Aggiornato: 9 maggio 2026 · Rivalutato ogni trimestre
Metodologia: come scegliamo l'IA dietro le risposte StarReview
Abbiamo testato 13 modelli IA di frontiera contro 53 vere recensioni Google svizzere in 6 lingue. Ecco cosa è successo, quali modelli hanno raggiunto la nostra soglia e quali no.
Risultati chiave
- 9 modelli su 13 testati hanno superato la nostra soglia di conformità basata su regole (0 frasi vietate, 0 trattini lunghi su 53 recensioni).
- mistral-large squalificato, trattini lunghi nel 42% (22/53) delle risposte.
- gpt-5 (Chat Completions) ha aggiunto dettagli operativi non presenti nella recensione, una vera responsabilità per uno strumento di risposta pubblico.
- Pesiamo sicurezza + aderenza più della velocità grezza, la scelta di produzione si basa sul profilo completo di sicurezza, qualità e tempo di risposta.
Cosa rende buona una risposta
Su recensioni e visibilità locale si afferma molto. Quello che regge: nella propria guida al Business Profile, Google cita il numero di recensioni e le valutazioni in stelle tra gli elementi che possono sostenere il posizionamento locale. Uno tra diversi, accanto a pertinenza e distanza, non una leva a sé. Le risposte in sé non sono un fattore di posizionamento confermato, e in rilevazioni come l'annuale Local Consumer Review Survey di BrightLocal e i Local Search Ranking Factors di Whitespark il loro peso misurato è semmai calato negli anni.
Il valore di una risposta sta altrove, ed è più concreto: le risposte vengono lette da persone che hanno già trovato il profilo e stanno ancora decidendo. Perché funzioni, la risposta deve essere specifica, nominare il cliente e il suo problema concreto, non un linguaggio standardizzato.
Ed è esattamente qui che falliscono la maggior parte delle risposte IA. È questo il tema delle sezioni successive.
Perché la maggior parte delle risposte IA alle recensioni Google sono pessime
La maggior parte degli strumenti di risposta alle recensioni usa un LLM di default senza mostrare come l'ha scelto. Il risultato: frasi corporate generiche. «Grazie per le tue parole, la tua soddisfazione è la nostra priorità.» Risposte così danneggiano il marchio invece di aiutarlo.
Una buona risposta a una recensione Google richiede tre cose: aderenza a ciò che il cliente ha effettivamente scritto (niente dettagli inventati), una voce umana naturale nella lingua e nel registro corretti, e sicurezza sulle recensioni legalmente delicate (nessuna ammissione di responsabilità, nessuna fuga di dati). Quali modelli forniscono questo non si vede nelle schede tecniche. Bisogna testare.
Il nostro setup di test
- 53 recensioni reali da profili PMI svizzeri, anonimizzate
- 6 lingue: francese (12), inglese (25), tedesco (3), italiano (11), portoghese (1), cinese (1)
- 13 modelli di frontiera, tutti i modelli attuali di OpenAI, Anthropic, Google, Mistral
- Valutazione basata su regole: 37 pattern di frasi vietate per lingua, rilevazione trattini lunghi, conteggio parole, latenza
- Verifica manuale di sicurezza sulle recensioni negative DE/FR, perché i test basati su regole non misurano aderenza e tono
Avvertenza sul campione: il dataset è dominato dai ristoranti e contiene solo 3 recensioni in tedesco. La prossima valutazione trimestrale riequilibrerà verso una maggioranza di recensioni svizzero-tedesche.
I risultati dipendono dal prompt, dalla modalità API, dalla data del test e dal set di valutazione. La conformità alle regole da sola non prova l'idoneità alla produzione, è una soglia minima.
I 13 modelli testati
Ordinati per tempo di risposta. Meno frasi vietate e zero trattini lunghi sono meglio. Il tempo di risposta è indicato per fascia e non come misura, vedi «Cosa non divulghiamo».
| Modello | Tempo di risposta | Parole (mediana) | Vietate | Trattini lunghi | Stato |
|---|---|---|---|---|---|
| gpt-4.1-mini | veloce | 37 | 0 | 0 | pulito |
| gpt-4.1 | veloce | 32 | 0 | 0 | pulito |
| claude-haiku-4-5 | veloce | 37 | 0 | 1 | trattino lungo in DE |
| mistral-large | veloce | 42 | 0 | 22 | trattini lunghi (42%) |
| gpt-5-codex | medio | 40 | 0 | 0 | pulito |
| gpt-5.2-codex | medio | 36 | 0 | 0 | pulito |
| claude-sonnet-4-6 | medio | 43 | 0 | 0 | pulito |
| claude-opus-4-7 | medio | 41 | 0 | 0 | pulito |
| gemini-2.5-flash | medio | 51 | 1 | 0 | frase vietata in DE |
| o4-mini | lento | 36 | 0 | 0 | pulito |
| gemini-3-pro-preview | lento | 40 | 0 | 0 | pulito |
| gpt-5 | lento | 44 | 0 | 0 | dettagli inventati (vedi sotto) |
| gemini-2.5-pro | lento | 37 | 0 | 0 | pulito |
Cosa mostrano i dati: modi di fallimento da segnalare
mistral-large: spam di trattini lunghi
22 risposte su 53 (42%) contenevano trattini lunghi o medi. È un classico segnale IA che distrugge subito l'effetto «sembra una persona vera». Squalificato.
gemini-2.5-flash: frase vietata in DE
Gemini Flash ha prodotto una delle nostre frasi-cliché vietate («sappiamo quanto sia importante...») in una delle tre risposte in tedesco. Con solo 3 test DE, 1 caso è una percentuale alta.
claude-haiku-4-5: trattino lungo in DE
Una risposta in tedesco conteneva un trattino lungo. Marginale, ma sufficiente a far uscire Haiku dal gruppo di testa per conformità.
Un modello di ragionamento: dettagli operativi inventati
Nella nostra esecuzione questo ha riguardato gpt-5 via Chat Completions. Il modello ha prodotto risposte conformi alle regole, ma ha aggiunto dettagli che non erano nella recensione. Su una recensione FR 2★ riguardante un brunch: «Nous avons revu la formule à 32 CHF: pain artisanal, jambon de meilleure coupe, omelette plus généreuse...» Nessuno di questi punti era nella recensione. Per uno strumento di risposta pubblico è un rischio reale: il titolare non può dichiarare pubblicamente di aver fatto cose che non ha mai fatto. Non è un giudizio generale sul modello, è un risultato per questo prompt, questa configurazione API e questo compito.
Solo un piccolo gruppo di modelli ha raggiunto la nostra soglia
Su 13 modelli testati, 9 hanno superato la conformità basata su regole (0 frasi vietate, 0 trattini lunghi). Dopo la verifica manuale di sicurezza, che testa aderenza, tono e veridicità, il gruppo si è ulteriormente ridotto.
Non comunichiamo pubblicamente quale modello usiamo in produzione. Fa parte della nostra posizione competitiva. Ciò che è pubblico è la nostra metodologia, i nostri criteri e i nostri risultati. I numeri però non sono esattamente riproducibili: la generazione non è volutamente deterministica, e anche il modello che valuta oscilla leggermente. Due esecuzioni identiche non producono gli stessi valori. Le piccole differenze tra modelli sono quindi rumore, non una classifica.
I nostri criteri di selezione
Valutiamo i modelli secondo questi criteri, in questo ordine:
- Sicurezza: niente invenzioni, niente ammissioni di responsabilità, niente fughe di dati su altri clienti o personale
- Aderenza alla recensione: le risposte riprendono ciò che il cliente ha effettivamente scritto. Niente frasi generiche, niente dettagli inventati.
- Multilinguismo svizzero: qualità costante in DE-CH, FR-CH, IT-CH, con i registri corretti (Sie / vous / lei) e gli idiomi svizzeri
- Tono adatto al settore: caloroso per i ristoranti, conciliante sulle recensioni negative, professionale-empatico in ambito sanitario
- Tempo di risposta: abbastanza rapido da far sembrare immediata la dashboard quando il titolare clicca «genera risposta»
- Costo: sostenibile a volume PMI (centinaia o migliaia di recensioni al mese)
Non ottimizziamo solo sulla velocità. I modelli più veloci nel nostro test si sono rivelati sistematicamente generici e poco aderenti. Scambiamo velocità con qualità.
Cosa non comunichiamo, e perché
Non nominiamo il modello che usiamo in produzione. Rivalutiamo ogni trimestre, e la risposta a «qual è il miglior modello?» cambia quando ne arrivano di nuovi. Vogliamo poter cambiare senza riscrivere le affermazioni di marketing. Il vero vantaggio è nel processo di valutazione continuo: criteri, casi di test, revisione manuale e disponibilità a cambiare modello. Metodologia e criteri sono pubblici; l'implementazione è nostra.
Per lo stesso motivo indichiamo il tempo di risposta per fascia e non al decimo di secondo. Valori di latenza esatti, combinati con i nostri criteri di selezione, permetterebbero di restringere il campo a un singolo modello, e la non divulgazione diventerebbe puramente decorativa. I dati di conformità nella tabella, frasi vietate, trattini lunghi e numero di parole, restano invariati ed esatti. Sono loro la rilevazione vera e propria.
Cosa ottieni con StarReview
Nella nostra esecuzione di valutazione di maggio 2026, la configurazione del modello dietro StarReview ha soddisfatto la nostra soglia: 0/53 frasi vietate, 0 trattini lunghi e 0 dettagli operativi inventati, con tempi di risposta che non lasciano mai in attesa nella dashboard, in tutte le 6 lingue testate. Concretamente:
- Risposte che suonano come un vero titolare, 37 filtri per lingua bloccano i cliché IA prima della pubblicazione
- Aderenti alla recensione reale, 0/53 dettagli inventati nella verifica manuale di sicurezza; un modello non scelto ha aggiunto dettagli operativi
- Tono multilingue svizzero in DE-CH, FR-CH, IT-CH e inglese, testato su 53 recensioni reali
- Filtri di frasi vietate con 37 pattern per lingua, costruiti da cliché IA identificati in vere recensioni svizzere
- Rivalutazione trimestrale, prossima esecuzione agosto 2026; cambiamo se un nuovo modello supera la nostra soglia
Come adattiamo per le specificità di settore
Le risposte alle recensioni hanno rischi specifici per settore. Per uno studio medico si tratta del segreto professionale svizzero (art. 321 CP) e di cosa la risposta può dire del rapporto con il paziente. Per un'autofficina si tratta di promesse di riparazione senza accordo scritto. Per un ristorante, di garanzie generiche sull'igiene senza una misura concreta.
StarReview è adattato in modo diverso per settore:
- Prompt di sistema specifici per settore con regole di prudenza integrate
- Filtri di frasi specifici per settore che instradano formulazioni a rischio alla validazione umana o le fanno rigenerare prima della pubblicazione
- Nel settore sanitario ogni risposta richiede validazione umana, indipendentemente dal punteggio a stelle
- Smoke test a ogni aggiornamento del modello contro le tipiche modalità di fallimento per settore
Non pubblichiamo i pattern e i prompt esatti. Fa parte del nostro stack competitivo. Metodologia e criteri sono pubblici; l'implementazione concreta è nostra.