornire elementi per il brief prima della raccomandazione finale. Una risposta precedente può rivelare criteri da spiegare, mentre la domanda finale di Leon li collega all’intenzione dell’utente. L’analisi dell’intero dialogo aiuta a individuare contenuti utili nelle diverse fasi decisionali.

Prima bisogna distinguere i criteri di scelta dai nomi dei marchi. Una lista di aziende consigliate non spiega perché siano presenti. Per la redazione è più utile sapere che un utente necessita di un confronto di usi, di una spiegazione della compatibilità o di condizioni di reso chiare.

Poi queste esigenze vanno confrontate con i materiali del marchio. Una risposta importante mancante può giustificare l’aggiornamento di una pagina esistente. Le differenze fra gruppi possono giustificare una sezione o un confronto dedicati. La scelta deve basarsi sull’utilità per le persone, non sulla moltiplicazione meccanica di pagine per ogni persona.

Un brief può contenere lo scenario dell’utente, la decisione da prendere, i criteri principali, dati verificabili del prodotto, obiezioni e fonti. Se l’analisi riguarda sentieri nel bosco, il contenuto deve spiegare uso e limiti del prodotto.

Un contenuto preparato così può essere più pertinente per chi arriva da una risposta IA. Questo sostiene l’ipotesi di una conversione migliore. La conferma richiede però un confronto fra comportamento degli utenti e risultati di vendita dopo l’implementazione.

La ripetibilità richiede misurazioni ripetute

Una descrizione stabile della persona e regole di conversazione coerenti facilitano il confronto. Poiché Leon interpreta la risposta prima della domanda finale, vanno controllate anche la cronologia e le regole della decisione. La ripetibilità del processo e la concordanza delle risposte finali vanno misurate separatamente.

Il test proposto deve mantenere versione del modello, modalità di ricerca, lingua, localizzazione e regole di avvio delle sessioni. È utile confrontare conversazioni complete con la stessa persona e obiettivo, e risposte con un contesto ricostruito identicamente. Il primo confronto valuta la variabilità del processo intero; il secondo quella della risposta finale. Panel di base e con personas devono procedere in parallelo.

Si possono misurare stabilità della presenza del marchio, concordanza fra insiemi di marchi raccomandati e corrispondenza delle fonti citate. Per due insiemi A e B, una misura semplice è la quota di marchi comuni nell’insieme di tutti i marchi delle due risposte. Due insiemi vuoti richiedono una regola specifica di rendicontazione.

La ripetibilità all’interno di una persona e le differenze fra personas rispondono a domande diverse. Raccomandazioni stabili per un profilo possono coesistere con differenze chiare fra profili. Le descrizioni strutturate di Leon favoriscono condizioni di interrogazione coerenti. Il dataset non misura però la concordanza fra risposte successive; non quantifichiamo quindi miglioramenti della ripetibilità.

Come verificare l’impatto sulla conversione

La misurazione di business deve distinguere presenza del marchio nella risposta, citazione del sito, visita e azione compiuta. Ogni fase richiede un indicatore. Il numero di raccomandazioni non è quello delle visite e il numero delle visite non è quello degli acquisti.

Dopo l’implementazione è utile monitorare sessioni da fonti IA riconoscibili, coinvolgimento, richieste commerciali, transazioni e ricavi. Parte del traffico può non avere una fonte univoca; bisogna quindi descrivere l’ambito delle sessioni identificate. Il tasso di conversione richiede un denominatore esplicito, ad esempio le sessioni qualificate.

Confrontare pagine o gruppi di contenuti simili con definizione di conversione e finestra di osservazione coerenti rende la valutazione più affidabile. Vanno registrati altri cambiamenti, come promozioni, prezzi, disponibilità e campagne. Altrimenti una crescita delle vendite può essere attribuita erroneamente alla strategia dei contenuti.

Il rapporto propone dunque un’ipotesi concreta: contenuti legati a esigenze reali possono aiutare a decidere. La dimensione dell’effetto sulle vendite resta da misurare. Il foglio di calcolo non contiene sessioni, lead o transazioni.

Che cosa comporta una modifica del metodo per i risultati di visibilità

L’introduzione di personas e conversazioni guidate da Leon cambia le condizioni delle interrogazioni. La risposta al prompt finale tiene conto anche dei messaggi precedenti. Il risultato può salire se il marchio soddisfa meglio le esigenze, o scendere se il sistema sceglie un’altra offerta. I confronti devono quindi considerare la domanda e la costruzione del contesto conversazionale.

La soluzione più trasparente è affiancare i risultati del panel di base e del panel con personas. Se serve una media complessiva, i pesi delle personas devono derivare da ipotesi esplicite sul pubblico. Pesi uguali sono una semplice opzione analitica, ma non dimostrano che ogni gruppo rappresenti la stessa quota della domanda reale.

L’aderenza alle esigenze conta anche nella scelta delle personas. Un profilo creato solo dal punto di vista dell’offerta può omettere ostacoli all’acquisto o situazioni in cui il prodotto non è adatto. Conviene includere scenari impegnativi, senza limitare il panel agli utenti a cui è facile raccomandare il marchio.

Sintesi del rapporto

La ricerca Semly mostra che le personas aiutano ad adattare i contenuti alle esigenze e a ridurre il tempo per costruire visibilità nell’IA. Nel dataset analizzato, il tempo medio è stato di 100 giorni senza persona e 70 con persona - il 30% in meno. La pertinenza è salita dal 61,5% al 77,5%, cioè di 16 punti percentuali. La differenza ha seguito la stessa direzione in ChatGPT e Gemini.

Leon dà a questo approccio una forma conversazionale. Agisce da utente: si presenta secondo la persona, interpreta la risposta e riconosce quando porre la domanda finale con contesto e intenzione. Semly analizza così le raccomandazioni in condizioni più vicine all’uso umano della chat.

La stessa domanda di base per più personas rivela criteri di scelta, obiezioni e necessità informative differenti. Queste osservazioni possono generare brief, confronti e materiali più precisi che aiutino a decidere. La maggiore pertinenza sostiene questo approccio; l’effetto sulla conversione richiede una misurazione separata dei comportamenti e dei risultati di business.

Personas e regole coerenti creano una base per un monitoraggio comparabile. La ripetibilità delle risposte deve comunque essere valutata con misurazioni successive che considerino cronologia e condizioni di interrogazione. I risultati non quantificano miglioramenti della ripetibilità né aumenti della conversione.

Per i marchi, la conseguenza pratica è chiara: studiare a chi e in quale situazione l’IA raccomanda l’offerta e usare tali informazioni per sviluppare i contenuti. Semly collega così il monitoraggio della visibilità alla ricerca su contesto, intenzione e raccomandazioni dei modelli.

Fonti

Materiale Semly: «Oltre un milione di interrogazioni, sei mesi di ricerca. Perché Semly introduce le personas nel monitoraggio della visibilità nell’IA», integrato dalla descrizione delle conversazioni di Leon - fonti per la descrizione dell’agente e della ricerca.

[1] OpenAI, Prompt engineering. Indicazioni sull’inserimento di un contesto pertinente nelle interrogazioni. https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google AI for Developers, Prompt design strategies. Indicazioni sul contesto e sui vincoli del compito. https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/

Condividi:

Copia link