Indice di Deriva del Bias

Bias Drift Index (BDI) è una metrica di drift per i sistemi generativi. Misura se le uscite attuali sono in modo significativo diverse da una distribuzione di riferimento che avevi precedentemente approvato per equità, rappresentanza, sentiment o bilanciamento dei temi.

Questo è rilevante nella Generative Engine Optimization perché la visibilità dell’AI non riguarda solo l’essere citati. Riguarda come entità, fonti e punti di vista vengono selezionati e inquadrati. Se un modello inizia a citare eccessivamente un certo tipo di editore, a sottorappresentare alcuni brand o a distorcere il sentiment attorno a un tema, il tuo lavoro di GEO può apparire stabile in strumenti come Ahrefs o Semrush mentre lo strato di AI sta driftando sotto.

Come i team lo calcolano

Il funzionamento è semplice. La parte difficile è scegliere un riferimento che valga la pena di difendere.

1. Cattura un campione di riferimento al lancio o dopo un aggiornamento validato del modello.
2. Etichetta le uscite usando uno schema fisso: tipo di fonte, sentiment, classe di entità, attributo demografico, cluster tematico oppure mix di citazioni.
3. Converte queste etichette in distribuzioni.
4. Confronta la distribuzione attuale con il riferimento usando una metrica di divergenza come la divergenza di Jensen-Shannon, la divergenza KL o la Distanza di Earth Mover’s.
5. Normalizza il risultato in un punteggio, spesso nell’intervallo 0–1.

In pratica, molti team impostano soglie di avviso intorno a 0,10–0,15 e soglie critiche intorno a 0,25–0,30. Questi valori non sono universali. Un assistente sanitario dovrebbe tollerare meno drift di un generatore di ricette.

Perché conta per la GEO

Il BDI è utile quando monitori AI Overviews, motori di risposta, copiloti interni o sistemi basati su retrieval-augmented che influenzano la scoperta. Un punteggio in aumento può indicare che il modello sta cambiando quali fonti considera affidabili, con quali entità associa una classe di query oppure quali punti di vista amplifica.

Questo si vede nel lavoro reale. Potresti vedere impression stabili in Google Search Console mentre le sintesi AI iniziano a citare i forum il 40% in più rispetto ai siti degli editori. Oppure un brand che prima compariva nel 18% delle comparazioni generate scende al 6% dopo un refresh del modello. Screaming Frog non lo rileverà. Surfer SEO non lo rileverà. Ti serve campionamento e labeling delle uscite.

Dove il BDI si rompe

Ecco la controindicazione: il BDI è valido solo quanto lo sono il riferimento e le etichette. Se il tuo riferimento era già distorto, il BDI misura solo la fedeltà a un punto di partenza sbagliato. Non dimostra equità. Dimostra il cambiamento.

Inoltre diventa rumoroso rapidamente con campioni piccoli, classificatori deboli o cambiamenti nel mix dei prompt. Se il tuo set di query è passato da prompt brandizzati a prompt informativi, il punteggio può aumentare anche se il modello non ha fatto nulla di sbagliato. Per questo i team maturi stratificano per classe di query e tracciano il BDI insieme a citation share, diversità delle fonti e varianza del sentiment.

John Mueller di Google ha spinto più volte i team a concentrarsi sulla qualità osservabile percepita dagli utenti, invece che su punteggi interni astratti. Vale anche qui. Il BDI è una metrica di monitoraggio, non un fattore di ranking, non uno scudo di compliance e non un sostituto della revisione manuale.

Implementazione pratica

Usa almeno un campionamento settimanale. Metti in versione i tuoi riferimenti. Mantieni tra 500 e 1.000 uscite per ogni cluster principale di prompt se vuoi letture stabili in termini di direzione. Poi collega gli alert all’azione: modifiche dei prompt, tuning del retrieval, pesi delle fonti oppure fine-tuning mirato. Se non riesci a spiegare quale cambiamento operativo un alto BDI dovrebbe innescare, allora stai raccogliendo una metrica di vanità.