GEO per il terzo settore: come far trovare e citare la tua associazione dall'AI

Perché un'associazione è quasi invisibile ai motori generativi

Quando qualcuno chiede a ChatGPT o a Perplexity chi si occupa di un certo tema, il modello non naviga il web come un motore di ricerca: compone la risposta a partire da ciò che trova già strutturato e verificabile. La maggior parte delle organizzazioni del terzo settore non lo è. La loro missione vive in PDF di bilanci sociali, in brochure e in post sui social, formati che un modello generativo fatica a leggere e quasi mai cita.

Il risultato è doppio. A volte l'organizzazione viene semplicemente omessa, come se non esistesse. Altre volte il modello riempie i vuoti con ipotesi: attività che non svolge, dati sbagliati, o la confusione con un'altra realtà dal nome simile. Per un ente che vive di fiducia, è il punto di partenza peggiore.

In Italia le organizzazioni non profit sono oltre 360.000 (fonte: ISTAT, censimento 2022); ma secondo il Rapporto 2024 "Verso un futuro digitale" di Italia non profit, solo il 13% di questi enti ha integrato il digitale in modo strategico nelle proprie attività. Il risultato è un intero settore che produce, agisce e rendiconta, ma rimane quasi invisibile ai sistemi che oggi orientano le scelte di finanziatori, istituzioni e donatori.

C'è una ragione strutturale, non una colpa. Nel terzo settore la comunicazione è quasi sempre l'ultima voce di spesa, i siti li gestiscono volontari, e la cultura dominante è quella del documento: il PDF, la brochure, il comunicato. Sono formati pensati per le persone, non per le macchine. Così anche un'organizzazione seria e attiva, che produce molto, risulta povera di dati leggibili. La distanza tra quanto fa e quanto un sistema come ChatGPT o Gemini riesce a vedere è enorme, ed è proprio quel divario il problema da colmare.

Un esempio concreto

Faccio un esempio. Un'associazione di promozione sociale gestisce doposcuola e attività educative. Chiedo a un motore generativo chi si occupa di sostegno educativo ai minori: se l'associazione esiste solo attraverso una pagina Facebook e qualche articolo locale, la risposta non la nomina, oppure cita realtà più grandi e strutturate, anche se meno pertinenti.

Poi provo a chiedere direttamente dell'associazione, per nome. Il modello, non trovando dati chiari, mescola: le attribuisce una sede sbagliata, confonde la sua attività con quella di un'altra omonima, o inventa una data di fondazione. Niente di malevolo, solo il comportamento normale di un sistema che riempie i vuoti. Il problema è che chi legge non sa distinguere il dato dall'ipotesi.

Cosa cambia quando un donatore o un funzionario lo chiede all'AI

Reti, fondazioni ed enti finanziatori cominciano a interrogare ChatGPT, Perplexity e Gemini per farsi un quadro del settore: chi è attivo su un tema, con quali risultati. Un donatore che cerca cause da sostenere fa lo stesso. Comparire, correttamente, in quelle risposte significa essere presi in considerazione per opportunità di cui altrimenti non si saprebbe nulla.

Non è una questione di apparire più grandi di ciò che si è. È l'opposto: è permettere a chi cerca esattamente la tua attività di arrivare a te invece che a nessuno. L'invisibilità non protegge, esclude in silenzio.

Le domande che contano somigliano a queste: chi si occupa di inclusione lavorativa, quali associazioni lavorano con i minori, chi ha esperienza in progetti di rigenerazione urbana. Sono richieste che un funzionario o un valutatore può rivolgere a un assistente generativo per orientarsi, prima ancora di aprire un bando. La risposta che ottiene orienta chi verrà contattato e chi resterà fuori dal radar.

Per le reti e i finanziatori questo è già un modo di ricostruire il quadro del settore: invece di scorrere elenchi, chiedono e confrontano. Un'organizzazione leggibile entra in quel quadro con i suoi dati reali. Una illeggibile semplicemente non compare, e l'assenza non è neutra: viene letta come irrilevanza.

Il problema non è quanti contenuti produci, è come sono strutturati

Molti enti pubblicano più di quanto si pensi: report d'impatto, bilanci sociali, rendiconti. Il problema non è la quantità, è la forma. Un report in PDF è trasparenza che nessuna macchina legge davvero: c'è, ma resta inaccessibile, e per un motore generativo è quasi come non esistesse.

Strutturare quei dati non vuol dire scriverne di nuovi. Vuol dire renderli interrogabili: dichiarare in modo esplicito cosa fa l'organizzazione, dove, con chi e con quali risultati, in un formato che le macchine leggono senza dover interpretare. È un lavoro di selezione e collegamento, curatoriale prima che tecnico. Vale per il terzo settore quanto per chiunque altro voglia farsi citare da ChatGPT, Gemini o Perplexity.

Quali dati esporre, in concreto

La domanda pratica è: cosa va reso leggibile? Per un ente del terzo settore i dati che contano sono quelli che lo identificano e lo qualificano in modo univoco.

• Denominazione esatta e forma giuridica: APS, ODV, fondazione, impresa sociale o società benefit. Sono entità diverse, e dichiararlo evita che il modello tratti l'ente come un'azienda qualsiasi.
• Identificativi formali: codice fiscale, eventuale partita IVA, iscrizione al RUNTS. Sono gli ancoraggi che disambiguano l'ente dagli omonimi e lo legano a un'esistenza verificabile.
• Ambito e settori di attività, collegati dove possibile a vocabolari condivisi, e l'area in cui l'organizzazione opera davvero.
• Persone e governance, attività e progetti con le loro date, e gli eventuali bandi, partnership o riconoscimenti che ne provano l'operato.

Tradotti in markup Schema.org (tipo NGO), tipizzando l'ente come Organization o NGO, questi dati smettono di essere testo da interpretare e diventano fatti dichiarati. È la differenza tra un modello generativo che indovina e uno che legge.

Schema.org per il terzo settore: i tipi che contano

C'è un livello tecnico che vale la pena rendere esplicito, perché è qui che molti interventi generici falliscono. Schema.org, il vocabolario che i motori di ricerca e i sistemi generativi usano per riconoscere le entità, prevede tipi e proprietà specifici per le organizzazioni senza scopo di lucro, e usarli bene cambia il modo in cui un ente viene interpretato.

Il tipo base è Organization, ma per un ente del terzo settore conta scendere nel dettaglio. La proprietà nonprofitStatus permette di dichiarare la natura non profit; founder e foundingDate fissano origine e fondatori; areaServed definisce il territorio servito; knowsAbout qualifica gli ambiti di attività; funder e sponsor rendono espliciti i sostenitori; member e memberOf descrivono l'appartenenza a reti e coordinamenti. Le notizie e i riconoscimenti si agganciano con subjectOf, che collega l'ente agli articoli che ne parlano.

Non è un esercizio di completezza fine a sé stesso. Ogni proprietà compilata in modo verificabile è un appiglio in più che riduce l'ambiguità: meno spazio lasci all'interpretazione, meno il modello inventa. La scelta di quali campi valorizzare, e con quali fonti riempirli, è esattamente il lavoro che un plugin non sa fare.

I tre interventi che contano

Tre mosse fanno la differenza, in ordine.

• Strutturare l'identità. Missione, attività e governance dichiarate con markup Schema.org, tipizzando l'ente come Organization o NGO, e dati JSON-LD sul sito ufficiale. È la base che rende l'organizzazione leggibile.
• Collegare a riferimenti verificabili. Ancorare l'entità alle voci già esistenti di temi, reti, enti finanziatori e territori a cui è legata. Sono questi collegamenti a disambiguarti da realtà dal nome simile e a dare significato a ciò che fai.
• Rendere interrogabile la trasparenza. Trasformare report e dati d'impatto da documento statico a informazione strutturata e citabile.

Tre errori che vedo spesso

Tre convinzioni ricorrenti fanno perdere tempo e visibilità.

• Pensare che la presenza sui social basti. Un profilo molto attivo non rende l'ente leggibile: i contenuti social sono difficili da interpretare per un modello e raramente diventano fonte citabile. È movimento, non struttura.
• Affidarsi a un plugin SEO generico. Uno strumento automatico aggiunge markup standard, ma non sa cosa distingue un'APS da una fondazione, né quali dati di un ente del terzo settore vanno valorizzati. Il markup esce, il significato no.
• Voler creare subito una voce Wikidata. Senza notabilità verificabile la voce viene rimossa, e il tentativo si ritorce contro. Prima si costruisce l'ancoraggio a riferimenti esistenti, la voce dedicata arriva semmai dopo, se e quando ci sono le condizioni.

Wikidata, registri aperti e il mito della notabilità

Resta la domanda su Wikidata, perché è il riferimento aperto più citato dai sistemi generativi. L'errore è pensare che serva una voce propria. Nella maggior parte dei casi il valore sta altrove: nel collegare l'entità dell'organizzazione alle voci che esistono già. Il comune in cui ha sede, il tema di cui si occupa, la rete a cui aderisce, l'ente che la finanzia, sono tutti nodi verificabili a cui agganciarsi, e quei collegamenti dicono a un modello dove collocarti.

Accanto a Wikidata ci sono registri ufficiali che fanno da fonte d'autorità: per gli enti del terzo settore l'iscrizione al RUNTS è una prova di esistenza e di natura giuridica che vale la pena rendere esplicita e collegabile. Più gli ancoraggi sono ufficiali, più l'identità regge.

C'è un equivoco diffuso: per essere leggibili dall'AI bisognerebbe essere abbastanza noti da avere una voce su Wikidata. Non è così. Una voce dedicata si crea, ed è preziosa, solo quando l'organizzazione ha una notabilità verificabile, ad esempio copertura stampa. Per tutte le altre il lavoro è collegare l'entità a riferimenti aperti che esistono già, senza forzature che verrebbero rimosse.

Anzi, sono proprio le piccole realtà a guadagnare di più. Hanno meno presenza online, quindi sono quelle che i motori generativi faticano di più a vedere. Renderle leggibili colma esattamente quel divario, e si può fare con risorse contenute: il valore sta nel lavoro curatoriale, non nel budget tecnico.

Come si misura il risultato

Un lavoro così va misurato, altrimenti resta una promessa. Il metodo è semplice e ripetibile, e si fa con gli stessi strumenti che usano i tuoi interlocutori.

Prima di intervenire fisso una fotografia: rivolgo a ChatGPT, Gemini e Perplexity un insieme di domande pertinenti e annoto le risposte, per nome dell'organizzazione e per ambito di attività. Per esempio: cosa fa una certa associazione, chi si occupa di un tema, quali enti hanno lavorato su un progetto. Questa è la baseline.

Dopo l'intervento ripeto le stesse domande e confronto. Quello che osservo è concreto: l'organizzazione viene nominata dove prima era assente? I dati sono corretti? È sparita la confusione con realtà omonime? Le attività citate sono quelle reali e non inventate? Non è una metrica di vanità, è un confronto verificabile che si ripete nel tempo, perché i modelli si aggiornano e la fotografia va rinfrescata.

Un percorso realistico per chi ha poche risorse

Il terzo settore lavora con budget stretti, e il lavoro va dimensionato di conseguenza. La buona notizia è che il valore non sta nella spesa tecnica, ma nelle scelte, e quelle si possono fare per gradi.

Un percorso sensato parte dall'essenziale: strutturare l'entità dell'organizzazione sul sito ufficiale, con i dati identificativi e la forma giuridica corretti. È il fondamento, e da solo elimina gran parte delle confusioni. Il passo successivo è l'ancoraggio: collegare l'entità ai riferimenti aperti già esistenti, senza creare nulla di nuovo. Poi si struttura un contenuto faro, di solito il report d'impatto o la pagina delle attività, trasformandolo da PDF a informazione leggibile. Infine si monitora, una o due volte l'anno.

Ogni passo ha senso da solo e prepara il successivo. Non serve fare tutto subito, serve iniziare dal fondamento e procedere senza saltare le basi.

Perché conviene muoversi adesso

Una domanda legittima è perché occuparsene ora e non tra qualche anno, quando sarà tutto più chiaro. La risposta è che il vantaggio si costruisce proprio nella fase iniziale.

Le ricerche tramite ChatGPT, Gemini e Perplexity stanno crescendo in fretta, anche tra funzionari, giornalisti e reti che osservano il settore. Ma il terzo settore è quasi tutto ancora illeggibile, il che vuol dire che la nicchia è scoperta: chi struttura la propria entità adesso diventa, per il modello, uno dei pochi riferimenti chiari su un tema. E gli ancoraggi a fonti verificabili non si consumano, si depositano e si rinforzano nel tempo. Arrivare presto significa essere l'entità già pulita quando tutti gli altri cominceranno a esserlo.

Non è una corsa contro il tempo, è un interesse composto. Prima parti, più a lungo quel lavoro lavora per te.

Da dove si parte

Il primo passo è sempre lo stesso: chiedere a ChatGPT, Gemini e Perplexity cosa sanno oggi della tua organizzazione, e osservare cosa è corretto, cosa manca e cosa viene inventato. Da quella fotografia si decide se e come intervenire.

Un percorso in tre passi:

• Audit di visibilità. Interroga ChatGPT, Perplexity e Gemini con il nome dell'organizzazione e con le domande che farebbero un donatore o un finanziatore. Annota cosa compare, cosa è sbagliato e cosa viene omesso.
• Struttura l'identità. Identità giuridica, forma legale (APS, ODV, fondazione, società benefit) e attività principali in markup Schema.org sul sito ufficiale. È il fondamento che rende l'ente leggibile.
• Collega e monitora. Aggancia l'entità a riferimenti aperti esistenti (RUNTS, enti partner, temi di attività su Wikidata) e ripeti la fotografia ogni sei mesi.

Per comprendere meglio il contesto teorico e l'efficacia di questa disciplina, visita l'hub centrale dedicata alla GEO (Generative Engine Optimization).