Salta al contenuto

Blog

Da quali fonti attingono informazioni i vari motori AI?

Scritto da Giuseppe Cristofaro

Da quali fonti attingono informazioni i vari motori AI?

Un assistente conversazionale come ChatGPT, Claude o Gemini risponde combinando due livelli di informazione: i dati di addestramento, fissati nel tempo e non aggiornati in autonomia, e la ricerca web in tempo reale, attivata quando il modello ha bisogno di informazioni recenti. Le fonti usate per il secondo livello sono documentate, almeno in parte, dagli stessi fornitori.

In breve

  • ChatGPT invia le query di ricerca a Bing in forma dissociata dall'utente e dispone di un crawler proprio, OAI-SearchBot.
  • Claude si appoggia a Brave Search come fornitore di ricerca web, con un secondo fornitore (TurboPuffer) segnalato da fonti secondarie non ancora confermate direttamente.
  • Gemini ancora le risposte ai risultati di Google Search: le pagine che bloccano Google-Extended restano escluse.
  • Perplexity costruisce un indice proprio tramite crawler dedicati; un eventuale uso di API di terzi non è dichiarato ufficialmente.
  • Gli studi sui siti più citati nelle risposte AI (Profound, Ahrefs, Semrush, Tinuiti) danno risultati diversi tra loro: non esiste una classifica unica e stabile.

Da dove arrivano i risultati quando un modello "cerca" sul web?

Quando un utente pone una domanda che richiede informazioni aggiornate, il modello non si limita a consultare ciò che ha "imparato" durante l'addestramento: riscrive la domanda in una o più query mirate e le invia a un motore di ricerca esterno, da cui riceve pagine e snippet da elaborare prima di formulare la risposta. Questo meccanismo, chiamato spesso grounding, è il motivo per cui le risposte di un assistente AI possono includere notizie recenti o dati non presenti nei suoi dati di addestramento originari. Il fornitore a cui viene inoltrata la query, però, cambia da un prodotto all'altro, ed è proprio qui che le informazioni ufficiali diventano utili per capire come funziona davvero ciascun sistema.

Quale motore di ricerca usa ChatGPT?

ChatGPT si appoggia a Bing per i risultati web, secondo quanto riportato dalla documentazione di OpenAI. Le query vengono inviate al provider in forma dissociata dall'identità dell'utente, e di norma il prompt originale viene riscritto in una o più query più mirate prima dell'invio. OpenAI dispone inoltre di un proprio crawler, OAI-SearchBot, dedicato specificamente alla funzione di ricerca: un sito che lo blocca tramite robots.txt non compare nelle risposte generate da ChatGPT search.

Quali fonti web alimentano Claude?

Claude, il modello sviluppato da Anthropic, utilizza Brave Search come fornitore di ricerca web: il servizio compare nell'elenco dei subprocessor di Anthropic dal 19 marzo 2025. Una versione successiva dello stesso elenco, datata 6 maggio 2026, riporterebbe un secondo fornitore per la ricerca web, TurboPuffer; questo dato proviene però da una fonte secondaria e non è stato verificato direttamente sul Trust Center di Anthropic, quindi va considerato con cautela. Anthropic gestisce inoltre due crawler propri con funzioni distinte: Claude-SearchBot, impiegato per migliorare la qualità generale dei risultati di ricerca, e Claude-User, che recupera il contenuto di una pagina specifica quando è l'utente stesso a chiederlo in una conversazione.

Perplexity e Gemini: indici propri o fornitori esterni?

Perplexity dichiara di costruire un indice proprio, alimentato da crawler dedicati, integrato con crawler di terze parti per ampliare la copertura. Non è invece confermato ufficialmente se il servizio si appoggi anche su API di Bing o di Google: le fonti secondarie disponibili si contraddicono, con alcune che parlano di API Google e Bing e altre che citano un indice basato su Bing. In assenza di una dichiarazione diretta del fornitore, questo punto resta un dato non verificato.

Gemini, il modello di Google, funziona in modo più lineare: le risposte vengono ancorate ai risultati di Google Search, e le pagine che scelgono di bloccare il crawler Google-Extended restano escluse dal processo di grounding, cioè non contribuiscono alle risposte generate. Per Copilot, invece, non è stato possibile verificare informazioni ufficiali equivalenti in questa analisi.

Quali siti vengono citati più spesso dalle risposte AI?

Non esistono dati ufficiali pubblicati dai fornitori su quali domini vengano citati più frequentemente: le uniche informazioni disponibili provengono da studi condotti da aziende che vendono strumenti di monitoraggio, e i risultati divergono in modo significativo a seconda del periodo analizzato e del metodo usato.

Studio Periodo Risultato
Profound (30 milioni di citazioni analizzate) agosto 2024 – giugno 2025 Wikipedia è la fonte più citata da ChatGPT (47,9%); Reddit è la prima fonte per Perplexity (46,7%) e per le AI Overviews di Google (21%)
Ahrefs (78,6 milioni di ricerche) giugno 2025 Wikipedia al 16,3% su ChatGPT e al 12,5% su Perplexity; Reddit esce dalla top 10 di entrambi i motori
Semrush settembre – ottobre 2025 A metà settembre ChatGPT riduce in modo brusco le citazioni di Reddit e Wikipedia, che restano comunque i due domini più citati in assoluto
Tinuiti gennaio 2026 Reddit citato in oltre il 5% delle risposte di ChatGPT, ma solo nello 0,1% di quelle di Gemini

Le classifiche cambiano sensibilmente in base al metodo di raccolta, al periodo di osservazione e al settore analizzato: non esiste quindi una "fonte numero uno" valida per tutti i motori e per tutti i contesti. Per Claude, in particolare, mancano dati di citazione su campioni ampi: l'unico studio che lo include, condotto su 288 risposte, conclude che nessuna piattaforma prevale in modo netto sulle altre.

Che cosa sappiamo davvero sui dati di addestramento?

I fornitori non pubblicano l'elenco completo delle fonti usate per addestrare i rispettivi modelli. Ciò che è documentato è l'esistenza di crawler dedicati, bloccabili tramite il file robots.txt: GPTBot per OpenAI e ClaudeBot per Anthropic sono gli esempi noti. Un sito che intende limitare la raccolta dei propri contenuti per finalità di addestramento può quindi intervenire su questi crawler specifici, pur senza avere garanzie assolute sull'effetto complessivo, dato che l'elenco delle fonti storiche di addestramento resta comunque non divulgato.

Domande frequenti

ChatGPT usa Google per cercare sul web? No. Secondo la documentazione OpenAI, le query di ricerca vengono inviate a Bing, in forma dissociata dall'identità dell'utente.

Bloccare un crawler impedisce di comparire nelle risposte di un'AI? Bloccare crawler come OAI-SearchBot o Google-Extended tramite robots.txt esclude un sito dalle risposte generate da quella specifica funzione di ricerca o grounding, secondo quanto dichiarato dai rispettivi fornitori.

Qual è il sito più citato in assoluto dai motori AI? Non esiste una risposta univoca: studi diversi (Profound, Ahrefs, Semrush, Tinuiti) indicano in momenti diversi Wikipedia o Reddit come dominio più citato, con percentuali che variano molto a seconda del periodo e del metodo di analisi.

Perché le classifiche dei siti citati cambiano così tanto da uno studio all'altro? Perché derivano da campioni, periodi e metodologie diverse, non da dati ufficiali dei fornitori: ogni studio misura un momento specifico e un insieme di query differente, e i motori stessi modificano nel tempo i criteri con cui scelgono le fonti da citare.

Fonti

  • Documentazione OpenAI (help.openai.com) su ricerca web e crawler OAI-SearchBot
  • Trust Center di Anthropic, elenco dei subprocessor (Brave Search, TurboPuffer)
  • Documentazione Google su Google Search grounding e Google-Extended
  • Studio Profound su 30 milioni di citazioni (agosto 2024 – giugno 2025)
  • Studio Ahrefs su 78,6 milioni di ricerche (giugno 2025)
  • Studio Semrush (settembre – ottobre 2025)
  • Studio Tinuiti (gennaio 2026)
  • Studio 5wpr su 288 risposte

Capire da dove arrivano le informazioni che un'AI restituisce è un primo passo utile per chi lavora sulla visibilità online di un'azienda, sia che si tratti di contenuti scritti per le persone sia di contenuti pensati per essere letti anche da questi sistemi. Se vuoi approfondire come impostare una strategia di contenuti e di presenza digitale coerente con questi meccanismi, puoi dare un'occhiata ai servizi di marketing digitale basato su AI proposti da iNexus.

← Tutti gli articoli