Chi citano ChatGPT, Perplexity e Gemini quando si chiede un hotel a Venezia

Quando qualcuno chiede a un assistente AI "qual è il miglior hotel di lusso a Venezia", quali siti finiscono tra le fonti? E sono gli stessi per Perplexity, ChatGPT e Gemini? Ho posto le stesse 72 domande ai tre motori, ho registrato ogni fonte citata e, dove il motore lo espone, ogni ricerca eseguita per costruire la risposta.

Documento di lavoro preliminare, dati raccolti il 6 agosto 2026, pubblicato il 27 settembre 2026. Tutti i risultati vengono da una sola ripetizione per domanda: le direzioni sono robuste, i valori puntuali no. I limiti sono descritti per esteso nella sezione 5. Due strutture indipendenti sono anonimizzate; i dati restano invariati.

1. Sintesi

Questo studio misura quali fonti web vengono citate da tre motori generativi (Perplexity Sonar, OpenAI GPT-5, Google Gemini 3.6 Flash) quando rispondono a domande sull'ospitalità di lusso a Venezia.

I risultati principali, tutti da un singolo campione per motore:

I tre corpus sono quasi disgiunti. Per "corpus" intendo l'insieme dei siti (domini) che un motore cita nelle sue risposte. Per confrontare due corpus uso l'indice di Jaccard: il numero di domini in comune diviso per il numero di domini distinti presenti in almeno uno dei due. Vale 0 se non hanno nessun dominio in comune e 1 se sono identici. Tra motori diversi, sullo stesso prompt, varia tra 0,006 e 0,061: in pratica quasi nessuna fonte in comune. Il motore è la variabile che separa più di ogni altra: più della lingua, molto più della geolocalizzazione.

I criteri di fonte sono opposti. Perplexity porta il 39,6% delle citazioni su intermediari e contenuti di comunità (aggregatori, recensioni, forum, blog) e l'8,7% sui canali diretti. OpenAI fa l'inverso: 2,8% contro 37,4%. Gemini sta in mezzo.

I motori non sempre cercano. Perplexity cita su tutti i 72 prompt. OpenAI non cerca nel 27,8% dei casi, Gemini nel 45,8%. La decisione dipende dall'intento della domanda, non dalla lingua, e i due motori dissentono su quali intenti verificare.

Citazione e raccomandazione sono cose diverse. Sei strutture (Cipriani, Gritti, JW Marriott, Aman, Danieli, St. Regis) vengono nominate nel testo su gran parte dei prompt, indipendentemente da quali fonti vengono citate.

Una parte della raccomandazione non passa dal recupero. Cipriani, Gritti e Aman compaiono anche in risposte generate senza consultare alcuna fonte, il che le colloca nella memoria parametrica del modello, cioè in quello che ha imparato durante l'addestramento, e non nel corpus che recupera cercando sul web.

Il modello riformula la domanda in query di ricerca ordinarie. Queste ricerche interne si chiamano fan-out: il modello "apre a ventaglio" la domanda in più ricerche. Da un prompt conversazionale OpenAI genera fino a 26 query del tipo "nome struttura + attributo + stato operativo", interrogando esplicitamente i siti ufficiali. L'utente non deve porre la domanda specifica: la pone il modello.

2. Metodo

2.1 Set di prompt

72 prompt su una destinazione singola (Venezia), organizzati in 6 topic: lusso e shortlist generale, sestieri e micro-zone, spa e spazi aperti, occasioni ed eventi, gastronomia, logistica e accessibilità.

36 in italiano e 36 in inglese. I prompt inglesi non sono traduzioni: sono stati ri-originati a partire da come la domanda si pone in quella lingua. 32 formano coppie deliberate con l'equivalente italiano (campo pair_id), 4 per lingua non hanno corrispondente.

Ogni prompt è etichettato su cinque assi: intento (ispirazione, shortlist, confronto, validazione, logistica), granularità geografica, attributo qualificante, lingua, presenza del brand. Tutti i 72 sono unbranded: nessuno nomina un hotel o un marchio specifico.

Il set è congelato: il testo di un prompt è immutabile, una riformulazione crea un nuovo identificativo che punta al precedente.

2.2 Raccolta

Tre cicli separati, uno per motore, tutti su 72 prompt e una singola ripetizione. Una capture è una singola risposta raccolta: un prompt posto a un motore, con tutto quello che ha restituito.

Completezza 100% su tutti e tre. La risposta grezza di ogni chiamata è conservata integralmente e il parsing avviene in una fase separata e ri-eseguibile.

Geolocalizzazione, cioè la città da cui il motore "crede" che arrivi la domanda: sul solo OpenAI, accoppiata alla lingua (prompt italiani da Milano, prompt inglesi da New York). Perplexity e Gemini non espongono il parametro.

Nessun dato è stato condiviso con i fornitori per l'addestramento: le opzioni di condivisione sono disattivate su tutti e tre.

2.3 Unità di misura

Le metriche di concentrazione usano le coppie capture-dominio distinte, non le citazioni grezze: tre URL dello stesso dominio nella stessa risposta contano una volta. Il rapporto tra le due basi è 1.245 contro 1.064 su Perplexity, quindi il 14,5% delle citazioni sono ripetizioni interne.

Le citazioni (fonte con URL) sono tenute separate dalle menzioni (nome citato nel testo senza link). Sono fenomeni diversi e non vanno aggregati.

2.4 Classificazione delle fonti

124 entità classificate su 9 tipi (hotel, catena, ota, ugc, editoriale, blog, istituzionale, servizi, ristorante; il tipo ristorante è stato aggiunto classificando il corpus di Gemini). OTA sta per online travel agency, le agenzie di viaggio online come Booking; UGC per user-generated content, i contenuti scritti dagli utenti come recensioni e forum. Le attribuzioni incerte hanno un livello di confidenza dichiarato.

Copertura raggiunta: 65,5% delle citazioni su Perplexity, 60,9% su OpenAI, 67,9% su Gemini. La quota classificata con confidenza bassa o media è rispettivamente 12,1%, 1,3% e 14,3%.

3. Risultati

3.1 La decisione di cercare

Percentuale di risposte che non contengono alcuna citazione. Su OpenAI e Gemini l'assenza di citazioni coincide esattamente con l'assenza di ricerca: non esiste un solo caso in cui il motore abbia cercato senza poi citare.

Tre osservazioni.

Perplexity cerca e cita sempre. Il suo comportamento non discrimina per intento, il che riduce il significato informativo di una singola citazione.

Le domande di confronto ("meglio San Marco o Dorsoduro", "Venezia o Firenze per un viaggio di nozze") vengono trattate come conoscenza consolidata: OpenAI le verifica in un caso su cinque, Gemini mai.

Logistica e ispirazione si comportano in modo opposto sui due motori. Non esiste quindi una classe di domande universalmente priva di corpus.

3.2 Classificazione dei prompt per disponibilità di corpus

Poiché Perplexity cita sempre, la variabile discriminante è la coppia OpenAI-Gemini.

Quando un motore cerca, cita in quantità comparabile all'altro (media tra 10,3 e 11,7 citazioni). L'interruttore è binario e la posta in gioco è la stessa.

I 15 prompt della quarta classe rappresentano il 21% del set: hanno un corpus ricco su Perplexity (16,4 citazioni in media) e nessun corpus sulle due superfici a maggior volume di utenti. Sono quasi tutti domande di geografia e di scelta comparativa.

3.3 Concentrazione

L'HHI (indice di Herfindahl-Hirschman) misura quanto le citazioni si concentrano su pochi domini: si somma il quadrato della quota percentuale di ogni dominio. Vale 10.000 se un solo dominio prende tutte le citazioni e si avvicina a 0 quando sono sparse su moltissimi domini. È lo stesso indice che si usa per misurare la concentrazione di un mercato.

Nessuno dei tre corpus è concentrato in senso classico: un HHI sotto 200 descrive un mercato atomizzato. Il dominio più citato di Perplexity vale il 4,6% delle citazioni.

OpenAI è però nettamente il più concentrato dei tre, con quasi il doppio dell'HHI. È al tempo stesso il più selettivo sul se citare e il più ristretto sul chi.

Avvertenza: il 38,9% delle risposte Perplexity contiene esattamente 20 citazioni, che è il tetto della piattaforma. La coda reale del corpus Perplexity è quindi più lunga di quella misurata, e la sua concentrazione è sovrastimata. Su OpenAI e Gemini non è stato rilevato alcun tetto.

3.4 Composizione del corpus per tipo di fonte

Quota di citazioni per tipo, sui domini classificati.

Aggregando:

Su Perplexity gli intermediari superano i canali diretti di circa 4,5 a 1; su OpenAI succede l'opposto, e i canali diretti superano gli intermediari di circa 13 a 1. Tradotto: quando un ospite interroga ChatGPT la risposta lo indirizza al sito della struttura, quando interroga Perplexity lo indirizza a chi ne parla.

Le teste dei tre corpus confermano la lettura.

• Perplexity: tripadvisor.com (38 prompt), booking.com (32), tripadvisor.it (32), reddit.com (25), ricksteves.com (22), facebook.com (20)
• OpenAI: marriott.com (26), belmond.com (18), aman.com (17), fourseasons.com (17), il sito di un hotel storico indipendente sul Canal Grande (15), hilton.com (12)
• Gemini: booking.com (12), letsgomylove.com (11), youtube.com (9), michelin.com (6), alpontemocenigo.com (5)

Gemini non ha una testa: il suo dominio più citato compare su 12 prompt su 72, contro i 38 di Perplexity. Ha inoltre la quota più alta di hotel singoli dei tre, e cita una coda di piccoli aggregatori di prenotazione (venicehotelitaly.com, venicecityhotels.com, luxuryhotel.world) che gli altri due motori ignorano quasi del tutto.

3.5 Effetto della lingua

Indice di Jaccard tra il corpus italiano e quello inglese, all'interno dello stesso motore.

Su Perplexity, su 479 domini totali solo 59 compaiono in entrambe le lingue: 221 sono esclusivi dell'italiano e 199 dell'inglese. Quei 59 domini raccolgono però il 45,3% delle citazioni. La testa del corpus è condivisa, la coda è separata.

L'ordinamento è opposto all'atteso. La spiegazione più probabile è meccanica: il corpus di OpenAI è composto da marchi e istituzioni che servono più lingue sotto lo stesso dominio (marriott.com è uno solo), mentre quello di Perplexity è composto da blog, forum e portali locali per natura legati a una lingua, e tripadvisor.it e tripadvisor.com sono domini distinti.

3.6 Divergenza tra motori

Indice di Jaccard tra corpus globali di motori diversi:

Sullo stesso prompt, la sovrapposizione scende ulteriormente: da 0,006 (ispirazione) a 0,061 (logistica). Su una domanda di shortlist, Perplexity cita in media 14,6 domini e OpenAI 9,2, di cui poco più di uno in comune.

Per capire se questi valori sono bassi serve un termine di paragone. Anche facendo la stessa identica domanda due volte, allo stesso motore e dalla stessa città, le fonti citate non coincidono del tutto: è il rumore di fondo del sistema. Misurato sullo stesso impianto:

Tra una ripetizione e l'altra il Jaccard resta intorno a 0,44; tra due motori diversi scende sotto 0,06. Il contributo della geolocalizzazione alla divergenza, isolato rispetto a quel rumore di fondo, è circa il 14% del totale.

3.7 Citazione contro raccomandazione

Le entità nominate nel testo delle risposte seguono una distribuzione molto più concentrata di quella delle fonti citate. Numero di prompt su cui ciascuna struttura viene nominata:

Sei strutture rispondono alla maggior parte delle domande. Cinque delle sei appartengono a un gruppo internazionale.

Il dato controintuitivo: Perplexity, che ha il corpus di fonti più ampio dei tre (479 domini), è quello che raccomanda meno. Gemini, che ha il corpus più piatto, è quello che ripete di più gli stessi nomi. Apertura del corpus e apertura della raccomandazione sono variabili indipendenti.

3.8 Memoria contro recupero

Separando le risposte che hanno cercato da quelle che non hanno cercato, è possibile distinguere le raccomandazioni che provengono dalla memoria del modello da quelle che provengono dalle fonti. La tabella conta solo OpenAI e Gemini: Perplexity cerca sempre, quindi non ha risposte senza ricerca, ed è per questo che i totali sono più bassi di quelli della sezione 3.7.

Cipriani, Gritti e Aman compaiono rispettivamente in 11, 11 e 8 risposte generate senza consultare alcuna fonte. Quella componente della raccomandazione non è influenzabile da alcun intervento sul web nel breve periodo.

Il rapporto tra le due colonne è però informativo: anche per i nomi più consolidati, circa quattro quinti delle menzioni avvengono in risposte che hanno cercato. La componente contendibile resta maggioritaria.

3.9 Struttura del fanout

Il fan-out è l'insieme delle ricerche che il modello esegue per costruire una risposta. OpenAI le espone: sono state raccolte 1.069 query effettivamente eseguite dal modello, su 72 capture. La distribuzione arriva a 26 query per singola risposta.

La forma delle query rivela il meccanismo. A fronte del prompt utente "quali sono i migliori hotel di lusso a Venezia", il modello esegue query del tipo:

• Aman Venice hotel Palazzo Papadopoli official site
• Cipriani Belmond Venice official site
• Four Seasons Hotel Danieli Venice opening 2025 2026 status
• [hotel storico indipendente] Venice national monument frescoes Grand Canal
• Hotel Metropole Venice antique collection orange garden Michelin restaurant status 2026

Il processo è in due fasi: il modello richiama dalla memoria una lista di candidati, poi verifica ciascuno interrogando il sito ufficiale su attributi specifici e su stato operativo.

Una quota rilevante delle query riguarda lo stato: aperture, riaperture, chiusure temporanee, cambi di gestione. Una singola struttura è stata interrogata sei volte per stabilire se fosse operativa.

Su prompt di natura diversa il fanout cambia completamente natura. Per "best area to stay in Venice for a first visit" le query riguardano orari del vaporetto, mappa ufficiale dei sestieri, contributo di accesso e musei: nessun hotel è stato interrogato, il che spiega l'assenza di strutture tra le fonti citate.

4. Discussione

4.1 Non esiste una strategia unica

Il risultato con maggiori conseguenze operative è la divergenza tra motori. Poiché i tre corpus condividono meno del 20% dei domini e meno del 6% su singolo prompt, una raccomandazione formulata su un motore non è trasferibile agli altri.

Per una struttura ricettiva questo si traduce in tre linee di lavoro distinte:

• OpenAI: il sito ufficiale è il corpus. Il 37,4% delle citazioni va a canali diretti e il fanout interroga esplicitamente i siti ufficiali. Il lavoro sulle pagine proprie ha un percorso diretto verso la citazione.
• Perplexity: il sito ufficiale pesa il 5,6%. La leva è la presenza su recensioni, forum, blog di viaggio e guide.
• Gemini: quota più alta di hotel singoli e soglia d'ingresso più bassa, con una coda di fonti minori. È il terreno più accessibile per una struttura indipendente, e quello con le fonti meno autorevoli.

4.2 Cosa si può e cosa non si può spostare

La distinzione tra memoria e recupero definisce il perimetro dell'intervento possibile.

La lista dei sei nomi che rispondono alle query generiche è in parte incorporata nei pesi dei modelli e non è modificabile su orizzonti utili. Promettere l'ingresso in quella lista è una promessa che i dati non sostengono.

È invece contendibile tutto ciò che passa dal recupero, che resta la componente maggioritaria. Le leve, in ordine di efficacia osservata:

1. Presenza nelle fonti che i motori leggono. Non passa dal sito della struttura. Michelin compare come entità menzionata su 44 prompt, il che la qualifica come autorità riconosciuta dai modelli.
2. Selezione di domande diverse. I sei nomi dominano la query generica ma non gli attributi rari. Sui prompt relativi a giardino privato, approdo per taxi acqueo, terrazza panoramica o accessibilità compaiono strutture indipendenti.
3. Sito ufficiale. Determinante su OpenAI, marginale su Perplexity.

4.3 Le domande su cui non investire

Il 21% dei prompt del set non produce alcun corpus né su OpenAI né su Gemini. Sono le domande di confronto e di scelta della zona.

Nessun intervento può produrre una citazione in una risposta che non consulta fonti. Identificare queste domande è un risultato per sottrazione, e nessuno degli strumenti commerciali esaminati lo produce: misurando la sola visibilità del marchio, un'assenza di citazioni risulta indistinguibile da una sconfitta competitiva.

4.4 Il fanout come ponte verso l'intervento

Il meccanismo in due fasi documentato in 3.9 ha una conseguenza che riguarda direttamente la fattibilità di qualsiasi intervento.

L'obiezione naturale all'ottimizzazione per query specifiche è che la domanda la pone l'utente, e nessuno può indurlo a formularla diversamente. Vincere una domanda di nicchia sarebbe irrilevante se nessuno la ponesse.

I dati mostrano che l'obiezione non si applica. Il modello riformula autonomamente una domanda generica in un insieme di query specifiche, e sono query di ricerca ordinarie, con la stessa forma di quelle su cui la disciplina SEO lavora da vent'anni: nome più attributo più stato temporale. L'oggetto dell'ottimizzazione non è il prompt dell'utente, che non è osservabile né influenzabile, ma il fanout, che è entrambe le cose.

Due implicazioni operative emergono dalla forma delle query osservate.

Lo stato operativo è interrogato con frequenza sproporzionata. Aperture, riaperture, chiusure temporanee e cambi di gestione ricorrono in una quota rilevante delle query, fino a sei interrogazioni sulla stessa struttura. Una pagina che dichiari in modo inequivocabile lo stato corrente e la dotazione attuale risponde a una domanda che il modello si pone sistematicamente. È un intervento a costo basso e verificabile, che non richiede produzione di contenuto in serie.

Il set di candidati si allarga con la specificità della domanda. Sulla query generica il fanout interroga i sei nomi consolidati. Su una domanda con contesto personale ("sto pianificando tre notti, dove dovrei stare") compaiono nel fanout strutture indipendenti e boutique di piccole dimensioni. La barriera d'ingresso non è costante: dipende da quanto la domanda è circostanziata.

Va infine osservato che nessuno degli strumenti commerciali esaminati raccoglie il fanout. Tutti riportano le fonti citate, che sono l'esito del processo, non le query eseguite, che ne sono il meccanismo. È l'unico dato di questo studio che non ha equivalente nell'offerta esistente.

4.5 Struttura dei costi

Costo per chiamata misurato, in dollari: 0,0055 su Perplexity, 0,0357 su Gemini (a listino lordo, verosimilmente azzerato dalla quota gratuita mensile), 0,1217 su OpenAI. Il rapporto tra gli estremi è di 22 a 1, e sale a circa 47 a 1 se rapportato al numero di citazioni ottenute.

La composizione del costo OpenAI è per il 43% ricerca, per il 30% output (di cui tre quarti token di ragionamento, cioè il testo che il modello genera per ragionare prima di rispondere, fatturato anche se non viene mostrato) e per il 27% input, dove l'input è in larga parte il contesto recuperato che viene fatturato al richiedente.

La conseguenza è una stratificazione naturale: Perplexity e Gemini come strato di monitoraggio continuo a costo trascurabile, OpenAI come strato diagnostico da usare periodicamente.

5. Limiti

Campione singolo. Tutti i risultati derivano da una ripetizione per prompt. Sonde dedicate hanno misurato un Jaccard di 0,437 tra ripetizioni identiche a parità di ogni condizione, il che stabilisce il livello di rumore intrinseco. Le direzioni riportate sono robuste, i valori puntuali no. Nessun risultato di questo documento va citato come tasso, cioè come una frequenza stabile nel tempo: con una sola ripetizione ogni percentuale è un'osservazione, non una stima.

Troncamento su Perplexity. Il 38,9% delle risposte è tagliato a 20 citazioni dal limite della piattaforma. La coda del corpus Perplexity è sottostimata.

Copertura della classificazione. Tra il 32% e il 39% delle citazioni ricade su domini non classificati. Le quote per tipo di fonte sono calcolate sul classificato e vanno lette come proporzioni relative.

Confidenza della classificazione. Il 12,1% delle citazioni Perplexity e il 14,3% di quelle Gemini ricadono su attribuzioni a confidenza bassa o media. Su Perplexity la quasi totalità riguarda TripAdvisor, classificato come contenuto generato dagli utenti: la classificazione alternativa come intermediario di prenotazione sposterebbe 11 punti percentuali tra le due categorie senza modificare il totale degli intermediari.

Sottostima delle menzioni. Il conteggio delle menzioni copre solo le entità presenti a catalogo. I valori riportati sono un limite inferiore.

API contro interfaccia. La raccolta avviene tramite API. Le interfacce consumer hanno istruzioni di sistema, memoria e personalizzazione diverse, e dal febbraio 2026 possono includere contenuti sponsorizzati. I risultati descrivono il comportamento di recupero dei modelli, non l'esperienza di un utente specifico.

Una destinazione, una verticale. Nessuna delle conclusioni è stata verificata fuori dall'ospitalità veneziana.

6. Prossimi passi

Ciclo a quattro ripetizioni sui tre motori nella stessa finestra temporale, per trasformare le osservazioni in tassi con intervalli dichiarabili. La domanda prioritaria è se il rifiuto di cercare sia deterministico o probabilistico: un prompt che cerca in due ripetizioni su quattro descrive una situazione completamente diversa da uno che non cerca mai.

Verifica della stabilità nel tempo. Fonti esterne riportano un turnover mensile dei domini citati compreso tra il 40% e il 60%. Una serie storica su più cicli è l'unico modo per distinguere un effetto reale dal rumore, ed è anche l'unico dato non ricostruibile a posteriori.

Prova di causalità. Nessuno degli strumenti esaminati dimostra che un intervento produca una citazione. Un disegno con gruppo di controllo (due attributi contendibili trattati, due non trattati, misurazione su tre cicli) è alla portata dell'impianto esistente ed è il risultato che manca al settore.

Costruzione del dizionario del fanout. Le query eseguite dai modelli sono query di ricerca ordinarie, quindi posizionabili e misurabili con gli strumenti SEO esistenti. Accumularle su cicli successivi produce un dizionario di come l'intento conversazionale viene tradotto in ricerca, che è al tempo stesso una lista di lavoro per il cliente e un dato non ricostruibile a posteriori.

Estensione ad altre verticali. Una sonda ridotta (tre topic, quindici prompt, tre ripetizioni, solo Perplexity) costa meno di un dollaro per settore e consente un confronto di contendibilità tra mercati diversi.

Appendice: numeri chiave

• Jaccard tra motori sullo stesso prompt: 0,006 - 0,061
• Jaccard tra ripetizioni identiche: 0,437
• Query di fanout raccolte (OpenAI): 1.069 su 72 risposte

Chi ha fatto questa ricerca

Sono Federico Curtoni, consulente SEO tecnico e GEO. Questa analisi nasce dal lavoro con cui misuro la visibilità dei siti nei motori generativi: domande fisse, ripetute nel tempo, con citazioni, menzioni e ricerche interne tenute separate. Se vuoi capire da dove partire sul tuo sito, ho scritto una guida pratica su come renderlo leggibile e citabile da ChatGPT, Perplexity e Gemini. Se invece vuoi una misura sul tuo mercato, trovi come lavoro nella pagina sulla consulenza GEO.