Disambiguare per essere citati. Il co-testo nella rappresentazione delle entità nei sistemi di AI. – prof. Andrea Testa

Il co-testo come determinante nella rappresentazione delle entità da parte dei sistemi di intelligenza artificiale generativa: uno studio esplorativo sull’italiano

Di Andrea Testa, docente Ciels di diversi corsi triennali tra cui Web marketing & digital transformation of business, Elaborazione di digital marketing plan e gestione reputazione, Social influencer marketing e ricerche di mercato.

Abstract

I sistemi di intelligenza artificiale generativa mediano una quota crescente dell’accesso all’informazione: quando rispondono a un’interrogazione, recuperano, sintetizzano e citano entità – brand, organizzazioni, professionisti. L’operazione presuppone un passaggio linguistico raramente esplicitato: la disambiguazione lessicale dell’entità e del suo dominio di appartenenza.

Il dibattito sulla Generative Engine Optimization (Aggarwal et al., 2024) ha finora privilegiato fattori tecnici e contenutistici della visibilità, sviluppandosi quasi esclusivamente su materiale anglofono. Resta scoperta una domanda: quali fattori linguistici determinano la corretta collocazione semantica di un’entità nella risposta generativa?

Il contributo presenta uno studio esplorativo qualitativo su un corpus di casi documentati mediante monitoraggio sistematico di quattro sistemi generativi (ChatGPT, Claude, Perplexity, Gemini) interrogati in lingua italiana. L’analisi identifica cinque meccanismi ricorrenti di fallimento disambiguativo e individua il punto in cui l’errore si origina: l’espansione della query, fase in cui il modello riscrive il termine prima di recuperare le fonti.

La tesi che emerge dai dati corregge l’ipotesi iniziale: in assenza di co-testo la disambiguazione non diventa sbagliata, diventa arbitraria. La divergenza fra motori sullo stesso input non è rumore, è il sintomo diagnostico della condizione. Le implicazioni riguardano la pratica della scrittura orientata alla citabilità e la teoria della mediazione linguistica, riletta come atto intenzionale di disambiguazione a beneficio di un lettore non umano.

1. Introduzione

Un’azienda che progetta e installa impianti fotovoltaici sceglie di descriversi con il termine istallazioni (riportiamo volutamente l’errore). È una scelta ragionevole: il termine è tecnicamente corretto, appartiene al lessico del settore, ed è plausibilmente quello che un potenziale cliente digiterebbe. Interrogato con quel termine, un sistema di intelligenza artificiale generativa risponde parlando di arte contemporanea, citando come fonti tre portali di divulgazione artistica.

Non è un malfunzionamento. È il risultato prevedibile di un’operazione linguistica che il modello esegue correttamente: la disambiguazione di un termine polisemico. Il modello ha scelto un significato. Ha scelto quello sbagliato – o meglio, ha scelto quello che il suo addestramento indicava come più probabile, in assenza di indizi contrari.

Questo contributo indaga il fenomeno con gli strumenti della semantica lessicale. La domanda di ricerca è duplice: (a) quali meccanismi linguistici determinano il fallimento della collocazione di un’entità nel suo dominio semantico; (b) in quale fase del processo generativo l’errore si origina.

La rilevanza non è solo teorica. Se una quota crescente delle decisioni di acquisto e informazione passa attraverso risposte generative, la collocazione semantica di un’organizzazione all’interno di quelle risposte diventa una condizione di accessibilità. Un’impresa collocata nel dominio sbagliato non è “meno visibile”: è assente dalle interrogazioni che la riguardano, pur essendo perfettamente indicizzata e nota al modello.

2. Cornice teorica

2.1 Polisemia e disambiguazione

La polisemia – la proprietà di un lessema di veicolare più significati distinti ma correlati – è una caratteristica strutturale del lessico, non un’anomalia. Installazione designa tanto l’atto e il risultato del montare un impianto tecnico quanto una forma d’arte contemporanea. Entrambi i sensi sono legittimi, consolidati, e ampiamente attestati.

La disambiguazione è l’operazione con cui un parlante – o un sistema – seleziona il senso pertinente. Nella comunicazione umana avviene in modo largamente automatico e inconsapevole, appoggiandosi a indizi contestuali che raramente vengono resi espliciti.

2.2 Co-testo e collocazione

Distinguiamo, con la tradizione della linguistica testuale, il contesto (l’insieme delle circostanze extralinguistiche dell’enunciazione) dal co-testo (l’intorno verbale del segmento considerato). È il co-testo a fare la maggior parte del lavoro disambiguante: installazioni fotovoltaiche da 6 kWp con inverter ibrido non è ambiguo per nessun lettore, perché il vicinato lessicale chiude gli altri sensi possibili.

A questo si aggiunge la nozione di collocazione: la tendenza statistica di un lessema a co-occorrere con determinati altri lessemi. Pacchetto completo ha una collocazione dominante nel dominio turistico-commerciale; l’associazione è così frequente da costituire un’aspettativa di default.

2.3 Il sintagma come chiave

Assumiamo il sintagma nominale come unità minima di analisi: il gruppo di parole che, attorno a una testa, funziona come unità di senso. La testa (installazioni, pacchetto) porta il significato principale; i modificatori lo specificano.

L’ipotesi di partenza di questo studio era che il sintagma funzionasse da “chiave” e il co-testo da guida verso la “serratura” corretta. I dati, come vedremo, impongono una correzione a questa formulazione.

3. Stato dell’arte

Il filone di ricerca sulla visibilità delle entità nei sistemi generativi si è formalizzato con il lavoro di Aggarwal e colleghi (2024), che ha introdotto la nozione di Generative Engine Optimization (GEO) e un benchmark dedicato, dimostrando che interventi sul contenuto – inserimento di statistiche, citazioni, terminologia di dominio – incrementano significativamente la probabilità che una pagina venga citata in una risposta generativa.

Lavori successivi hanno raffinato e in parte ridimensionato quelle conclusioni, mostrando che diverse tattiche di ottimizzazione conversazionale risultano inefficaci o controproducenti, mentre la pertinenza della fonte continua a funzionare (Puerto et al., 2025). Una linea di ricerca più recente ha inoltre quantificato il fenomeno delle citazioni provenienti da fonti inappropriate rispetto al dominio dell’interrogazione, rilevandone un’incidenza tutt’altro che marginale.

Questa letteratura presenta due caratteristiche rilevanti per il presente contributo. In primo luogo, è quasi interamente costruita su corpora e interrogazioni in lingua inglese: le specificità disambiguative di altre lingue restano inesplorate. In secondo luogo, descrive il fenomeno delle citazioni fuori dominio come esito misurabile, senza indagarne il meccanismo linguistico generativo. Sappiamo che accade; non sappiamo perché, né dove nel processo l’errore si produca.

È in questo doppio spazio – l’italiano e il meccanismo – che si colloca il presente studio.

4. Metodo

4.1 Natura dello studio

Si tratta di uno studio esplorativo qualitativo. Non si propone di misurare l’incidenza del fenomeno né di stabilire relazioni causali generalizzabili: si propone di descriverne i meccanismi e di costruirne una prima tipologia, in un dominio dove la letteratura in lingua italiana è, allo stato, assente.

4.2 Strumento e corpus

I casi provengono da un sistema proprietario di monitoraggio (Core AI Vitals) che interroga in parallelo quattro sistemi generativi: ChatGPT, Claude, Perplexity, Gemini, e ne registra risposte, riscritture della query e fonti citate.

Un tratto metodologicamente decisivo dello strumento: le interrogazioni non sono costruite dal ricercatore, né campionate da log di utenti reali. Sono i termini che le organizzazioni (le aziende che inseriscono le query) stesse selezionano e sottopongono a verifica, sulla base della propria ipotesi su come utenti e sistemi (le AI) le raggiungeranno. Ogni query è dunque, letteralmente, la scommessa lessicale di un’organizzazione sulla propria via d’accesso. Questo rende il corpus particolarmente adatto alla domanda di ricerca: non osserviamo come gli utenti cercano, ma come le organizzazioni credono di essere cercate – e cosa accade a quella credenza quando incontra un sistema generativo.

Corpus: 142 esecuzioni registrate fra il 9 giugno e il 14 luglio 2026, relative a organizzazioni italiane di settori eterogenei. Tutti i casi sono riportati in forma anonimizzata: le organizzazioni sono identificate solo per categoria merceologica.

4.3 Criteri di selezione

Sono state selezionate le esecuzioni in cui la risposta generativa risulta tematicamente estranea al dominio dell’organizzazione interrogante. Sono state escluse le esecuzioni in cui l’entità semplicemente non compare senza deriva tematica: l’assenza non è disambiguazione fallita.

La selezione ha prodotto 10 casi, riconducibili a 6 fenomeni linguistici distinti con dominio verificabile (alcuni fenomeni sono documentati su più motori) e 3 casi ulteriori in cui la deriva è documentata ma il dominio corretto non è verificabile, utilizzati per una funzione argomentativa distinta (§ 7).

4.4 Limiti dichiarati

Il campione non è statisticamente rappresentativo: 142 esecuzioni relative a un insieme non casuale di organizzazioni. I dati permettono di descrivere meccanismi, non di stimarne la frequenza nella popolazione. Il sistema calcola un indice proprietario di scostamento che non è stato utilizzato in questa analisi: la sua definizione operativa non coincide con il fenomeno qui indagato, e includerlo avrebbe introdotto una misura non pertinente. La quantificazione è demandata a lavori successivi.

5. Il meccanismo: la deriva avviene nell’espansione della query

Prima di presentare la tipologia, va isolato il risultato che la rende leggibile.

Nella maggioranza dei casi documentati, i sistemi non recuperano fonti a partire dal termine così com’è: lo riscrivono ed espandono in una o più interrogazioni derivate, e solo su queste effettuano il recupero. Le riscritture sono registrate dallo strumento, e mostrano dove l’errore nasce:

Termine sottoposto	Riscrittura operata dal sistema
istallazioni	«installazioni artistiche Italia 15 giugno 2026»
associazione comperisti	«associazioni di consumatori italia 2026»; «gruppi di acquisto solidale italia»
elevador ventosa	«ascensore pneumatico a vuoto Spagna»; «normativa ascensori a ventosa Spagna»
Injection technique roma	«tecniche di iniezione Roma medicina estetica»
Induttive	«previsioni meteo induttive oggi 20 giugno 2026 Italia»

Il dato è netto: quando il recupero comincia, il dominio è già stato scelto. La disambiguazione non avviene durante la sintesi della risposta né durante la selezione delle fonti: avviene prima, in una riscrittura che il sistema opera sul termine nudo. Da quel momento l’errore è irreversibile – il modello recupererà fonti pertinenti, autorevoli e coerenti, ma pertinenti a un altro dominio.

Questa osservazione ha una conseguenza pratica immediata: intervenire sulle fonti o sull’autorevolezza del sito non corregge una deriva che si è già consumata a monte. L’unico punto di leva è il materiale lessicale che raggiunge il sistema.

6. Tipologia dei fallimenti disambiguativi

6.1 Tipo 1 – Polisemia lessicale di dominio

Il caso canonico: il termine possiede due sensi consolidati appartenenti a domini diversi, ed entrambi sono frequenti.

Caso istallazioni (settore: sicurezza e automazione / impianti fotovoltaici). Interrogato con il termine nudo, un sistema risponde: «In italiano, “istallazioni” sembra ed è un refuso di “installazioni”. Nel contesto geografico Italia, il termine può riferirsi sia a installazioni artistiche sia, più in generale, a opere o…». Le fonti recuperate sono tre portali d’arte. Un secondo sistema, sullo stesso termine, espande direttamente in «installazioni artistiche Italia» e recupera da un quotidiano culturale, dal sito di un comune e da un portale di comunicati.

Il passaggio è notevole per due ragioni. La prima: il sistema dichiara esplicitamente l’operazione disambiguante (“sembra un refuso di”), rendendo visibile un processo di norma opaco. La seconda: la correzione ortografica è corretta, ma non risolve nulla – anzi, consegna il termine corretto (installazioni) alla sua polisemia, dove il senso artistico prevale.

Caso elevador ventosa (settore: macchine industriali / lavorazione lamiera). Il senso corretto è quello di sollevatore industriale a ventose per lastre; un sistema espande in «ascensore pneumatico a vuoto», cioè un impianto di sollevamento per persone. Qui la polisemia è aggravata da un fattore cross-linguistico: il termine, spagnolo, viene tradotto e insieme reinterpretato.

6.2 Tipo 2 – Rianalisi morfologica su forma non standard

Meccanismo distinto dalla polisemia, e più insidioso: il termine sottoposto non è un lessema attestato, e il sistema lo ricostruisce morfologicamente attribuendogli una radice plausibile ma errata.

Caso comperisti (settore: associazionismo di categoria / veicoli ricreazionali). Il termine è un refuso di camperisti. Un sistema non lo corregge: lo ri-radica su comprare ed espande in «associazioni di consumatori italia 2026», «gruppi di acquisto solidale italia», «cooperative di consumatori italia». La ricostruzione è linguisticamente coerente – la radice comper- esiste, la morfologia derivazionale regge – ma produce un’entità inesistente e un dominio estraneo.

Il confronto interno è istruttivo: un secondo sistema, sullo stesso termine, ricostruisce correttamente camperisti. La forma non standard, cioè, non determina l’esito: apre uno spazio di ricostruzione in cui sistemi diversi compiono scelte diverse.

6.3 Tipo 3 – Oscillazione fra nome comune e nome proprio

Il confine fra lessico comune e onomastica commerciale è una zona di ambiguità sistematica, e attraversabile nei due sensi.

Direzione comune > proprio. Caso audio pro (settore: retail / strumenti musicali e audio professionale). Il sintagma designa, nell’intenzione dell’organizzazione, una categoria merceologica. Il sistema lo legge come nome proprio di marca e risponde: «Per acquistare prodotti Audio Pro online in Italia puoi usare soprattutto il catalogo di Audio Impact, che ha una sezione dedicata al marchio Audio Pro». La risposta è impeccabile – e indirizza il potenziale cliente a un rivenditore terzo di un marchio omonimo. Un secondo sistema compie la stessa operazione, capitalizzando il sintagma nell’espansione.

Direzione proprio > comune. Un’organizzazione la cui ragione sociale coincide con un cognome italiano diffuso viene interrogata con la propria denominazione: un sistema espande in «onomastico 20 giugno» e recupera da un portale per genitori e da un sito di attualità musicale. Un secondo elenca aziende omonime di settori eterogenei (navale, dentale).

6.4 Tipo 4 – Deriva intra-settoriale

La forma più sottile, perché il macro-dominio è corretto.

Caso injection technique (settore: sanità / odontoiatria). Il termine designa una tecnica odontoiatrica con compositi fluidi. Un sistema espande in «tecniche di iniezione Roma medicina estetica» e recupera da fonti di medicina estetica. Il dominio sanitario è rispettato; il sotto-dominio è sbagliato. La deriva è più difficile da rilevare proprio perché la risposta sembra pertinente: parla di medicina, di Roma, di iniezioni. Solo un lettore competente coglie che l’oggetto è un altro.

Un secondo sistema, sullo stesso termine, resta sul senso odontoiatrico e cita l’organizzazione.

6.5 Tipo 5 – Scarto fra recupero e sintesi

Il caso più originale del corpus, e l’unico in cui la deriva non si manifesta nel testo della risposta.

Caso pacchetto completo (settore: software / chatbot per PMI). L’interrogazione – «chatbot ai italiano pacchetto completo, quale consigli?» – è l’unica del corpus dotata di co-testo ricco. La risposta generata è pertinente: «Per un “pacchetto completo” di chatbot AI in italiano (piattaforma, modello, integrazioni, fatturazione a partita IVA, supporto in UE), oggi le soluzioni più mature e flessibili per l’uso in Italia…». Il testo è in tema, informato, corretto.

Le fonti recuperate sono integralmente turistiche: sei portali di viaggi e prenotazione voli.

Il caso documenta uno scarto fra la fase di recupero e la fase di sintesi: l’espansione della query ha seguito la collocazione dominante di pacchetto completo – il dominio turistico – e ha recuperato di conseguenza; la sintesi ha invece attinto alla conoscenza parametrica del modello sul dominio corretto, indicato dal co-testo chatbot ai italiano.

L’eccezione conferma il meccanismo descritto in § 5. Il co-testo ricco ha protetto la generazione ma non ha protetto il recupero: le due fasi hanno disambiguato in modo indipendente e discorde. Per un’organizzazione l’esito è paradossale: la risposta parla della sua categoria e non la cita, perché le fonti da cui il sistema poteva citarla non sono mai state recuperate.

7. La divergenza fra sistemi come sintomo

Un risultato attraversa l’intera tipologia e impone di rivedere l’ipotesi di partenza.

In quattro dei sei fenomeni con dominio verificabile, almeno un sistema disambigua correttamente mentre un altro deriva, a parità di termine sottoposto e di data. Su comperisti, un sistema ricostruisce camperisti e un altro comprare. Su elevador ventosa, due sistemi su tre restano sul senso industriale. Su injection technique, un sistema resta sull’odontoiatria e cita l’organizzazione.

I tre casi a dominio non verificabile rendono il punto ancora più netto. Il termine induttive, sottoposto nudo lo stesso giorno a quattro sistemi, produce derive reciprocamente incompatibili: un sistema espande in «previsioni meteo induttive oggi 20 giugno 2026 Italia» e recupera da tre portali meteorologici; un altro espande in «Induzione 20 giugno 2026 Italia» e recupera da tre siti di calendari e ricorrenze. Non è che uno sbagli e l’altro no: sbagliano in direzioni che non hanno nulla in comune.

Questo risultato falsifica la formulazione forte dell’ipotesi iniziale. Se il co-testo fosse l’unico determinante, a parità di input l’esito dovrebbe essere costante. Non lo è.

La formulazione che i dati sostengono è diversa, e più interessante:

In assenza di co-testo sufficiente, la disambiguazione non diventa sbagliata: diventa arbitraria. Ogni sistema colma il vuoto informativo con la propria strategia di espansione, e le strategie divergono.

La varianza inter-sistema non è dunque rumore da mediare: è il sintomo diagnostico della condizione. Un termine su cui quattro sistemi concordano è un termine ancorato; un termine che produce quattro derive distinte è un termine nudo, e la divergenza lo rivela.

Ne discende un corollario pratico che rovescia una pratica diffusa: non ha senso ottimizzare per il comportamento di un singolo sistema, perché il comportamento del singolo sistema è, in condizioni di ambiguità, imprevedibile per costruzione. L’unico intervento efficace agisce sulla condizione, non sull’esito: fornire l’ancoraggio.

8. Discussione

8.1 Implicazioni per la scrittura

Se la deriva si consuma nell’espansione della query, e se la condizione che la abilita è l’assenza di co-testo, allora la leva è il materiale lessicale con cui un’organizzazione, con i professionisti che se ne occupano, si nomina e si descrive.

Tre indicazioni discendono direttamente dai casi:

Ancorare la testa polisemica. Non istallazioni ma impianti fotovoltaici; non audio pro ma strumenti audio professionali. L’intervento non è stilistico: sostituisce una chiave che apre più porte con una che ne apre una sola.

Seminare co-testo di dominio nell’unità testuale. Attorno al termine, lessemi che appartengano senza residuo al campo: kWp, inverter, accumulo per il fotovoltaico. Sono questi a spostare il calcolo di probabilità nella fase di riscrittura.

Riconoscere le collocazioni dominanti altrui. Pacchetto completo appartiene, statisticamente, al turismo. Un’organizzazione software che lo adotta sta prendendo in prestito un sintagma già occupato: o vi rinuncia, o lo circonda di co-testo sufficiente a vincere la collocazione.

Il caso pacchetto completo aggiunge un avvertimento: il co-testo ricco protegge la sintesi ma può non proteggere il recupero. La conclusione operativa è che l’ancoraggio va portato sul termine stesso, non solo nel suo intorno.

8.2 Implicazioni per la mediazione linguistica

L’osservazione più generale riguarda la natura dell’operazione richiesta.

Scrivere perché un sistema generativo collochi correttamente un’entità non è un’operazione tecnica travestita da linguistica: è un atto di mediazione. Presuppone la rappresentazione di un destinatario – un sistema che disambigua per frequenza, privo di conoscenza del mondo del parlante e incapace di chiedere chiarimenti – e l’adattamento del messaggio a quel destinatario.

È mediazione linguistica in senso proprio, con una differenza che merita attenzione teorica: il destinatario non condivide con l’emittente alcun contesto situazionale, e non dispone di alcun canale di riparazione. Nella comunicazione umana l’ambiguità si risolve per negoziazione – l’interlocutore chiede, il parlante precisa. Qui non accade: il sistema non chiede, sceglie. E se sceglie male, l’emittente non lo saprà mai, perché l’esito di quella scelta è la propria assenza da una risposta che non vedrà.

Questa asimmetria – un destinatario che disambigua senza poter negoziare – definisce un oggetto di studio che la linguistica applicata ha, allo stato, appena cominciato a considerare.

9. Limiti e sviluppi

Lo studio è esplorativo e i suoi limiti vanno dichiarati con precisione.

Il corpus è ridotto (142 esecuzioni, 6 fenomeni con dominio verificabile) e non casuale: le organizzazioni monitorate non costituiscono un campione della popolazione delle imprese italiane. La tipologia proposta è una prima ricognizione, non una classificazione esaustiva: casi ulteriori potranno aggiungere tipi o ridefinire i confini di quelli qui descritti.

Tre casi presentano una limitazione di verificabilità dichiarata: il dominio corretto non è accertabile perché il sito dell’organizzazione non espone metadati e l’entità non è riconosciuta. Sono stati usati esclusivamente per documentare la divergenza inter-sistema (§ 7), non per l’attribuzione di un dominio errato.

I sistemi generativi non sono deterministici: la stessa interrogazione può produrre risposte diverse in momenti diversi. Le derive qui documentate sono osservazioni datate, non proprietà stabili dei sistemi.

Gli sviluppi naturali sono due. Sul piano quantitativo, la costruzione di un indice di divergenza inter-sistema come misura operativa dell’ambiguità di un termine: la varianza, se è il sintomo, è anche il misurando. Sul piano contrastivo, la verifica di quali tipi siano lingua-specifici: installazioni è ambiguo in italiano in un modo che installations non replica, e la questione di quanto la disambiguazione dipenda dalla lingua di interrogazione resta aperta.

10. Conclusioni

I sistemi di intelligenza artificiale generativa disambiguano prima di recuperare. La scelta del dominio semantico avviene in una riscrittura del termine che precede l’accesso alle fonti, e da quel momento è irreversibile: le fonti saranno pertinenti, autorevoli, e appartenenti al dominio sbagliato.

Quando il termine è ancorato, la scelta è corretta e i sistemi convergono. Quando il termine è nudo, la scelta non è sbagliata: è arbitraria, e i sistemi divergono: verso l’arte, verso il consumo organizzato, verso il meteo.
La divergenza è il sintomo che rende la condizione diagnosticabile.

Per un’organizzazione, la conseguenza è che ogni termine ambiguo con cui sceglie di nominarsi è una delega: affida a un sistema, che non conosce il suo mondo e non può interrogarla, la decisione sul proprio significato. Quella delega si revoca in un solo modo. Non con la tecnica, ma con la lingua.

Riferimenti

Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’24).

Puerto, H. et al. (2025). C-SEO Bench: Does Conversational SEO Work?

Contributo proposto per il Blog CIELS. Studio esplorativo; i casi sono presentati in forma anonimizzata.