research

Category Ownership Index: il dataset dietro i nostri 50 profili di brand

July 13, 2026
7 min read
n=3,750
Dmitrij Żatuchin
Category OwnershipAI RecommendationsOpen DatasetCOICompetitive VacuumCross-Model Agreement

Poni a un modello di AI una domanda d'acquisto senza brand ("miglior CRM per una piccola impresa", "quale società di consulenza per una trasformazione digitale") e ti nominerà dei brand. Ponigliela 3.750 volte, tra modelli diversi e ripetizioni, e ottieni una mappa di chi possiede quale domanda.

Quella mappa è il dataset Category Ownership. Questo articolo spiega le tre metriche che produce, la sorpresa onesta nei risultati e come leggere i 50 profili pubblici di brand costruiti su di esso. I dati e il codice di analisi sono aperti sotto licenza CC-BY-4.0 su Kaggle e Zenodo (10.5281/zenodo.20788142).

L'impostazione

250 domande d'acquisto di categoria senza brand in cinque settori: SaaS, consulenza, fintech, e-commerce e tecnologia sanitaria. Tre modelli: GPT-5.2, Gemini 3 Flash, Perplexity sonar-pro. Ogni query ripetuta cinque volte secondo un protocollo di stabilità dice-roll, perché una singola risposta dell'AI non dimostra nulla. Totale: 3.750 risposte, mappate su 50 brand.

Tre metriche

Category Ownership Index (COI) misura quanto a fondo un brand domina le domande della propria categoria. EY possiede la consulenza a 0,95, comparendo come raccomandazione principale in 47 delle 50 query di consulenza. Stripe guida il fintech a 0,53, HubSpot guida il SaaS a 0,38. La forbice conta: la consulenza si comporta come un monopolio, il SaaS come un mercato conteso.

Competitive Vacuum Index (CVI) individua le domande in cui nessun brand ha stabilito una proprietà. L'8,0% dello spazio delle query è vuoto: domande d'acquisto a cui l'AI risponde con consigli generici o nomi che ruotano. Sono le domande meno costose da conquistare, perché conquistarle non spodesta nessuno.

Displacement Score (DS) stima quanto sarebbe difficile spingere fuori l'attuale proprietario di una domanda, in base a quanto costantemente i modelli lo restituiscono.

La sorpresa onesta: il dominio è più raro di quanto racconti la narrazione

La storia del "chi vince prende tutto nella ricerca AI" è per lo più sbagliata a livello aggregato. La concentrazione media di Gini tra le categorie è 0,284, un livello moderato, e il vantaggio del brand di testa sul secondo classificato si aggrega intorno a 1,3:1, ben al di sotto della soglia di 3:1 che avevamo fissato per il vero dominio prima dello studio.

I monopoli in stile EY sono reali ma eccezionali. La categoria tipica è un campo conteso con un leader moderato, una lunga coda e l'8% delle domande che non appartiene a nessuno. Per la maggior parte dei brand questa è una buona notizia: la porta è aperta più di quanto il dibattito suggerisca.

Altri due risultati che vale la pena conoscere: il 4,2% delle risposte ha formato cluster emergenti (raggruppamenti di brand inventati dai modelli che non corrispondono ad alcuna tassonomia di analisti), e i tre modelli hanno concordato sul brand di testa per una domanda solo il 41,6% delle volte. Chiunque ti dica di aver verificato "cosa raccomanda l'AI" interrogando un solo modello una sola volta sta descrivendo il meteo, non il clima.

Come usarlo

  • Trova il tuo COI. Se il tuo brand è uno dei 50, il tuo profilo su /brands mostra quali query possiedi, dove sei forte e dove sei assente.
  • Vai a caccia di vuoti. Le tabelle CVI nel dataset elencano le domande senza proprietario per settore. Contenuti che rispondono direttamente a una domanda vuota sono il lavoro di visibilità AI a più alto ritorno disponibile.
  • Rimisura, sempre. Con il 41,6% di accordo tra modelli, qualsiasi affermazione di proprietà richiede almeno tre modelli e cinque ripetizioni. Il nostro Dice Roller gratuito esegue quel protocollo su qualsiasi domanda, senza bisogno di un account.

Il dataset è fornito con le risposte grezze, le menzioni estratte, tutte e tre le matrici delle metriche, gli embedding delle risposte e il notebook che riproduce ogni tabella e figura. Il paper di accompagnamento è in revisione presso una rivista; i materiali del preprint sono nel record Zenodo.

Continue Reading

research

We Asked 3 AI Platforms About 24 Brands. They Could Not Agree on Anything.

The largest multi-industry study of AI reputation sourcing to date. 24 companies, 8 industries, 1,311 responses, 3,041 coded source attributions across GPT-5.2 and Gemini 3 Flash. Key finding: 70.2% of what AI "knows" about brands cannot be traced to any source. Models disagree on sentiment (0.83 vs 0.32), consistency averages just 0.54, and being publicly traded gives zero advantage. Published in Springer Discover Artificial Intelligence.

research

Cross-Model Response Stability Analysis: A Comparative Study of Brand Mention Consistency in Large Language Models

This study investigates response variability and brand mention consistency across three leading LLMs: Google Gemini 3 Flash, OpenAI GPT-5.2, and xAI Grok-4-1. Using 239 total samples across three prompt variations (husband, wife, 2025), we measured brand mention frequency, response consistency, and cross-model agreement.

article

The "Best Of" Trap: Why Self-Promotional Listicles Are Losing Google and Winning ChatGPT

Three signals in one week: Google penalized self-promotional listicles (SaaS brands losing 34-49% visibility), reduced crawl limits by 86.7%, while Ahrefs found 44% of ChatGPT citations come from those exact listicles. Google is shrinking, AI is expanding. Includes a 5-minute brand audit playbook and split strategy for navigating both discovery systems.

research

How We Measure AI Brand Reputation: The Method Behind the Rankfor Index 2026

The full method behind the Rankfor Index 2026: 66 brands, 12 languages, 3 AI models with live grounding, 35,640 responses, 131,667 citations. Five weighted components (sentiment, recommendation, source quality, consistency, stability) produce the 0-100 AI Visibility Score published on every brand page, plus the metrics only multilingual data can expose: bilingual penalty, citation concentration, and blind languages.

BeVisible Club

Get research like this before we publish it.

New AI visibility studies, ranking patterns, and source-stack data delivered to your inbox a week before they go public.

Join BeVisible Club

Want to Know How AI Sees Your Brand?

Rankfor.AI measures your brand's AI visibility across all major platforms and provides actionable recommendations.

About the Author

Dmitrij Żatuchin

Founder

Dmitrij Żatuchin is the founder of Rankfor.AI. A computer scientist with a PhD in semantic web technologies, he bridges the gap between how AI reasons about brands and how brands want to be understood. With over two decades of software architecture experience and academic roles at Estonian Business School and EUAS, Dmitrij builds the measurement infrastructure brands need to transition from optimizing for search engines to becoming visible for reasoning engines.

© 2025-2026 Rankfor.AI™ Tutti i diritti riservati.

Ask AI about Rankfor.AI

Rankfor.AI sp. z o.o., Skarbowcow 23B, 53-025 Wroclaw, Poland

KRS: 0001190083 | NIP: 8993033605

Utilizziamo i cookie

Utilizziamo cookie essenziali per far funzionare il nostro sito. Con il suo consenso, potremmo anche utilizzare cookie di analisi per comprendere come utilizza i nostri strumenti (come il Dice Roller) in modo da poterli migliorare. Scopri di più