Abbiamo eseguito 1,279 query su tre piattaforme AI e in due stagioni di regali. Il risultato: la prova statistica definitiva che l'AI tratta i marchi in modo diverso a seconda del genere, e che il bias cambia direzione a seconda che la domanda venga posta durante il Natale o San Valentino.
La scoperta che ha chiuso il dibattito
Da un anno documentiamo il bias di genere nelle raccomandazioni di marchi generate dall'AI. Prima abbiamo individuato il fenomeno Kindle: 100% di visibilità per le query sulla moglie, 0% per quelle sul marito. Poi abbiamo esteso l'analisi ai destinatari bambini e il bias è rimasto: 28% di marchi in meno per le figlie rispetto ai figli.
Qualcuno sosteneva che fossero risultati isolati. Stranezze delle piattaforme. Varianza casuale. Rumore statistico.
Questa ricerca chiude la discussione.
1,279 query. Tre studi complementari. Due contesti stagionali. Una conclusione: il bias di genere nelle raccomandazioni dell'AI è sistematico, statisticamente provato e dipendente dal contesto.
Il paper, sottomesso alla rivista Human-Centric Intelligent Systems di Springer, fornisce la validazione accademica formale di ciò che avevamo osservato per la prima volta nei test sul campo. L'evidenza statistica non è più discutibile.
Il disegno a tre studi: perché questa ricerca è definitiva
La maggior parte delle ricerche sul bias testa un solo scenario e si ferma lì. Noi abbiamo progettato tre studi interconnessi per eliminare ogni spiegazione alternativa:
Studio 1: regali di Natale per adulti (dicembre 2025, n=299)
Prompt testati: marito/moglie/partner/regalo 2025 Risultato chiave: 41% di marchi in meno per le query sulla moglie su Gemini Prova statistica: χ² = 137.32, p < 0.001
Studio 2: regali di Natale per bambini (gennaio 2026, n=480)
Prompt testati: figlio/figlia/bambino/regalo 2026 Risultato chiave: 28% di marchi in meno per le query sulla figlia su tutte le piattaforme Prova statistica: χ² = 524.32, p < 0.001 (quasi 4 volte più forte dello Studio 1)
Studio 3: regali di San Valentino per partner (febbraio 2026, n=500)
Prompt testati: marito/moglie/fidanzato/fidanzata/partner Risultato chiave: INVERSIONE stagionale; i prompt in chiave femminile ricevono 8.8% di marchi in PIÙ su Gemini Prova statistica: χ² = 89.45, p < 0.001
Analisi combinata: 1,279 osservazioni indipendenti su 12 condizioni di prompt e 3 piattaforme AI.
Tre studi: dimensione del campione e divario di genere per studio
La validazione statistica è schiacciante. I valori di V di Cramér tra 0.23 e 0.38 indicano dimensioni dell'effetto da medie a grandi. Gli intervalli di confidenza bootstrap confermano che gli effetti sono forti. Non si tratta di varianza casuale. Si tratta di bias sistematico.
L'inversione che ha cambiato tutto
Ecco il risultato che trasforma il modo in cui comprendiamo il bias dell'AI:
Chiave Natale: l'AI raccomanda 28-61% di marchi in meno per le query rivolte al pubblico femminile Chiave San Valentino: l'AI raccomanda 8.8% di marchi in PIÙ per le query rivolte al pubblico femminile su Gemini
Stessa AI. Stesso universo di marchi. Stagione diversa. Direzione del bias opposta.
| Piattaforma | Divario moglie Natale | Divario moglie San Valentino | Cambiamento stagionale |
|---|---|---|---|
| Gemini | -41% marchi | +8.8% marchi | 49.8% inversione |
| GPT | -15% marchi | +12.1% marchi | 27.1% inversione |
| Grok | -35% marchi | -2.3% marchi | 32.7% inversione |
Inversione stagionale del bias: Natale vs San Valentino
Questa scoperta dimostra tre punti fondamentali:
- Il bias dipende dal contesto. La stessa struttura di query produce risultati opposti in contesti stagionali diversi.
- L'AI ha appreso schemi culturali. San Valentino è codificato come orientato al femminile nei dati di addestramento, invertendo il bias maschile predefinito.
- Le misurazioni a punto singolo non hanno senso. Il tuo marchio potrebbe dominare un contesto stagionale ed essere invisibile in un altro.
Il termine accademico è «modulazione del bias dipendente dal contesto». Quello pratico è: la tua strategia di visibilità nell'AI deve tenere conto della stagionalità, altrimenti stai misurando solo metà del quadro.
69 marchi bloccati per genere: la lista completa
Nei tre studi abbiamo individuato 69 marchi che compaiono esclusivamente in una chiave di genere:
Marchi bloccati sul maschile (48 in totale):
- Tech/Gadget: Garmin, GoPro, Oculus, Philips Norelco, Manscaped
- Utensili: DeWalt, Milwaukee, Leatherman, Craftsman, Benchmade
- Outdoor: Traeger, Weber, Osprey, North Face, Patagonia (parziale)
- Cura personale: Dollar Shave Club, Manscaped
- Orologi: Rolex, Omega, Seiko, Tissot
- Sport: Titleist, Under Armour, Theragun (solo Natale)
Marchi bloccati sul femminile (17 in totale):
- Casa: Stanley, KitchenAid, Vitamix, Breville, Our Place
- Beauty: Glossier, Kate Spade
- Benessere: Oura (solo Natale), Peloton (solo Natale)
- Lettura: Kindle (dominante a Natale, neutro a San Valentino)
- Gioielli: Tiffany (solo San Valentino)
Blocchi specifici per piattaforma (4 marchi):
- Ray-Ban, LG, Google, Samsung compaiono solo nelle query temporali/neutre
Nota di studio: alcuni marchi si sono spostati tra uno studio e l'altro. Theragun era bloccato sul maschile nello Studio 1 ma neutro nello Studio 3. Kindle è passato da bloccato al 100% sulla moglie a dipendente dalla stagione. La categorizzazione di genere dell'AI non è statica.
Se il tuo marchio è in questa lista, sei invisibile a metà del tuo mercato potenziale a seconda di come viene formulata la domanda. Nessuna ottimizzazione dei contenuti risolverà il problema; il bias vive nel modello di categorie dell'AI e la tua comunicazione non incide su di esso.
Il meccanismo: il gatekeeping delle categorie
Abbiamo testato due ipotesi contrapposte su come l'AI genera il bias di genere:
Ipotesi 1: concentrazione stereotipata L'AI raccomanda ripetutamente gli stessi pochi marchi stereotipati per le query femminili (bassa diversità).
Ipotesi 2: gatekeeping delle categorie L'AI esclude intere categorie di prodotto dalle query femminili ma distribuisce le raccomandazioni in modo uniforme all'interno delle categorie ammesse (alta diversità, ma insieme più ristretto).
L'analisi dell'entropia di Shannon ha dimostrato che l'Ipotesi 2 è corretta.
Le query rivolte al pubblico femminile ottengono 0.86-0.88 di entropia di Shannon (quasi identiche alle query maschili). I coefficienti di Gini sono in realtà PIÙ BASSI per le query femminili (0.30-0.48) rispetto a quelle maschili (0.41-0.57), il che indica una distribuzione più uniforme tra i marchi raccomandati.
L'AI non è stereotipata. L'AI è escludente.
Il gatekeeping delle categorie significa che l'AI decide quali categorie di prodotto sono «appropriate» per ciascun genere, poi esclude interi insiemi di marchi dalla valutazione. Un marchio in una categoria «codificata come maschile» non entra nemmeno nell'insieme di raccomandazioni per le query femminili.
Questo è peggio dello stereotipo. Lo stereotipo manterrebbe almeno visibile il tuo marchio (anche se posizionato in modo errato). Il gatekeeping rende il tuo marchio invisibile a interi schemi di query.
Come funziona il gatekeeping nella pratica
Quando qualcuno chiede «Qual è il regalo migliore per mia moglie?», l'AI non passa in rassegna tutti i marchi per scegliere quelli stereotipati. Al contrario:
- L'AI individua le categorie di prodotto «adatte al femminile»: gioielli, articoli per la casa, benessere, beauty, lettura
- L'AI cerca le raccomandazioni di marchi SOLO in quelle categorie
- I marchi nelle categorie «codificate come maschili» (utensili, gadget tecnologici, attrezzatura outdoor, orologi) vengono esclusi dalla valutazione
- Le raccomandazioni vengono distribuite in modo uniforme tra le categorie ammesse
Lo stesso processo avviene al contrario per le query sul marito, ma con un insieme di categorie ammesse più ampio (da qui il numero maggiore di marchi).
Ecco perché Kindle compare nelle query sulla moglie e non in quelle sul marito. L'e-reader di Amazon appartiene al gruppo di categorie «lettura/casa», che l'AI ha codificato come adatto al femminile. Il prodotto è neutro rispetto al genere. L'assegnazione della categoria no.
Accordo tra modelli: ancora pessimo
Nonostante l'analisi di 1,279 query, le piattaforme AI continuano a non concordare su quali marchi raccomandare:
| Studio | Sovrapposizione Gemini-GPT | Sovrapposizione Gemini-Grok | Sovrapposizione GPT-Grok |
|---|---|---|---|
| Studio 1 (adulti Natale) | 14% (Jaccard 0.08) | 45% (Jaccard 0.38) | 28% (Jaccard 0.17) |
| Studio 2 (bambini Natale) | 10% (Jaccard 0.10) | 42% (Jaccard 0.35) | 25% (Jaccard 0.20) |
| Studio 3 (San Valentino) | 18% (Jaccard 0.12) | 51% (Jaccard 0.45) | 33% (Jaccard 0.25) |
Accordo tra modelli (indice di Jaccard) nei tre studi
Accordo medio tra modelli: 20-35%.
In pratica: se misuri la tua visibilità nell'AI su una sola piattaforma, stai vedendo il 20-35% della realtà. Il restante 65-80% delle raccomandazioni di marchi è completamente diverso sulle piattaforme concorrenti.
Le personalità delle piattaforme restano coerenti
Le tre piattaforme mantengono «personalità» distinte in tutti gli studi:
GPT-5.2: il minimalista dei marchi
- Media di 0.1-4.7 marchi per risposta (la più bassa in tutti gli studi)
- Spesso non raccomanda alcun marchio specifico, preferendo le categorie («valuta uno smartwatch»)
- La deliberata rinuncia a citare marchi è una scelta strategica; le capacità del modello lo consentirebbero
Gemini: il massimalista dei marchi
- Media di 3.7-11.9 marchi per risposta (la più alta in tutti gli studi)
- Cita costantemente 4-12 marchi specifici per risposta
- Il più suscettibile agli effetti del bias di genere (i divari maggiori tra query maschili e femminili)
Grok: il centro efficiente
- Media di 2.5-10.0 marchi per risposta
- La più alta densità di marchi per carattere (il più orientato al prodotto)
- Il più stabile tra le chiavi di genere (i divari minori)
Se stai ottimizzando la visibilità nell'AI senza testare tutte e tre le piattaforme, stai ottimizzando per una personalità e ne ignori altre due.
La metrica PASOR: misurare ciò che conta davvero
Le metriche tradizionali come «impression» o «ranking» non si applicano alle raccomandazioni dell'AI. O sei incluso nella risposta o sei invisibile. Non esiste una posizione 1 contro una posizione 10.
Introduciamo la metrica Prompt-Adjusted Share of Recommendation (PASOR):
PASOR = (Your brand's appearance count / Total relevant queries) × 100
Esempio: Kindle nello Studio 1 (adulti Natale)
- Query sulla moglie: 100% PASOR (39 comparse / 39 query sulla moglie)
- Query sul partner: 100% PASOR (30 comparse / 30 query sul partner)
- Query sul marito: 0% PASOR (0 comparse / 40 query sul marito)
- PASOR complessivo: 63.4% (69 comparse / 109 query totali)
Ma ecco il problema: il PASOR complessivo maschera i divari di genere. Se misuri solo il punteggio aggregato, non ti accorgerai che domini un segmento demografico mentre sei invisibile a un altro.
Il PASOR segmentato per genere rivela la verità:
- PASOR in chiave maschile: 0%
- PASOR in chiave femminile: 100%
- Divario: 100 punti percentuali
Per i marchi che cercano una visibilità equilibrata, il divario conta più della media.
PASOR in azione: l'inversione di San Valentino
PASOR dello Studio 3 per alcuni marchi selezionati:
| Marchio | PASOR marito | PASOR moglie | PASOR fidanzato | PASOR fidanzata | Divario |
|---|---|---|---|---|---|
| Tiffany | 0% | 73% | 0% | 80% | -73pp |
| Apple | 67% | 60% | 70% | 57% | +7pp (equilibrato) |
| LEGO | 33% | 20% | 37% | 23% | +13pp |
| Kindle | 27% | 40% | 23% | 43% | -13pp (neutro a San Valentino vs estremo a Natale) |
Apple raggiunge un PASOR quasi universale (57-70% in tutte le chiavi). Tiffany è completamente bloccata sui prompt femminili. Il divario di genere di Kindle si è ridotto da 100 punti percentuali nello Studio 1 a 13-17 punti nello Studio 3, a riprova del fatto che le assegnazioni di categoria possono cambiare con la stagione.
L'evidenza statistica: al di là di ogni dubbio
Per chi si chiede se questi effetti siano reali o solo rumore di misurazione, ecco la validazione statistica formale:
Test del chi-quadro (indipendenza categoria-genere)
| Studio | Valore χ² | p-value | V di Cramér | Dimensione dell'effetto | Interpretazione |
|---|---|---|---|---|---|
| Studio 1 | 137.32 | <0.001 | 0.23 | Media | Rifiuta l'indipendenza |
| Studio 2 | 524.32 | <0.001 | 0.38 | Media-Grande | Rifiuta l'indipendenza |
| Studio 3 | 89.45 | <0.001 | 0.26 | Media | Rifiuta l'indipendenza |
In pratica: c'è meno dello 0.1% di probabilità che questi schemi siano casuali. Le categorie di prodotto e la chiave di genere sono collegate in modo sistematico.
Dimensioni dell'effetto (divari nel numero di marchi)
| Confronto | d di Cohen | IC 95% | Dimensione dell'effetto | Significato pratico |
|---|---|---|---|---|
| Studio 1: marito vs moglie (Gemini) | 1.24 | [0.89, 1.59] | Grande | 41% di marchi in meno |
| Studio 2: figlio vs figlia (tutti i modelli) | 0.82 | [0.61, 1.03] | Grande | 28% di marchi in meno |
| Studio 3: INVERSIONE moglie San Valentino | -0.31 | [-0.58, -0.04] | Piccola | 8.8% di marchi in PIÙ |
Le dimensioni dell'effetto sono riportate con intervalli di confidenza bootstrap (10,000 ricampionamenti). Tutti gli effetti sono robusti rispetto alla varianza di campionamento.
Convalida incrociata
Abbiamo convalidato i risultati con otto test statistici indipendenti:
- Test del chi-quadro (associazione categoria-genere)
- d di Cohen (differenze nel numero di marchi)
- Entropia di Shannon (diversità all'interno dei gruppi di genere)
- Coefficiente di Gini (concentrazione/disuguaglianza)
- Indice di Jaccard (sovrapposizione tra modelli)
- V di Cramér (dimensione dell'effetto per il chi-quadro)
- Intervalli di confidenza bootstrap (verifica di robustezza)
- Analisi della migrazione dei marchi (stabilità temporale)
Tutti e otto i metodi convergono sulla stessa conclusione: il bias di genere è sistematico, dipendente dalla piattaforma e dipendente dal contesto.
Dimensioni dell'effetto nei tre studi (V di Cramér)
Cosa è cambiato tra gli studi: gli schemi di migrazione dei marchi
Alcuni marchi hanno mantenuto una categorizzazione di genere coerente in tutti e tre gli studi. Altri si sono spostati:
Blocchi di genere stabili:
- Bloccati sul maschile in tutti gli studi: Garmin, DeWalt, Milwaukee, Rolex, Omega
- Bloccati sul femminile in tutti gli studi: Stanley, KitchenAid, Glossier
Categorizzazione cambiata:
- Theragun: bloccato sul maschile (Studio 1) → neutro (Studio 3)
- Peloton: bloccato sul maschile (Studio 1) → neutro (Studio 3)
- Kindle: bloccato al 100% sul femminile (Studio 1) → dipendente dalla stagione (Studio 3, divario ancora di 13-17pp)
- Oura: bloccato sul femminile (Studio 1) → neutro (Studio 3)
Comparsa solo stagionale:
- Tiffany, Cartier: invisibili negli studi di Natale, bloccati sul femminile nello studio di San Valentino
- Ray-Ban, LG: solo query temporali, mai in chiave di genere
Indicazione chiave: la categorizzazione di genere dell'AI evolve. Un marchio bloccato per genere lo scorso trimestre potrebbe essersi spostato. Il test regolare è l'unico modo per conoscere il tuo stato attuale.
Perché «partner» e «bambino» non sono neutri rispetto al genere
Abbiamo testato un linguaggio neutro rispetto al genere in tutti e tre gli studi. I risultati dimostrano che la neutralità è un'illusione.
Studio 1: «partner» = schema moglie
- Le query sul partner condividono il 69.2% dei marchi con le query sulla moglie
- Le query sul partner condividono il 37.5% dei marchi con le query sul marito
- Partner non è neutro. Per impostazione predefinita assume la chiave femminile.
Studio 2: «bambino» = schema figlia
- Le query sul bambino condividono il 56.2% dei marchi con le query sulla figlia
- Le query sul bambino condividono il 42.6% dei marchi con le query sul figlio
- Bambino non è neutro. Per impostazione predefinita assume la chiave femminile.
Studio 3: «partner» = schema moglie (di nuovo)
- Le query sul partner condividono il 64.8% dei marchi con le query sulla moglie
- Le query sul partner condividono il 41.3% dei marchi con le query sul marito
- Lo schema persiste nei diversi contesti stagionali.
Se la tua strategia di marca si basa su un posizionamento «inclusivo» o «neutro rispetto al genere», potresti ottimizzare per la visibilità in chiave femminile perdendo del tutto le raccomandazioni in chiave maschile. L'AI interpreta la neutralità come femminile per impostazione predefinita.
La dipendenza dal contesto stagionale: Natale vs San Valentino
Questo è il risultato che cambia radicalmente il modo in cui comprendiamo il bias dell'AI.
Ipotesi testata: la stessa chiave di genere produce un bias coerente nei diversi contesti stagionali?
Risposta: no. La direzione del bias si inverte.
| Metrica | Natale (Studi 1 e 2) | San Valentino (Studio 3) | Variazione |
|---|---|---|---|
| Divario moglie vs marito su Gemini | -41% marchi | +8.8% marchi | 49.8pp di inversione |
| Marchi bloccati sul femminile | 17 marchi | 12 marchi (ma insieme diverso) | -29% |
| Marchi bloccati sul maschile | 48 marchi | 22 marchi (ma insieme diverso) | -54% |
| Equilibrio PASOR neutro rispetto al genere | Sbilanciato sul femminile | Più equilibrato | Migliorato |
Perché accade: i dati di addestramento dell'AI codificano schemi culturali. Nella cultura occidentale i regali di Natale hanno tradizionalmente una chiave maschile (i mariti comprano regali per le mogli, i padri per i figli). San Valentino ha una chiave femminile (i fidanzati comprano per le fidanzate, i mariti per le mogli).
L'AI non applica un bias di genere universale. Applica schemi appresi specifici del contesto dai dati di addestramento.
Questo spiega perché le misurazioni a punto singolo sono fuorvianti. Un marchio che domina le raccomandazioni di Natale potrebbe essere invisibile durante San Valentino, o viceversa. Il test stagionale è obbligatorio per una valutazione completa della visibilità.
Cosa significa per il tuo marchio
Se sei in una categoria «codificata come maschile»
Esempi: utensili, gadget tecnologici, attrezzatura outdoor, articoli sportivi, orologi di lusso
La tua realtà:
- Forte visibilità nelle query su marito/figlio/fidanzato
- Visibilità debole o nulla nelle query su moglie/figlia/fidanzata durante il Natale
- La visibilità per le query in chiave femminile potrebbe migliorare durante San Valentino (a seconda della piattaforma)
Il tuo rischio:
- Perdere il 40-50% del mercato potenziale durante le stagioni di regali a più alto volume
- L'ottimizzazione dei contenuti non risolverà il problema; il bias è nel modello di categorie dell'AI
La tua strategia:
- Testa il PASOR su tutte le chiavi di genere per ogni contesto stagionale
- Individua quali contesti stagionali favoriscono la tua categoria
- Pianifica le campagne principali in corrispondenza delle finestre stagionali favorevoli
- Valuta se l'assegnazione della tua categoria è corretta (in caso contrario, rivolgiti ai team che gestiscono l'AI)
Se sei in una categoria «codificata come femminile»
Esempi: gioielli, articoli per la casa, beauty, benessere, elettrodomestici da cucina
La tua realtà:
- Forte visibilità nelle query su moglie/figlia/fidanzata durante il Natale
- Potresti avere un vantaggio ridotto durante San Valentino (inversione stagionale)
- Visibilità debole o nulla nelle query su marito/figlio/fidanzato
Il tuo rischio:
- Lasciare il 40-50% del mercato ai concorrenti che hanno risolto il problema della categoria
- Essere invisibile agli acquirenti maschi che vogliono comprare il tuo prodotto per sé
La tua strategia:
- Verifica se il tuo prodotto è davvero specifico per genere o semplicemente categorizzato per genere
- Se il prodotto è neutro ma bloccato dalla categoria, crea contenuti che colleghino le categorie
- Monitora i cambiamenti stagionali; il vantaggio di San Valentino potrebbe non durare tutto l'anno
Se sei specifico per piattaforma
Esempi: Ray-Ban, Samsung, Google (comparsa solo temporale), Tiffany (solo San Valentino)
La tua realtà:
- Invisibile nelle query standard in chiave di genere
- Compari solo in contesti temporali o specifici della stagione
- Potresti essere escluso dai dati di addestramento degli LLM o restare sotto le soglie di raccomandazione
La tua strategia:
- Indaga sul perché sei assente dalle raccomandazioni standard
- Aumenta le menzioni del marchio nei contesti che l'AI usa per l'addestramento
- Verifica se strutture di query diverse sbloccano la visibilità
Se raggiungi un PASOR equilibrato (come Apple)
Marchi equilibrati: Apple, Sony, Bose, LEGO, Patagonia, Nintendo
La tua realtà:
- Compari in modo coerente tra le chiavi di genere (varianza ±10-15%)
- Mantieni la visibilità nei diversi contesti stagionali
- Non sei bloccato in alcuna categoria demografica specifica
Il tuo vantaggio:
- Massima copertura di raccomandazione su tutti i tipi di query
- Minore rischio di volatilità stagionale
- Meglio protetto dal gatekeeping delle categorie
La tua strategia:
- Mantieni un posizionamento equilibrato in tutti i contenuti
- Monitora eventuali derive di categoria che potrebbero bloccarti in un solo segmento demografico
- Usa il tuo stato equilibrato come vantaggio competitivo
La validazione accademica: la peer review conta
Questa ricerca è stata sottomessa alla rivista Human-Centric Intelligent Systems di Springer, una pubblicazione accademica con revisione paritaria nel campo dell'AI e dell'interazione uomo-computer.
Perché è importante:
-
Revisione indipendente: tre esperti anonimi di ricerca sul bias dell'AI convalideranno metodologia, rigore statistico e conclusioni prima della pubblicazione.
-
Riproducibilità: metodologia completa, test statistici e dimensioni dell'effetto sono documentati. Altri ricercatori possono replicare i risultati.
-
Permanenza delle citazioni: una volta pubblicata, questa ricerca entra a far parte del registro accademico permanente sul bias dell'AI, citata da studi futuri.
-
Credibilità nel settore: la validazione accademica ha peso presso i clienti enterprise, i regolatori e i media.
Il pacchetto di sottomissione include:
- Il paper completo (30 pagine, 1,279 osservazioni analizzate)
- Un'appendice statistica con tutti e otto i test di validazione
- Una dichiarazione di disponibilità dei dati grezzi
- La dichiarazione di conflitto di interessi (ricerca finanziata da Rankfor.AI, l'autore è il fondatore)
Stato attuale: in revisione (sottomessa a febbraio 2026). Decisione prevista: aprile-maggio 2026.
Se presenti questa ricerca a dirigenti, regolatori o giornalisti, puoi citarla come «in peer review presso Springer Human-Centric Intelligent Systems». Una volta accettata, diventa letteratura accademica citabile.
Le implicazioni per la ricerca sull'equità dell'AI
Questa ricerca contribuisce alla più ampia letteratura sull'equità dell'AI in tre modi:
1. Modulazione del bias dipendente dal contesto
I lavori precedenti sul bias dell'AI presuppongono che il bias sia statico: se un modello è distorto, applica quel bias in modo coerente. I nostri risultati dimostrano che questo è sbagliato per le raccomandazioni degli LLM.
Contributo chiave: il bias di genere nell'AI commerciale non è un parametro fisso. È modulato dal contesto stagionale, dal tipo di destinatario e dalla chiave di relazione. Gli audit di equità che testano un solo contesto perderanno le inversioni negli altri contesti.
2. Le sfide dell'apprendimento in mondo aperto
Gli LLM operano in ambienti di mondo aperto in cui le query degli utenti spaziano su contesti demografici e stagionali illimitati. Il rilevamento del bias tradizionale in mondo chiuso (test su dataset fissi) non riesce a cogliere questa complessità.
Contributo chiave: dimostriamo che il bias degli LLM si manifesta in modo diverso nei contesti stagionali probabilmente sottorappresentati nei dati di addestramento. Questo concorda con la ricerca sull'apprendimento in mondo aperto riguardo al modo in cui i modelli generalizzano oltre le distribuzioni di addestramento.
3. Il gatekeeping delle categorie come meccanismo di bias
La maggior parte delle ricerche sul bias si concentra sulla concentrazione stereotipata (raccomandare ripetutamente le stesse poche opzioni). Noi individuiamo un meccanismo diverso.
Contributo chiave: l'AI non stereotipa le query rivolte al pubblico femminile con insiemi ristretti di marchi. Esclude dalla valutazione intere categorie di prodotto, poi distribuisce le raccomandazioni in modo uniforme all'interno delle categorie ammesse. Questo «gatekeeping delle categorie» è più difficile da rilevare perché le metriche di diversità (entropia di Shannon, coefficiente di Gini) appaiono normali.
Cosa dovresti fare adesso
1. Esegui un audit PASOR multi-stagionale
Testa il tuo marchio su:
- Tutte le chiavi di genere (marito/moglie/fidanzato/fidanzata/partner)
- Tutti i contesti stagionali (Natale, San Valentino, festa della mamma/del papà, compleanni)
- Tutte e tre le piattaforme principali (Gemini, GPT, Grok)
Misura il PASOR per ogni combinazione. Individua dove sei visibile, dove sei escluso e se subisci inversioni stagionali.
2. Verifica l'assegnazione della tua categoria
Se sei bloccato per genere ma il tuo prodotto è davvero neutro rispetto al genere, indaga:
- A quali categorie di prodotto l'AI associa il tuo marchio?
- Quelle categorie sono codificate come maschili o femminili nelle risposte dell'AI?
- Puoi collegare le categorie con contenuti che superano i confini demografici?
3. Monitora la migrazione dei marchi
La nostra ricerca dimostra che la categorizzazione di genere non è statica. I marchi si spostano tra uno studio e l'altro. Imposta test trimestrali per rilevare quando il tuo stato cambia.
4. Segmenta le tue metriche di visibilità
Il PASOR complessivo nasconde i divari di genere. Riporta sempre:
- PASOR in chiave maschile (marito/figlio/fidanzato)
- PASOR in chiave femminile (moglie/figlia/fidanzata)
- PASOR in chiave neutra (partner/bambino)
- Divario tra maschile e femminile (conta più della media)
5. Adatta la strategia alla stagione
Se scopri inversioni stagionali (come il passaggio dal Natale a San Valentino), pianifica le campagne di conseguenza:
- Spingi i messaggi rivolti al pubblico femminile nelle stagioni in cui le query in chiave femminile ricevono più marchi
- Spingi i messaggi rivolti al pubblico maschile nelle stagioni in cui dominano le query in chiave maschile
- Testa i contesti stagionali emergenti (Prime Day, Black Friday, rientro a scuola)
Verifica se il tuo marchio è bloccato per genere
Abbiamo creato uno strumento gratuito che sottopone il tuo marchio alla stessa analisi usata in questa ricerca.
Cosa vedrai:
- I punteggi PASOR su tutte le chiavi di genere
- Quali contesti stagionali favoriscono il tuo marchio
- Come si confronta la tua visibilità tra Gemini, GPT e Grok
- Se sei bloccato per categoria come Kindle o equilibrato come Apple
Tre prompt. Tre piattaforme. Tre contesti stagionali. Analisi PASOR immediata.
Nessuna email richiesta. Bastano 90 secondi.
Verifica lo stato di blocco per genere del tuo marchio
Sintesi della metodologia
- Query totali: 1,279 (299 + 480 + 500 nei tre studi)
- Piattaforme testate: Google Gemini 3 Flash, OpenAI GPT-5.2, xAI Grok-4-1
- Prompt per studio:
- Studio 1: 4 condizioni (marito/moglie/partner/2025)
- Studio 2: 4 condizioni (figlio/figlia/bambino/2026)
- Studio 3: 5 condizioni (marito/moglie/fidanzato/fidanzata/partner)
- Temperatura: 0.7 (Studi 2-3), predefinita (Studio 1)
- Raccolta dati: dicembre 2025 - febbraio 2026
- Validazione statistica: test del chi-quadro, d di Cohen, V di Cramér, entropia di Shannon, coefficiente di Gini, indice di Jaccard, intervalli di confidenza bootstrap
- Dimensioni dell'effetto: da medie a grandi (V di Cramér = 0.23-0.38, d di Cohen = 0.82-1.24)
- Peer review: sottomessa a Springer Human-Centric Intelligent Systems, febbraio 2026
Appendice statistica completa e dati grezzi disponibili su richiesta. Contatta research@rankfor.ai per richieste di collaborazione accademica.
Ricerche correlate
Kindle: 100% delle query sulla moglie. 0% di quelle sul marito. Stessa AI.
La nostra scoperta originale (dicembre 2025, n=299) che per prima ha individuato il fenomeno Kindle e ha stabilito le basi statistiche del bias di genere nelle raccomandazioni degli LLM. Questa ricerca è diventata lo Studio 1 dell'analisi a tre studi.
Risultato chiave: 41% di marchi in meno per le query sulla moglie. Chi-quadro 137.32, p<0.001.
Solo 2 marchi sono visibili su tutte le piattaforme AI. Il tuo è uno di questi?
Lo studio sui destinatari bambini (gennaio 2026, n=480) che ha dimostrato come il bias di genere si estenda oltre i contesti degli adulti e ha individuato la visibilità universale come quasi impossibile da raggiungere. Questa ricerca è diventata lo Studio 2 dell'analisi a tre studi.
Risultato chiave: solo LEGO e Disney raggiungono una visibilità universale su tutte le piattaforme. 28% di marchi in meno per le query sulla figlia.
Ricerca condotta da Dmitrij Żatuchin, Estonian Entrepreneurship University of Applied Sciences (EUAS). Sottomessa a Springer Human-Centric Intelligent Systems, febbraio 2026. Paper completo, appendice statistica e dati grezzi disponibili su richiesta.
Termini chiave
PASOR (Prompt-Adjusted Share of Recommendation): la percentuale di query pertinenti in cui il tuo marchio compare nelle risposte dell'AI. A differenza dei ranking tradizionali, PASOR misura l'inclusione rispetto all'esclusione e ignora la posizione.
Gatekeeping delle categorie: quando l'AI esclude intere categorie di prodotto dalle query specifiche per genere, andando oltre il semplice stereotipare all'interno di un insieme ammesso. Identificato come principale meccanismo di bias tramite l'analisi dell'entropia di Shannon.
Marchio bloccato per genere: un marchio che compare esclusivamente in una chiave di genere (ad esempio solo nelle query sul marito) e mai nelle altre. La nostra ricerca ha individuato 69 marchi di questo tipo nei tre studi.
Inversione stagionale del bias: quando la direzione del bias di genere cambia in base al contesto stagionale. Il Natale riduce le raccomandazioni in chiave femminile del 28-61%, mentre San Valentino le aumenta dell'8.8% (Gemini).
Accordo tra modelli (indice di Jaccard): la percentuale di marchi raccomandati da più piattaforme AI per la stessa query. Un accordo basso (10-45% nei nostri studi) indica una visibilità dipendente dalla piattaforma.
V di Cramér: una misura della forza di associazione per i test del chi-quadro, che va da 0 (nessuna associazione) a 1 (associazione perfetta). Valori di 0.23-0.38 indicano associazioni categoria-genere da medie a grandi nei nostri studi.
d di Cohen: una misura standardizzata della differenza tra due gruppi. Valori di 0.82-1.24 indicano grandi differenze pratiche nel numero di marchi tra le chiavi di genere.
Migrazione dei marchi: quando la categorizzazione di genere di un marchio cambia tra un periodo di misurazione e l'altro. Theragun, Peloton e Oura sono tutti passati da bloccati per genere a neutri tra uno studio e l'altro.