Prof.ssa Stefania Romenti, direttore del Centro di ricerca della Comunicazione Strategica (CECOMS) dell’Università IULM e membro
dell’AMEC Academic Advisory Board
Da oltre quarant’anni la misurazione e la valutazione della comunicazione d’impresa e istituzionale restano un terreno che non ha ancora raggiunto la maturità rispetto all’importanza che il tema riveste per dimostrare il valore del lavoro dei comunicatori. In questo quadro, il percorso di AMEC, che da anni lavora per costruire standard condivisi e riconosciuti a livello internazionale, ha prodotto risultati significativi: l’aggiornamento dei Barcelona Principles alla versione 4.0, la revisione del proprio Integrated Evaluation Framework e un nuovo set di linee guida dedicate a un fenomeno che sta ridisegnando il modo in cui le persone trovano e si fidano delle informazioni: la Generative Engine Optimization (GEO).
Misurare o valutare? Una distinzione che conta
Il primo nodo da sciogliere riguarda il linguaggio stesso con cui il settore descrive il proprio lavoro. Un’analisi degli interventi al Global Summit AMEC 2026 di Dublino ha rilevato che il termine “misurazione” è stato usato oltre 120 volte, contro meno di 20 occorrenze di “valutazione”. Non è un dettaglio semantico: la misurazione consiste nel raccogliere dati — volume e tono della copertura media, livelli di awareness, e così via — ma questi dati, da soli, non significano nulla. È solo l’interpretazione, calata nel contesto, a trasformare le misure in un giudizio sul merito, sul valore o sulla rilevanza di un’attività di comunicazione: questa è, propriamente, la valutazione. Molti esperti spingono oltre, sostenendo che il processo dovrebbe arrivare fino all’apprendimento (gli insight), capace di alimentare raccomandazioni concrete per la strategia futura. Il percorso ideale, dunque, va dalla misurazione alla valutazione, fino all’azione: un’evoluzione che il settore ha intrapreso ma non ancora completato.
La sfida della Generative AI
Su questo terreno già acquisito si innesta una seconda sfida, più recente e più dirompente: l’adozione massiccia dell’intelligenza artificiale generativa, che sta cambiando il monitoraggio media, la produzione di contenuti e l’analisi dei dati. I professionisti della comunicazione si trovano oggi in prima linea su due fronti collegati: garantire l’integrità delle informazioni nei large language model (LLM), verificandone fonti e accuratezza, e gestire la cosiddetta GEO, la pratica con cui le organizzazioni cercano di assicurarsi che i propri contenuti emergano nelle risposte generate dall’IA. Qui si apre un bivio etico netto: la GEO può essere usata per garantire che gli LLM contengano informazioni accurate, affidabili e non distorte, oppure — al contrario — per alimentare i modelli con contenuti promozionali e propaganda. È proprio per orientare questa scelta che AMEC ha pubblicato i GEO Principles e la Practitioner’s Guide to GEO Measurement.
I sette principi GEO di AMEC
I GEO Principles definiscono gli standard con cui valutare come un’organizzazione, un prodotto, un servizio o un tema venga trovato, interpretato, citato e rappresentato nei sistemi di AI-led discovery. L’obiettivo dichiarato non è semplicemente “aumentare la visibilità”, ma garantire che gli stakeholder incontrino informazioni accurate, utili, aggiornate, credibili e affidabili. I sette principi possono essere riassunti così:
1. la misurazione della AI-led discovery va ancorata agli obiettivi di comunicazione e ai bisogni informativi degli stakeholder;
2. prima di interpretare le risposte generate dall’IA occorre valutare l’ambiente informativo “a monte” (upstream);
3. la “readiness” dei contenuti — quanto sono reperibili, strutturati e aggiornati — va considerata prova della reperibilità e citabilità delle informazioni affidabili;
4. gli output osservati nei sistemi di IA sono indicatori direzionali e vanno testati in modo trasparente su più strumenti, prompt, mercati, lingue e momenti temporali;
5. la misurazione GEO deve distinguere la visibilità dai risultati effettivi, collegando la AI discovery a consapevolezza, fiducia, comportamento e impatto;
6. contano più l’affidabilità, la fiducia e l’attualità delle fonti che il volume, la promozione o la visibilità di breve termine;
7. una GEO etica migliora l’ambiente informativo pubblico e non deve manipolarlo, camuffarlo o inondarlo di contenuti.
A questi principi se ne affianca uno etico esplicito: migliorare la disponibilità di informazioni accurate, utili e verificabili, senza inondare il web di contenuti di scarsa qualità, mascherare la promozione da prova indipendente, manipolare recensioni e forum o trattare gli output dell’IA come fatti senza verifica. AMEC ribadisce inoltre un punto metodologico cruciale: nessuno strumento, punteggio o singolo set di prompt può dimostrare da solo la visibilità totale di un brand nell’IA o il suo impatto comunicativo reale.
I tre ambiti di evidenza e gli standard minimi
I principi si applicano attraverso tre “domini di evidenza” che vanno sempre triangolati tra loro, senza trattarli come una sequenza fissa: l’ambiente informativo upstream (uscite media, contenuti condivisi e owned, recensioni, discussioni degli stakeholder), la search and content readiness (quanto un’informazione affidabile è reperibile, strutturata, aggiornata, accessibile e sostenuta da fonti credibili) e il downstream AI output tracking, cioè ciò che gli stakeholder vedono effettivamente — presenza, framing, citazioni, omissioni, qualità delle fonti, accuratezza e rischi. AMEC fissa anche alcuni standard minimi di evidenza: una libreria di query “governata” e collegata ai reali bisogni informativi degli stakeholder, la documentazione di strumenti, prompt, piattaforme, date, mercati e lingue utilizzati, la conservazione degli output come prova, una revisione della qualità delle fonti, e una netta separazione tra visibilità, risultati e impatto.
Dalla teoria alla pratica: la guida operativa
La Practitioner’s Guide to GEO Measurement traduce questi principi in indicazioni operative. Il modello proposto si fonda su tre aree di misurazione interconnesse, da valutare sempre insieme: la reputazione upstream (uscite media, recensioni, commenti di esperti e contenuti owned su cui i sistemi di IA si basano), la search and content readiness (la reperibilità tecnica dei contenuti: indicizzazione, struttura, freschezza, autorevolezza dei link in entrata) e gli output downstream dell’IA, ovvero ciò che effettivamente compare nelle risposte generate — presenza del brand, prominenza, framing, mix delle fonti citate, accuratezza dei messaggi ed eventuali segnali di rischio come errori o claim fuorvianti.
La guida insiste molto sui limiti intrinseci di questo tipo di monitoraggio. Il monitoraggio degli output downstream va trattato come prova “direzionale”, non come punteggio definitivo, perché i risultati variano per piattaforma, query, mercato e momento di osservazione. Servono sia prompt branded sia unbranded per avere un quadro realistico del posizionamento di un’organizzazione. Il comportamento di recupero e citazione delle fonti da parte dei modelli può cambiare senza preavviso, per cui i dati su questo aspetto vanno considerati una fotografia, non un segnale stabile. A differenza del monitoraggio media tradizionale, inoltre, la GEO è per sua natura un esercizio previsionale: non esiste uno storico da interrogare retroattivamente, quindi i programmi di monitoraggio vanno avviati prima che servano, non dopo. Anche le affermazioni sul comportamento di specifiche audience richiedono cautela, perché i dati a livello di singolo utente non sono attualmente condivisi dalle aziende che sviluppano i modelli. Infine, è essenziale sapere se lo strumento utilizzato si basa su simulazione di prompt o su metodi panel-based, perché nessuno dei due approcci è definitivo e la differenza incide sull’interpretazione dei risultati, specie in contesti pubblici, regolamentati o istituzionali.
La GEO nel quadro di valutazione AMEC
Un punto che la guida sottolinea con chiarezza è che la GEO non sostituisce il framework di valutazione AMEC già esistente, ma vi si integra come nuova fonte di dati. La logica resta quella classica: gli output sono l’attività di comunicazione e i contenuti prodotti o influenzati dall’organizzazione (copertura, commenti di esperti, pagine owned); gli out-take sono ciò che le persone vedono e trattengono negli ambienti di IA, comprese menzioni, citazioni, framing e accuratezza dei messaggi; gli outcome riguardano il traffico di referral generato dalle superfici di IA, da misurare con strumenti di web analytics in termini di sessioni, sessioni con engagement, conversioni e conversioni assistite; l’impatto, infine, è il contributo agli obiettivi organizzativi più ampi, da valutare attraverso un insieme di evidenze combinate e non con una singola metrica legata all’IA.
A questo si accompagnano alcuni avvertimenti che vale la pena tenere a mente: non esiste una metrica unica e stabile capace di catturare la visibilità totale su tutti gli LLM, nessuno strumento mostra da solo la visibilità completa di un brand sul mercato, un cambiamento in una risposta dell’IA non dimostra di per sé un impatto sul business, e il semplice prompting non rivela la conoscenza interna del modello né l’influenza ricevuta durante l’addestramento. Esplicitare questi limiti, sottolinea AMEC, serve a proteggere la credibilità professionale dei comunicatori e a ridurre il rischio di rivendicazioni eccessive.
Conclusioni
Il quadro che emerge è quello di una disciplina in transizione su due fronti paralleli. Da un lato, il settore della comunicazione sta lentamente spostando il proprio linguaggio e la propria pratica dalla semplice misurazione verso una valutazione più matura, capace di generare apprendimento e di orientare le decisioni strategiche. Dall’altro, l’irruzione dell’intelligenza artificiale generativa impone di estendere questo sforzo a un nuovo terreno, quello della GEO, dove la posta in gioco non è solo la visibilità di un brand ma l’integrità stessa dell’ecosistema informativo su cui i modelli linguistici si basano per rispondere a milioni di utenti. I principi e le linee guida pubblicati da AMEC offrono ai professionisti una bussola metodologica per muoversi in questo spazio ancora nuovo, ricordando però che — proprio come per la misurazione tradizionale — nessun numero, da solo, può raccontare l’intera storia.
