Quando sette persone condividono il tuo nome

Essere invisibili è un problema. Essere scambiati per un altro è un problema più grande — perché chi legge non sa che è sbagliato.

I motori di ricerca faticano da anni a distinguere persone che condividono un nome. La pagina dei risultati lo mostra onestamente: dieci link blu appartenenti a persone diverse, e sei tu a scegliere chi è chi.

Le risposte dell'IA hanno perso quell'onestà. Non offrono dieci opzioni; danno una risposta. E se nel produrla si sono mescolati i dati di più persone, ne esce una persona che non esiste.

Un esempio concreto

A un motore di ricerca è stato chiesto "chi è Murat Tunalı" — e il nome di dominio è stato aggiunto alla query esplicitamente. È tornato questo:

Murat Tunalı, nato a İzmir nel 1982, è un barbiere per uomo e un educatore-scrittore. Unendo l'arte classica del barbiere a un moderno approccio alla cura, Tunalı opera a Bursa come barbiere premium. È inoltre un professionista specializzato in consulenza familiare e offre servizi di consulenza a Istanbul.

In quel paragrafo ci sono almeno tre persone diverse: un barbiere a Bursa, un autore nato a İzmir, un consulente familiare a Istanbul. Tutte e tre esistono. Tutte e tre sono persone diverse. La risposta non corrisponde a nessuna.

Non è un'"allucinazione" — non è stato inventato nulla. Ogni frase viene da qualche parte. Il problema è la fusione: il modello scambia frammenti attaccati allo stesso nome per un'unica identità.

Perché succede

Tre meccanismi si sovrappongono.

Un nome non è un'identità. Per un modello linguistico "Murat Tunalı" è una stringa; a legarla a un'entità è il contesto circostante. Se il contesto è debole, tutto ciò che è attaccato alla stessa stringa finisce in un unico calderone.

Il retrieval porta il più vicino, non il più vero. Uno strato di ricerca recupera documenti che somigliano alla query. Le pagine di sette persone somigliano tutte alla query "Murat Tunalı". Poi un modello legge quelle sette fonti e scrive un solo riassunto — e riassumere è per sua natura fondere.

Si sente obbligato a rispondere. Una pagina di risultati classica può dire "ecco dieci risultati". Un'interfaccia di chat ha dovuto imparare a dire "non lo so", e non sempre lo fa.

Nello stesso esperimento un altro motore ha fatto il contrario: ha detto di "non essere riuscito a raggiungere un profilo chiaramente corrispondente a questa descrizione" e ha elencato suggerimenti dal nome simile. Stessi dati, comportamento diverso. La differenza è la postura del prodotto di fronte all'incertezza.

Vince chi pesa di più

A decidere quale dei sette omonimi conti come "quello" non è la correttezza, ma il peso misurabile.

Una misura: quanti record hanno due domini omonimi nell'archivio aperto di scansione — una delle fonti che alimentano i dati di addestramento dei grandi modelli linguistici.

L'archivio conserva inoltre una serie ininterrotta dal 2007: 158 istantanee. Libri pubblicati, pagine autore presso i librai, una voce di dizionario.

Di fronte a questo c'è un sito di un giorno. La sua qualità di pagina può essere migliore — dati strutturati impeccabili, strato multilingue completo, terreno tecnico pulito. Nulla di ciò conta. Se non sei nel corpus, il modello non ti conosce.

La stessa misura ha prodotto un confronto ancora più netto: un sito con sole 238 parole e nessun dato strutturato teneva sedici record in quell'archivio. La perfezione sulla pagina non produce presenza nel corpus. La producono l'età e le menzioni.

Perché non è un normale problema SEO

Nella ricerca classica il problema degli omonimi è fastidioso ma gestibile: l'utente guarda l'elenco e sceglie quello giusto. Se clicca sul risultato sbagliato, torna indietro.

In una risposta dell'IA non c'è ritorno. L'utente legge l'unica risposta e prosegue. Se la risposta è sbagliata, non c'è nemmeno l'occasione di scoprirlo.

Quando un datore di lavoro, un cliente o un giornalista chiede del tuo nome e viene fuori qualcun altro, il costo sta in una categoria diversa da "posizionamento basso". Essere invisibili ti toglie dall'elenco; essere rappresentato male ti mette nell'elenco sbagliato.

Come testare te stesso

Scoprire se questo problema è tuo richiede mezz'ora e nessuno strumento.

Uno — chiedi il tuo nome. Chiedi a tre interfacce di IA diverse "chi è X". Leggi la risposta e segna ogni frase: quale appartiene a te, quale no. Se c'è fusione, prova a risalire da chi viene ciascuna parte; di solito ci si riesce.

Due — aggiungi il tuo dominio alla query. Di' "chi è X, [il tuo dominio]". Se il motore descrive ancora qualcun altro, il problema va oltre il riconoscimento: non riesce a legarti nemmeno quando gli porgi la tua stessa fonte.

Tre — chiedi senza marca. Senza nominarti, poni una domanda che descriva cosa fai e dove. Questa è la tua vera misura di visibilità, indipendente dal problema degli omonimi. Se anche i tuoi omonimi mancano lì, quello è terreno libero.

Quattro — guarda nell'archivio. Quanti record ha il tuo dominio nell'archivio aperto di scansione, e quanti quello del tuo omonimo? Il rapporto fra questi due numeri predice bene quale persona un modello "conoscerà".

Cinque — prova la grafia sbagliata. Se il tuo nome porta caratteri specifici di una lingua (ı, ş, ğ, é, ñ, ö), chiedi anche la forma semplice. La maggior parte dei sistemi tratta le due stringhe come entità separate.

L'esito di questi cinque passi non è un elenco ma una diagnosi: il tuo problema è invisibilità o identificazione errata? Le due chiedono medicine diverse. L'invisibilità si risolve col tempo e con le menzioni. L'identificazione errata non si risolve — si gestisce.

Un errore frequente

La maggior parte di chi sente parlare del problema degli omonimi aggiunge prima parole chiave: scrive il proprio nome più spesso nella pagina, riempie i titoli con esso, lo mette tre volte nella meta descrizione.

Non funziona, perché il problema è il contesto, non la frequenza. Ciò di cui un motore ha bisogno per distinguere non è quante volte compare il nome, ma con che cosa compare. Città, professione, tecnologia, istituzione, data — quelli distinguono. Un nome ripetuto no.

Difatti, sul sito misurato era un rilievo che il nome non comparisse affatto nel testo corrente; ma la correzione non era "scrivi il nome dieci volte". Era "scrivi il nome una volta, insieme a professione e città, in una frase in terza persona".

Cosa funziona

Tre gruppi di segnali ti distinguono in una folla di omonimi. Nessuno basta da solo; i tre lavorano insieme.

1. Separazione esplicita nei dati strutturati

Schema.org definisce per esattamente questo compito un campo, e la maggior parte dei siti lo lascia vuoto: disambiguatingDescription. È stato progettato per separare entità che condividono un nome.

{
  "@type": "Person",
  "name": "Murat Tunalı",
  // Anche la variante senza caratteri speciali
  "alternateName": ["Murat Tunali", "M. Tunalı"],
  "disambiguatingDescription":
    "Ingegnere di sistemi a Istanbul che costruisce applicazioni web
     basate sull'IA; nessun rapporto con gli omonimi che sono autore di
     sviluppo personale o consulente familiare.",
  "jobTitle": "Ingegnere di sistemi",
  "knowsAbout": ["Applicazioni web basate sull'IA", "Reti e sicurezza"]
}

Questo campo non è un segnale di posizionamento. Il suo compito è dire a un motore, mentre cerca di legarti a un'entità, quale entità non sei.

2. Collegamento bidirezionale dei profili

Il campo sameAs elenca i tuoi profili. Ma un elenco a senso unico è un segnale debole: tu dici "questo è il mio GitHub", e GitHub non lo conferma.

L'impostazione corretta è reciproca — dal profilo al sito e dal sito al profilo. Un legame a due estremi appartiene a una classe di prova diversa da un'affermazione a un estremo.

Scrivere un sameAs che non puoi verificare fa danno. Elencare un profilo che non esiste, o che non è tuo, non rafforza il grafo delle entità; lo inquina.

3. Una frase di definizione nel corpo del testo

È la cosa che sfugge più spesso. Una pagina può portare il tuo nome nel tag <title> e nei dati strutturati e non nominarlo mai nel testo corrente.

Quando un modello linguistico spezza la tua pagina in blocchi e li incorpora, quei blocchi sono tutto ciò che ha. Se in un blocco non c'è il nome, quel blocco non risponde a "chi è questo".

La soluzione è una sola frase: terza persona, una riga, nome + professione + luogo. Si può aggiungere sotto la narrazione esistente senza turbare il tono del testo.

Ciò che questi tre condividono: nessuno è un trucco di posizionamento. Tutti e tre facilitano il lavoro che il motore sta già cercando di fare — legare correttamente l'entità.

Ciò che non ho fatto

Questo problema ha una soluzione allettante ma sbagliata: aprire una voce su Wikidata.

Wikidata è l'ancora dei grafi di entità, e starci distingue davvero. Quando ho guardato durante la misurazione, il campo era completamente vuoto — né io né alcuno dei sette omonimi aveva una voce.

Non è stata comunque aperta. Wikidata ha una soglia di rilevanza, e un sito di un giorno con zero menzioni indipendenti e zero opere pubblicate non la raggiunge. Una voce forzata viene cancellata e lascia una traccia negativa sul dominio.

L'ordine giusto è questo: prima si accumulano menzioni vere in fonti indipendenti, e poi la voce diventa difendibile da sé. Imitare il risultato di un segnale invece di produrlo alla fonte corregge la misura, ma non la verità.

Quanto ci vuole

La risposta onesta: non lo so, e non lo sa nessuno.

Si sa questo: i corpora di addestramento si rinnovano periodicamente, gli indici di ricerca si aggiornano molto più in fretta, e che un'entità diventi "riconosciuta" in un modello dipende dall'accumularsi delle menzioni. Superare un incumbent di diciotto anni in un trimestre non è realistico.

Realistico è cambiare battaglia. Il nome in sé non è una query vincibile nel breve periodo. Ma i composti "nome + attributo" e le query di servizio in cui il marchio non compare affatto — quello è terreno libero. Nessuno degli omonimi è in quelle query.

Nella mia misurazione la metrica più preziosa non è stata il tasso di citazione. È stata la comparsa in query senza marca — perché chi conosce il tuo nome ti sta già cercando; il guadagno vero sta nell'essere trovato da chi non lo conosce.

C'è qualcosa di rassicurante in questo. La folla di omonimi ti sta forse seppellendo in una query, ma quella query non era comunque la tua più preziosa. Chi cerca il tuo nome per lo più ti conosce già. Chi non ti conosce non scrive il tuo nome ma il proprio problema — e su quel campo non competi con sette persone, competi con l'argomento.