Chi siamo
AIVIS misura come i motori di ricerca AI vedono un sito e ti dice esattamente cosa sistemare perché lo trovino, lo leggano e lo citino.
Cosa fa AIVIS
Ogni scansione legge la homepage e le pagine interne principali come fanno i crawler AI (senza JavaScript), esegue 15 controlli su accesso, struttura, schema.org, aggiornamento, citabilità, affidabilità e velocità, e chiede a 7 motori AI (ChatGPT, Claude, Gemini, Perplexity, Grok, Le Chat e altri) cosa sanno davvero del tuo brand.
Come diamo il punteggio
I controlli deterministici sono calcolati nel codice da HTML, robots.txt, sitemap e llms.txt: lo stesso sito ottiene lo stesso punteggio. Dove un modello linguistico giudica il contenuto, sceglie fra categorie fisse e il punteggio lo calcola il codice, non il modello. Ogni risultato riporta le prove viste e una correzione concreta.
Da dove viene il metodo
I controlli seguono fonti pubbliche: le regole robots.txt che ogni fornitore AI documenta per i suoi crawler, schema.org, la proposta llms.txt, le linee guida E-E-A-T di Google e lo studio GEO di Aggarwal et al. (2023) su cosa fa citare un contenuto dai motori generativi. Le nostre pagine di ricerca pubblicano risultati aggregati su oltre mille domini analizzati.
Indipendenti
AIVIS è un software indipendente. Non è affiliato a OpenAI, Anthropic, Google, Perplexity, xAI o Mistral, e nessun motore paga per essere incluso o classificato.
Scrivici
Bug, risultati sbagliati, fatturazione, richieste sui dati e collaborazioni: un solo indirizzo, a cui risponde chi costruisce il prodotto.
Ricerche · Novità · Contatti · deus+aivis@lumnika.com
Fonti
Su un benchmark di 10.000 query, aggiungere statistiche, citazioni e fonti ha alzato la visibilità di una pagina nelle risposte dei motori generativi fino al 40%. Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024)
I motori di ricerca AI rispondono con la retrieval-augmented generation, introdotta da Lewis et al. nel 2020: prima leggono pagine web dal vivo, quindi una pagina che non leggono non può essere citata. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020)