Nota: alcuni link presenti in questo articolo sono affiliati. Questo significa che potremmo guadagnare una piccola commissione se decidi di acquistare tramite uno di questi link, senza variazioni di prezzo per te.
SEO per LLM e GEO: come cambia la visibilità online nell’era dell’intelligenza artificiale
Per anni cercare qualcosa online ha voluto dire la stessa cosa: scrivere una query, scorrere una lista di risultati e aprire uno o più siti per trovare la risposta. Il lavoro di chi faceva marketing si è sempre organizzato attorno a quel passaggio, perché finché l’utente doveva cliccare, la battaglia si giocava sulla posizione in classifica.
Oggi ChatGPT, Perplexity, Claude e le AI Overviews di Google rispondono direttamente alla domanda, spesso con un testo già sintetizzato e qualche fonte citata. Il clic non è più scontato, e con lui si indebolisce il percorso lineare che portava dalla ricerca al sito e dal sito alla conversione. Per chi si occupa di visibilità digitale la questione cambia: si tratta di capire come far arrivare il proprio brand dentro la risposta, oltre che in cima ai risultati.

Cos’è la SEO per LLM e perché è strategica
La SEO per LLM, chiamata anche Generative Engine Optimization (GEO), è l’insieme delle pratiche con cui si rendono i contenuti facili da trovare, da interpretare e da citare per i modelli linguistici. Dal punto di vista operativo comprende interventi tecnici, scelte di struttura e un modo di scrivere pensato per essere compreso e riutilizzato da una macchina oltre che letto da una persona.
La differenza con la SEO classica sta nell’unità di lavoro. Il posizionamento tradizionale ragiona su singole pagine, parole chiave e link in entrata. I modelli generativi ragionano invece per entità e concetti: riconoscono chi è un brand, di cosa si occupa, con quali argomenti viene associato e quanto se ne parla in fonti diverse dal suo sito. Per questo la reputazione costruita fuori dalle proprie pagine conta quanto i contenuti pubblicati al loro interno.
Sul piano strategico ci sono due ragioni per muoversi adesso. La prima è la diffusione: l’uso degli assistenti AI per cercare informazioni cresce di mese in mese, e per molti settori le citazioni nelle risposte stanno diventando un canale di acquisizione a sé, con utenti che arrivano al sito già informati. La seconda è il vantaggio di chi parte per primo: le menzioni accumulate nel tempo rafforzano l’associazione tra un marchio e un tema, e quella posizione è difficile da recuperare per chi arriva dopo.
Dalla SEO tradizionale alla GEO: cosa cambia nel lavoro
Cambiano prima di tutto gli obiettivi. La SEO tradizionale punta a intercettare il volume di una parola chiave, entrare in prima pagina e ottenere clic. Nella GEO conta che una porzione di testo venga estratta dal modello e attribuita alla propria fonte dentro la risposta generata, a prescindere da quanti utenti visitino poi la pagina.
Ne discende un modo diverso di scrivere. Ripetere la keyword con insistenza non aiuta e può danneggiare la visibilità, mentre i modelli premiano testi densi di contenuto: dati originali, riferimenti a fonti primarie, affermazioni precise e un linguaggio sobrio. Funziona bene anche aprire le pagine principali con una risposta diretta alla domanda, in un blocco di testo comprensibile da solo, senza premesse promozionali.
Cambiano di conseguenza anche le metriche. Al posto delle sole posizioni e del CTR si osservano la quota di presenza del brand nelle risposte dei modelli (share of model), la frequenza con cui viene citato e il modo in cui viene descritto. Sono indicatori che misurano la fiducia costruita presso il pubblico anche quando nessuno arriva sul sito.

Come funzionano i Large Language Model nella ricerca di informazioni
Per capire come farsi citare da un assistente AI bisogna distinguere due fonti di conoscenza che il modello usa in momenti diversi. La prima nasce durante il pre-addestramento, quando il modello legge enormi raccolte di testo prese dalla rete, come Common Crawl, e le trasforma in rappresentazioni matematiche chiamate embedding, che catturano il significato delle parole e le relazioni tra i concetti. Ciò che il modello “sa” di un brand senza consultare nulla dipende da quello che ha trovato in quella fase. La seconda fonte entra in gioco quando serve un’informazione aggiornata: con la Retrieval-Augmented Generation (RAG) il sistema cerca pagine sul web in tempo reale e le usa per costruire la risposta.
Le due fonti richiedono lavori diversi. Sulla conoscenza interna si interviene nel lungo periodo, costruendo una presenza coerente e riconoscibile su molte fonti. Sul recupero in tempo reale si agisce subito, curando le singole pagine perché siano trovate e lette senza difficoltà.
Il percorso di una domanda complessa è più articolato di quanto sembri. Il sistema non inoltra il prompt così com’è a un motore di ricerca: lo scompone in diverse ricerche più semplici e mirate, le cosiddette fan-out queries, e le esegue su indici come quelli di Bing o Google. Le pagine recuperate vengono convertite in vettori e confrontate con l’intento dell’utente, poi un modello di sintesi redige la risposta e indica le fonti. Una pagina viene quindi scelta perché risponde bene a una delle sotto-domande, anche quando non è rilevante per la formulazione originale. Coprire in modo completo un argomento, con sezioni che rispondono ai diversi aspetti della domanda, aumenta le occasioni di essere selezionati.
C’è poi un vincolo tecnico. I crawler legati all’AI, come GPTBot, PerplexityBot o ClaudeBot, leggono soprattutto l’HTML statico e spesso non eseguono JavaScript complesso. Un contenuto che compare solo dopo il rendering lato client può risultare invisibile, quindi conviene che il testo essenziale sia già presente nel codice iniziale della pagina. Va controllato anche il file robots.txt, perché bloccare i bot di ricerca di un assistente significa uscire dalle sue risposte. I principali fornitori distinguono però i bot usati per l’addestramento da quelli che recuperano pagine per rispondere agli utenti, e si può decidere di trattarli in modo diverso.

Perché la visibilità non dipende più soltanto dai motori di ricerca
La SERP tradizionale perde peso per due ragioni che si rafforzano a vicenda. Da un lato crescono le ricerche a zero clic, in cui la risposta compare già nella pagina dei risultati; dall’altro i riquadri generativi occupano una quota sempre maggiore delle query, soprattutto da mobile. In parallelo cambia il modo di chiedere: le persone scrivono domande lunghe, con contesto e vincoli, e si aspettano un quadro già confrontato, senza aprire una decina di schede.
Ne deriva una separazione tra essere visti ed essere visitati. Un brand può comparire più volte tra le fonti di una risposta senza ricevere un solo accesso al sito, e questa esposizione lavora sulla memoria e sulla preferenza dell’utente, che al momento della scelta lo riconoscerà.
Questa separazione crea un problema pratico di misurazione. Una parte degli arrivi da assistenti AI finisce nel traffico diretto, perché non tutte le piattaforme passano il referrer, mentre altri compaiono come referral da domini come chatgpt.com o perplexity.ai. Conviene quindi creare un segmento dedicato nell’analisi del traffico e affiancarvi un monitoraggio periodico delle citazioni, ottenuto interrogando gli assistenti con le domande più importanti per il proprio settore.
GEO: come funziona l’ottimizzazione per i motori generativi
Sul funzionamento della GEO esiste uno studio di riferimento, pubblicato nel 2024 da ricercatori di Princeton, IIT Delhi e altri istituti. Gli autori hanno creato GEO-bench, un insieme di diecimila query di tipo diverso, e hanno misurato come cambia la presenza di una fonte nelle risposte generate quando i suoi contenuti vengono modificati con tecniche specifiche.
Il punto di partenza è che i motori generativi sono sistemi chiusi: non si conoscono i criteri di selezione e le risposte variano da una generazione all’altra. Per questo la ricerca ha dovuto stimare la visibilità con metriche proprie, che considerano quanta parte della risposta è attribuibile alla fonte, in quale punto compare la citazione e quanto l’utente percepisce quella fonte come rilevante e influente. Il posizionamento in una lista, qui, non esiste.
I risultati indicano che le tecniche più efficaci sono anche le più sobrie: citare fonti autorevoli, inserire statistiche verificabili e riportare dichiarazioni attribuite con precisione. Nei test, le strategie migliori hanno aumentato la visibilità fino al 40% circa. L’effetto è stato più forte per i siti in posizioni medio-basse della SERP tradizionale: chi occupava il quinto posto ha più che raddoppiato la propria presenza nelle risposte, mentre i siti in prima posizione ne hanno perso una parte. L’autorevolezza dei contenuti, in questo contesto, pesa quanto la forza storica del dominio.
Differenze tra SEO, AEO e GEO
I tre acronimi indicano obiettivi diversi e sono spesso confusi. La SEO è nata per i motori tradizionali e punta a portare singole pagine nelle prime posizioni per ottenere clic, lavorando su parole chiave, tag HTML e link in entrata.
La AEO (Answer Engine Optimization) è il primo passo verso la risposta diretta. Mira a far estrarre un contenuto come risposta unica a una domanda precisa, per esempio in un featured snippet, in un box di domande e risposte o in una risposta vocale di Siri o Alexa. Funziona con contenuti brevi e strutturati: la domanda formulata in modo esplicito, la risposta nelle prime righe e, dove serve, un markup che ne faciliti la lettura da parte dei motori.
La GEO riguarda invece risposte che non si esauriscono in una frase. Gli assistenti come ChatGPT, Gemini, Claude e Perplexity mettono insieme dati e punti di vista provenienti da più fonti, e l’obiettivo è che il brand sia una di quelle su cui la sintesi si appoggia. A cambiare è la complessità della richiesta, e con essa il lavoro necessario: non basta una buona risposta alla singola domanda, serve un’autorevolezza riconoscibile su un intero tema.
Le tre discipline non si escludono, anzi si sovrappongono nelle pratiche. Una pagina scritta con chiarezza, ben strutturata e ricca di dati verificabili tende a funzionare su tutti e tre i fronti, e la SEO tecnica, dalla velocità alla scansionabilità, resta la base su cui poggia il resto.
Come gli agenti AI selezionano e citano le fonti
Dopo il recupero, l’agente ha davanti un insieme di pagine candidate e deve decidere quali usare e quali citare. La scelta non dipende dalla presenza della parola chiave esatta. Il sistema confronta il significato della domanda con quello dei singoli passaggi di testo, e vincono quelli che rispondono in modo completo e senza ambiguità. A essere valutato è il passaggio, più che la pagina intera, ed è per questo che funzionano i blocchi autonomi: un paragrafo che si capisce da solo, senza rimandi a quanto detto prima e senza riferimenti che si reggono sul contesto circostante.
Lo stesso ragionamento vale per i contenuti nascosti. Un testo che compare solo dopo un clic su una scheda, se generato via JavaScript, non viene letto dai crawler. Se invece il testo è già nell’HTML e viene soltanto nascosto graficamente, di norma resta accessibile, quindi conviene verificare cosa restituisce davvero il server e non fidarsi di quello che si vede nel browser.
I dati strutturati aiutano il modello a capire cosa ha davanti. Con il markup Schema.org in formato JSON-LD si dichiara in modo esplicito il tipo di contenuto, l’autore, l’organizzazione che pubblica, la data di pubblicazione e quella di aggiornamento, collegando questi elementi in un unico grafo. In questo modo si riduce il margine di interpretazione, che è già un vantaggio, anche se nessuno ha dimostrato che basti a migliorare le citazioni.
Resta la freschezza. Per molte domande gli agenti privilegiano fonti recenti, e una pagina con cifre datate rischia di essere scavalcata. Ha senso aggiornare i dati con regolarità e far coincidere la data di modifica dichiarata con un intervento reale sul contenuto: cambiare la data senza toccare il testo è un segnale facile da smascherare e non porta benefici.
Il concetto di autorevolezza nell’ecosistema AI
Nella ricerca generativa l’autorevolezza ha poco a che vedere con la Domain Authority o con il numero di backlink. Il modello tende a fidarsi di ciò che trova confermato in più punti: se le affermazioni e i dati di un brand vengono ripresi, discussi e citati da fonti terze credibili, la sua credibilità cresce. Un sito che dice di essere il migliore nel proprio settore pesa meno di dieci fonti indipendenti che lo descrivono allo stesso modo.

In questo quadro anche le menzioni senza link hanno valore. Quando un marchio compare spesso in pubblicazioni di settore, confronti, report e community ad alto livello di competenza come Reddit, GitHub, Stack Overflow o Quora, il modello lo associa in modo sempre più stabile alla sua categoria. Questa associazione ripetuta lo rende un candidato naturale quando qualcuno chiede un consiglio d’acquisto o un confronto tra soluzioni. Aiuta anche la coerenza: usare sempre lo stesso nome, la stessa descrizione e gli stessi riferimenti in profili aziendali, directory, schede su Wikidata o Wikipedia (dove ne esistono i presupposti) e interviste facilita il riconoscimento dell’entità.
Il materiale che più rafforza questa reputazione sono i dati proprietari. Ricerche proprie, rilevazioni originali e casi studio documentati offrono al modello qualcosa che non trova altrove, e gli danno un motivo concreto per citare proprio quella fonte invece di un riassunto di seconda mano.
Conta infine la paternità. Nei temi che incidono su salute, denaro o decisioni importanti, sapere chi firma un contenuto e con quali competenze è un elemento di fiducia. Si può rendere leggibile alle macchine descrivendo l’autore con lo schema Person e collegandolo, tramite la proprietà sameAs, a profili verificabili come LinkedIn, Google Scholar o l’ordine professionale di appartenenza. Una pagina firmata da un esperto riconoscibile e confermata da menzioni esterne ha più probabilità di essere scelta.
Come i modelli AI scoprono i contenuti del web
Gli assistenti che consultano il web si appoggiano in larga parte a indici di ricerca già esistenti. Una pagina che non è indicizzata da Bing o da Google ha quindi poche possibilità di entrare nel recupero, per quanto sia ben scritta. Conviene perciò curare le basi tecniche: una sitemap XML aggiornata, con date di modifica affidabili, e un’architettura di link interni che renda raggiungibili le pagine importanti in pochi passaggi. Per accelerare la segnalazione di contenuti nuovi o aggiornati esiste il protocollo IndexNow, supportato da Bing, che permette di notificare direttamente le modifiche.
La stessa logica vale per le entità. Prima di citare un brand, il modello deve capire chi è: un sito con una pagina “chi siamo” chiara, informazioni di contatto coerenti e un markup Organization completo gli rende questo lavoro molto più semplice. È il collegamento tra ciò che si dichiara sul sito e ciò che si trova all’esterno a trasformare un’azienda da nome generico in soggetto riconoscibile.
Crawling, indicizzazione e addestramento dei modelli
Chi gestisce un sito deve capire che dietro il nome generico “bot AI” ci sono attività molto diverse, e che conviene trattarle separatamente. I principali fornitori distinguono almeno tre funzioni. Ci sono i crawler che raccolgono materiale per l’addestramento, come GPTBot di OpenAI e ClaudeBot di Anthropic. Ci sono quelli che costruiscono l’indice usato per la ricerca, come OAI-SearchBot o PerplexityBot. Ci sono infine gli agenti che visitano una pagina nel momento in cui un utente la richiede, come ChatGPT-User, Claude-User e Perplexity-User. Ognuno si dichiara con un proprio user agent e si governa con regole distinte nel robots.txt, quindi la scelta può essere graduale: si può per esempio rimanere fuori dai dataset di addestramento e restare raggiungibili dalle funzioni di ricerca.
Google-Extended merita un’avvertenza a parte. Non è un crawler vero e proprio ma un’istruzione che si inserisce nel robots.txt per decidere se i contenuti possano alimentare Gemini. Non incide sulla presenza in Google Search né sulle AI Overviews, che dipendono dall’indicizzazione normale di Googlebot. Bloccare Googlebot per proteggersi dall’AI significherebbe quindi sparire anche dai risultati tradizionali. Per la stessa ragione conviene sapere che esiste CCBot, il crawler di Common Crawl: impedirgli l’accesso riduce la presenza del sito nei dataset che molti modelli usano come base.
Il robots.txt non è però l’unico punto di blocco. Capita spesso che il problema stia a monte: firewall, sistemi anti-bot e servizi di rete come le CDN possono respingere i crawler AI senza che nessuno nell’azienda lo abbia deciso, perché diversi provider applicano filtri attivi per impostazione predefinita. Se un sito scompare dalle risposte degli assistenti pur essendo ben scritto, è utile controllare i log del server e verificare quali richieste ricevono un errore.
Va considerato anche il fattore tempo. Ciò che un modello ha appreso in addestramento riflette il web com’era alla data di raccolta, e tra la raccolta e l’uso quotidiano passano mesi. Un’azienda nata da poco, o che ha cambiato attività o posizionamento, può quindi essere descritta in modo incompleto o superato quando il modello risponde senza consultare il web. Vale la pena interrogare periodicamente gli assistenti sul proprio brand, annotando cosa dicono e dove sbagliano, perché gli errori ricorrenti indicano quali informazioni mancano nelle fonti pubbliche.
Resta la questione di llms.txt, il file in formato Markdown proposto da Jeremy Howard per offrire alle macchine un indice essenziale dei contenuti. Al momento non risulta che i grandi motori lo usino per scoprire o selezionare le pagine, e Google ha dichiarato di non farne uso. Può avere senso per documentazioni tecniche e strumenti per sviluppatori, dove gli agenti lo consultano volentieri, ma non va considerato una leva di visibilità generale.

Retrieval, RAG e recupero delle informazioni in tempo reale
Il sistema non trasferisce al modello le pagine intere. Le suddivide in porzioni, ne recupera un numero limitato e le inserisce in una finestra di contesto che ha una capienza finita. Più pagine candidate entrano, più passaggi devono competere per lo stesso spazio. Per questo molti sistemi usano un secondo passaggio, il reranking, in cui un modello dedicato riordina i risultati iniziali con un giudizio più accurato di pertinenza prima di sceglierne pochi. Superare la prima selezione non basta: il passaggio deve anche risultare, nel confronto diretto con gli altri, il più utile per quella specifica sotto-domanda.
Molti sistemi affiancano inoltre alla ricerca semantica un recupero basato sui termini esatti, perché le due tecniche si compensano. La ricerca vettoriale coglie il significato anche quando le parole cambiano, mentre quella lessicale intercetta nomi di prodotto, sigle e codici che il significato da solo non distingue. È un motivo concreto per scrivere i nomi propri e i termini tecnici sempre nella stessa forma, evitando variazioni e abbreviazioni improvvisate.
Il titolo e i sottotitoli hanno un ruolo più importante di quanto si pensi. Quando una pagina viene divisa in porzioni, un paragrafo isolato perde il contesto che aveva nel documento, e l’intestazione che lo precede è spesso l’unico indizio su ciò di cui parla. Un sottotitolo come “Costi” dice poco, mentre “Quanto costa un impianto fotovoltaico per una casa di 100 mq” lascia capire anche a una porzione isolata a quale domanda risponde.
Conviene infine ricordare che ogni piattaforma ha un proprio percorso. Alcuni assistenti attingono in parte a indici di terzi, altri hanno un indice proprio, e Google usa il suo. Per questo essere visibili su un motore non garantisce di esserlo su un altro: indicizzazione su Bing e su Google, presenza nelle fonti che i diversi sistemi consultano e qualità dei contenuti vanno curate insieme.
Entità, relazioni e segnali che aumentano la probabilità di citazione
Un’entità, per un modello, è qualcosa di più di un nome: è un insieme di attributi e relazioni, come l’attività svolta, il luogo, le persone collegate, i prodotti, i concorrenti. Più queste informazioni sono coerenti tra le fonti, più è facile che il modello le riconosca come riferite allo stesso soggetto. Il primo lavoro è quindi di disambiguazione: lo stesso nome, la stessa descrizione sintetica e gli stessi dati di contatto devono comparire sul sito, nei profili aziendali, nelle directory e nelle pagine di terze parti. Dove esistono i presupposti, anche una scheda su Wikidata o su Wikipedia aiuta, perché quelle fonti pesano molto nei grafi di conoscenza.
Il markup Organization completa il quadro dal lato del sito. Indica ragione sociale, logo, indirizzo, profili ufficiali e, con la proprietà sameAs, i collegamenti verso le altre pagine in cui l’azienda compare. Lo stesso approccio vale per prodotti e servizi, che possono essere descritti con gli schemi dedicati quando le informazioni sono davvero presenti nella pagina. Il principio da seguire è la corrispondenza con il contenuto visibile: i dati strutturati che dicono cose diverse da ciò che legge l’utente rischiano di essere ignorati.
Le relazioni contano quanto gli attributi. Un brand viene associato a un tema anche per le entità con cui compare: partner, clienti, esperti, eventi, categorie di mercato. Pubblicare interviste, ricerche congiunte e contributi su testate di settore crea queste connessioni in modo molto più efficace di qualunque dichiarazione sul proprio sito, perché sono fonti esterne a stabilirle.
A livello di singola pagina funzionano gli stessi segnali di sostanza già indicati: dati verificabili, fonti primarie e informazioni aggiornate. Qui conviene aggiungere un criterio pratico di verifica: leggere il testo come lo leggerebbe un’intelligenza artificiale che deve citarne una frase. Se ogni affermazione importante è precisa, attribuita e comprensibile da sola, la pagina ha le caratteristiche giuste. Se contiene giri di parole, promesse generiche o riferimenti vaghi, ha poco da offrire a chi deve costruire una risposta.
Perché i brand forti vengono menzionati più frequentemente
Il motivo principale è quantitativo. Un marchio molto presente nel testo che un modello ha letto è, banalmente, un marchio che il modello conosce meglio, e quando una domanda richiede di indicare delle soluzioni è naturale che emergano per prime quelle viste più spesso e in contesti più coerenti. I brand piccoli partono quindi svantaggiati, ma non senza possibilità: nei temi specifici, dove i marchi noti sono pochi, una presenza costante e ben documentata può bastare per entrare tra i nomi suggeriti.
Conta anche come si parla del brand, oltre a quante volte. Una menzione dentro una recensione dettagliata o un confronto strutturato offre al modello molte più informazioni di una citazione di passaggio, perché indica per cosa il marchio è adatto, per chi e rispetto a quali alternative. È utile quindi lavorare sulle fonti in cui si viene valutati: siti di recensioni, confronti di settore, testate specializzate e community, dove le persone raccontano esperienze reali. Il linguaggio usato in questi spazi finisce poi nelle risposte, per cui è meglio che descriva il brand con i termini che i clienti usano davvero per cercarlo.
Lo stesso discorso vale per il sentiment. Se le discussioni più visibili su un’azienda sono critiche, il modello riporterà quelle critiche, e quindi la gestione della reputazione, dalle risposte alle recensioni alla cura del servizio clienti, entra a pieno titolo nella strategia di visibilità.
Da considerare anche il tema della popolarità. È spesso osservato che i marchi molto cercati su Google compaiono anche più spesso nelle risposte generative, ma questa è una correlazione e non una prova che le ricerche influenzino direttamente i modelli: entrambi i fenomeni dipendono con ogni probabilità dalla stessa causa, cioè una notorietà costruita nel tempo. Per questo ha senso trattare il volume di ricerche di marca come un indicatore di salute del brand, da monitorare insieme alla quota di presenza nelle risposte, e non come una leva da attivare.
Come ottimizzare un sito per la GEO
Ottimizzare un sito per i motori generativi significa lavorare su tre piani insieme: la sostanza dei contenuti, la loro struttura e la reputazione che il brand si è costruito fuori dalle proprie pagine. Qui ci occupiamo dei primi due, che dipendono interamente da chi gestisce il sito; la reputazione esterna è già stata trattata nelle sezioni precedenti. Il criterio che li tiene uniti è semplice: ogni pagina deve contenere informazioni che un sistema automatico possa isolare, capire e riportare senza doverle ricostruire.
Creare contenuti completi, verificabili e facilmente citabili
Un modello cita volentieri ciò che può attribuire con sicurezza. Un testo che dice che un servizio “fa risparmiare molto tempo” offre poco, mentre uno che indica di quanto, su quale campione e secondo quale rilevazione fornisce un dato che si può riportare. Per questo conviene sostituire le affermazioni generiche con numeri, intervalli, date e unità di misura, e dichiarare sempre da dove provengono. Quando il dato è frutto di un’analisi interna, va spiegato come è stato raccolto: anche un campione piccolo diventa una fonte utile se il metodo è dichiarato.
Le fonti esterne seguono lo stesso principio. Un riferimento a uno studio, a un documento ufficiale o a un esperto identificabile rende la pagina più solida, a condizione che sia preciso e controllabile: titolo, autore, anno e collegamento valgono più di un generico “secondo le ricerche”. Le dichiarazioni di esperti funzionano quando sono attribuite per nome e ruolo, mentre le citazioni anonime non aggiungono nulla.
Sul piano della scrittura, la regola più utile è rispondere subito. Ogni pagina, e ogni sezione importante, dovrebbe aprirsi con due o tre frasi che rispondono alla domanda posta dal titolo, senza giri di parole o presentazioni dell’azienda. Si tratta di una buona pratica editoriale, e non di una formula a lunghezza fissa: una risposta compatta serve al lettore frettoloso e al sistema che deve estrarla, e il resto della sezione può poi approfondire, distinguere i casi e portare esempi. Subito dopo conviene definire i termini chiave in modo esplicito, con una frase che dica cos’è una cosa e a cosa serve, perché le definizioni nette sono tra i frammenti più riutilizzati nelle risposte. Il grassetto va usato con parsimonia, solo dove aiuta davvero a ritrovare il concetto.
La regola che regge tutto il resto è l‘autosufficienza dei paragrafi. Poiché la pagina viene spezzata in porzioni, ognuna deve poter essere letta fuori contesto: meglio ripetere il soggetto per esteso che scrivere “come detto sopra” o “questa soluzione”, e meglio indicare il nome del prodotto o del tema che affidarsi a pronomi e rimandi. Il testo risulta più chiaro anche per chi legge normalmente.
Vale infine la pena di coprire l’argomento con una certa ampiezza. Le sotto-domande che il sistema genera sono diverse da una query all’altra, e una pagina che affronta costi, tempi, alternative, casi d’uso e obiezioni frequenti ha più occasioni di essere selezionata di una che si limita alla definizione. Un buon metodo per individuare cosa manca è raccogliere le domande che i clienti pongono davvero a commerciali e assistenza, oltre a quelle che emergono interrogando gli assistenti sull’argomento.
Strutturare le informazioni per favorire l’estrazione delle risposte
La struttura della pagina è il modo in cui si comunica alla macchina dove inizia e dove finisce ogni idea. Una gerarchia di titoli coerente, con un H1 unico e H2 e H3 che si susseguono senza salti, fa da indice del ragionamento e aiuta anche a spezzare il testo nei punti giusti. I titoli funzionano meglio quando sono formulati come la domanda o il tema che il paragrafo successivo risolve, evitando le etichette vaghe. Anche la lunghezza va tenuta sotto controllo: un articolo molto esteso non è un problema in sé, lo diventa quando è un blocco continuo senza sezioni riconoscibili, che costringe il sistema a individuare da solo i confini tra gli argomenti.

I confronti meritano un trattamento diverso dalla prosa. Quando si mettono a paragone piani tariffari, caratteristiche tecniche o alternative, una tabella HTML vera, con intestazioni di riga e di colonna chiare, rende immediato il legame tra ogni valore e la sua voce, cosa che un paragrafo discorsivo dà con molta più fatica. Conviene usare tabelle semplici, senza celle unite o elementi decorativi, e accompagnarle con una frase che ne riassuma la conclusione principale, così chi legge e chi estrae trovano anche l’interpretazione dei numeri. Evitare le tabelle realizzate come immagini, che non sono leggibili dai sistemi di recupero.
Le procedure vanno scritte come sequenze di passaggi numerati, ciascuno con un’azione precisa e un risultato atteso, perché l’ordine fa parte dell’informazione. Un passaggio breve e concreto si cita più facilmente di uno carico di premesse. Il markup HowTo, ormai poco valorizzato dai motori di ricerca, resta facoltativo: la chiarezza della sequenza nel testo visibile pesa molto di più della sua marcatura.
Resta il capitolo delle domande frequenti, utile soprattutto per intercettare formulazioni diverse della stessa richiesta. Funzionano quando le domande sono quelle reali dei clienti, scritte come le scriverebbero loro, e quando ogni risposta è completa da sola, in poche frasi che includano il soggetto e la condizione in cui vale. Una FAQ costruita per inserire parole chiave aggiunge rumore. Il markup FAQPage può accompagnarle, ma deve riprodurre esattamente le domande e le risposte visibili in pagina.
Per verificare l’effetto di questi interventi serve un controllo ripetibile. Conviene definire una ventina di domande rappresentative del proprio mercato, porle periodicamente a più assistenti e annotare se il sito compare tra le fonti, in quale posizione e con quale formulazione. I risultati variano da una richiesta all’altra, quindi ha senso ripetere ogni prova più volte e guardare l’andamento nel tempo piuttosto che il singolo esito. È così che si capisce quali pagine vanno riscritte per prime.
Rafforzare autorevolezza, competenza ed esperienza dimostrabile
Dichiarare di essere esperti non basta: conta ciò che la pagina permette di verificare. Le informazioni che un lettore, o un sistema automatico, riconosce come frutto di esperienza diretta sono quelle che nessun riassunto può replicare: una prova condotta personalmente con i risultati e le condizioni in cui è stata fatta, uno screenshot di un’impostazione reale, un caso cliente con numeri prima e dopo, un errore commesso e corretto. Sono dettagli che rendono il testo difficile da sostituire con una sintesi generica, e per questo vanno cercati in ogni contenuto, anche in quelli divulgativi.
La paternità va resa leggibile oltre il markup. Conviene che ogni articolo rimandi a una pagina autore vera, con percorso professionale, ambiti di competenza e contatti, e che la firma sia coerente con ciò che la persona fa e scrive altrove. Nei temi in cui un errore ha conseguenze serie, come finanza, diritto e salute, è utile aggiungere la revisione di un professionista qualificato, indicandone nome e ruolo, e rendere visibile una breve nota editoriale su come i contenuti vengono prodotti e controllati.
Anche l’aggiornamento è una questione di metodo prima che di date. Un contenuto rivisto davvero si riconosce da un campo “aggiornato il” visibile in pagina e da una breve cronologia delle modifiche sostanziali, che spiega cosa è cambiato e perché. Questo permette al lettore di fidarsi dei dati e ai sistemi di distinguere una revisione reale da un cambio di data di facciata. Aggiornare un testo ogni volta che i numeri, le norme o i prezzi si modificano è più sensato che inseguire una scadenza fissa.
Costruire una presenza coerente su più fonti autorevoli
Il consenso esterno non si ottiene per caso. Il primo passo operativo è capire quali siti compaiono come fonti quando si pongono agli assistenti le domande più importanti per il proprio mercato. Questo elenco, che si ricava con una ventina di prove su più piattaforme, mostra dove si formano le raccomandazioni nel proprio settore: testate di categoria, siti di confronto, directory, forum, canali video. Da lì si decide dove investire, perché per un’azienda B2B può contare di più una rivista specializzata, per un marchio di consumo un portale di recensioni.
Ottenere presenza su quelle fonti richiede un lavoro di relazioni più che di pubblicazione. Funzionano i contributi firmati da esperti dell’azienda, la partecipazione a interviste e podcast, le ricerche proprie offerte alle redazioni con dati utilizzabili, le collaborazioni con associazioni e ordini professionali, la presenza ordinata nelle schede e nelle directory di categoria. In tutti questi casi le informazioni devono essere coerenti: descrizione dell’attività, categoria, nomi e ruoli dei referenti non possono cambiare da una fonte all’altra, altrimenti il modello fatica a riconoscere che parlano della stessa realtà.

Le community richiedono un’attenzione particolare. Su Reddit, Stack Overflow o Hacker News si viene giudicati dalla qualità dei contributi, e un intervento che somiglia a pubblicità viene rimosso o ridimensionato dagli stessi utenti. Funziona rispondere a domande reali con competenza, dichiarare apertamente il proprio ruolo e menzionare l’azienda solo quando è pertinente. Le tecniche di finta spontaneità, come profili fittizi o recensioni orchestrate, espongono il brand a un danno reputazionale difficile da riparare, e violano le regole delle piattaforme e, in molti paesi, le norme sulla pubblicità ingannevole.
Dati strutturati e schema markup: quale ruolo hanno per i LLM?
Sul rapporto tra dati strutturati e modelli linguistici circolano affermazioni più sicure di quanto le evidenze consentano, ed è utile partire da ciò che si sa. I dati strutturati descrivono in modo esplicito di che tipo di contenuto si tratta, chi lo ha scritto, quando è stato modificato, quale prodotto presenta e a quale prezzo. Per i motori di ricerca tradizionali questo ha effetti concreti, perché alimenta i risultati arricchiti e la comprensione delle entità. Microsoft ha dichiarato che il markup aiuta i suoi modelli a interpretare le pagine, mentre Google ha indicato che per comparire nelle funzioni AI di Search non servono dati strutturati particolari, ma che quelli presenti devono corrispondere al contenuto visibile. Non esistono, ad oggi, prove pubbliche solide che il markup aumenti direttamente la probabilità di essere citati da un assistente.

L’argomento più concreto a favore è quindi indiretto: riduce l’ambiguità. Un dato dichiarato in modo esplicito è meno soggetto a errori di interpretazione di uno ricavato dal contesto, e il lavoro di implementazione porta di solito a pagine più ordinate e coerenti, il che è utile in ogni caso.
Il formato consigliato è JSON-LD, perché vive in un blocco separato dal layout e non richiede di intervenire sui tag HTML, come invece accadeva con Microdata o RDFa. Questo semplifica la manutenzione e riduce il rischio di errori. Va ricordato però che il blocco deve essere presente nell’HTML restituito dal server: se viene inserito da uno script lato client, per esempio tramite un gestore di tag, i crawler che non eseguono JavaScript non lo vedono.
La scelta dei tipi di schema segue la natura del sito. Per gli articoli, Article con le date di pubblicazione e di modifica corrette; per l’azienda e per gli autori, i tipi già illustrati nelle sezioni precedenti; per un negozio online, Product con le sue Offer (prezzo, valuta, disponibilità) e, quando esistono recensioni reali e visibili, i dati di valutazione aggregata. Quando più blocchi descrivono entità collegate, conviene riunirli in un unico grafo con @graph e assegnare a ciascuna entità un identificatore (@id) richiamabile dagli altri blocchi, così da evitare duplicazioni e contraddizioni. I markup FAQPage e HowTo, come già detto, hanno senso solo se rispecchiano contenuti visibili e non vanno considerati una scorciatoia. Quanto a SpeakableSpecification, resta una funzione limitata e di uso circoscritto, che non giustifica un investimento per la ricerca vocale.
La validazione è l’ultimo passaggio, ed è più semplice di quanto sembri. Il Test dei risultati multimediali di Google e lo Schema.org Validator segnalano errori di sintassi e proprietà mancanti, e andrebbero eseguiti a ogni modifica del template. Un blocco con errori gravi può essere ignorato, mentre i dati che non corrispondono al contenuto visibile sono un problema più serio, perché possono comportare azioni manuali da parte di Google. Per questo conviene far generare il markup dagli stessi dati che producono la pagina, evitando di scriverlo a mano e di dimenticarlo al successivo aggiornamento.
Gli LLM utilizzano realmente il file llms.txt?
Proposto da Jeremy Howard nel settembre 2024, llms.txt è un file in Markdown da collocare nella radice del sito, con un indice ragionato delle pagine più utili. L’idea è sensata: offrire a un modello una versione ripulita dei contenuti, senza menu, script e stili, per risparmiare spazio nella finestra di contesto. Resta da capire se i sistemi che decidono cosa citare lo consultino davvero, e finora i dati disponibili dicono di no.
Il caso più citato è un esperimento di OtterlyAI, che ha osservato per novanta giorni il traffico dei bot AI su un sito dotato del file. A fronte di oltre 62.000 visite, le richieste a llms.txt sono state 84, circa lo 0,1%, e le pagine normali hanno ricevuto in media il triplo delle visite. Si tratta di un solo sito, quindi il risultato indica una tendenza senza costituire una prova definitiva, ma è coerente con le dichiarazioni dei motori. Google ha indicato che Search e le sue funzioni generative non usano il file, e John Mueller ha osservato che un documento compilato dallo stesso editore non offre garanzie di neutralità per confrontare siti diversi.
La contraddizione apparente con gli strumenti di Chrome, che includono un controllo su llms.txt tra le verifiche dedicate agli agenti, si spiega con la differenza tra scoperta e uso. La ricerca decide quali pagine mostrare, mentre un agente che opera già su un sito ha bisogno di orientarsi in fretta tra documentazione e funzioni disponibili. È in questo secondo scenario che il file serve: assistenti per sviluppatori, estensioni per editor di codice, server basati su Model Context Protocol (MCP) e agenti che eseguono compiti, come aggiungere un prodotto al carrello. Alcune piattaforme di e-commerce hanno cominciato a generare automaticamente file di questo tipo, insieme ad altri documenti pensati per gli agenti.
Se si decide di crearlo, la struttura è semplice: un titolo H1 con il nome del sito, una breve descrizione in blockquote, sezioni H2 con elenchi di collegamenti e una nota di una riga per ciascuno. Costa poco e non comporta rischi, ma va trattato come una rifinitura. Per un sito editoriale o commerciale il tempo rende di più se va all’HTML leggibile, alla velocità e ai dati strutturati; per chi pubblica documentazione tecnica o API il discorso cambia, e il file merita più attenzione.
Come aumentare le probabilità di essere citati da ChatGPT e dagli agenti AI
I meccanismi che determinano una citazione comprendono: accesso dei crawler, qualità dei passaggi, dati verificabili, presenza esterna, reputazione del brand. Qui conviene metterli in ordine di lavoro, perché la domanda pratica è da dove cominciare.
Il primo passo è tecnico e rapido: verificare che i bot di ricerca possano raggiungere il sito, che le pagine importanti siano nell’HTML restituito dal server e che siano indicizzate. Sul fronte dell’indicizzazione conviene curare anche Bing, e non solo Google. OpenAI ha dichiarato di avvalersi di più partner per la ricerca di ChatGPT, e Microsoft ha un ruolo storico in questo ambito, quindi Bing Webmaster Tools è uno strumento utile per controllare lo stato delle pagine e segnalare quelle nuove.
Il secondo passo è stabilire su cosa misurarsi. Si scelgono una ventina di domande che i clienti pongono davvero prima di acquistare, si interrogano più assistenti e si annota chi viene citato e con quali fonti. Questa base di partenza indica quali pagine riscrivere per prime e quali concorrenti dominano le risposte.
Il terzo passo riguarda le pagine che pesano sul fatturato, e non tutto il sito. Su quelle si applicano insieme le indicazioni su risposte immediate, paragrafi autosufficienti, tabelle e FAQ reali, con un aggiornamento ogni volta che dati, prezzi o norme cambiano. Una revisione programmata, per esempio ogni trimestre per le pagine più sensibili, aiuta a non dimenticarle, purché ogni intervento modifichi davvero il contenuto.
Il quarto passo è l’investimento più difficile da copiare: un’unica risorsa originale, come una rilevazione di settore, un benchmark o una raccolta di casi con metodo dichiarato. Una ricerca solida alimenta pagine, articoli esterni, interventi nelle community e richieste di citazione da parte dei giornalisti, quindi rende più dei contenuti generici moltiplicati. Un testo prodotto in serie con l’AI, privo di informazioni nuove, non danneggia necessariamente il sito, ma non offre al modello nulla che non abbia già.
Il quinto passo è la presenza esterna, costruita con continuità: contributi firmati, interviste, schede aggiornate, risposte utili nelle community, recensioni raccolte in modo corretto. Va programmata come un’attività permanente.
Infine si ripete la misurazione a intervalli regolari, confrontando le stesse domande nel tempo. Le risposte cambiano da una prova all’altra, perciò contano le tendenze su più settimane e non il singolo risultato, e conviene accettare che alcune pagine non otterranno citazioni nonostante gli interventi.
Le metriche da monitorare nella SEO per LLM
Posizione media e tasso di clic restano utili, ma descrivono solo una parte di ciò che accade. Quando la risposta compare già nella conversazione, il valore di una pagina si misura anche da quanto spesso viene citata, da come viene descritta e da cosa succede dopo, spesso lontano dal sito. Serve quindi un quadro con quattro livelli di osservazione: il traffico che arriva dagli assistenti, l’attività dei bot sul sito, la presenza nelle risposte e i segnali indiretti di notorietà.
Traffico proveniente da sistemi AI
Il primo passo è isolare questo traffico in Google Analytics 4 con un gruppo di canali personalizzato, che raccolga i domini di provenienza degli assistenti: chatgpt.com (in passato chat.openai.com), perplexity.ai, claude.ai, gemini.google.com e copilot.microsoft.com. L’elenco va riesaminato di tanto in tanto, perché le piattaforme cambiano dominio e ne compaiono di nuove.
Sulla qualità di queste visite conviene non dare nulla per scontato. È plausibile che chi arriva dopo aver letto una risposta sia più informato, ma lo si verifica confrontando sul proprio sito tassi di conversione, tempo sulla pagina e valore degli ordini con quelli degli altri canali. Un campo “come ci hai conosciuto” nei moduli di contatto, con un’opzione dedicata agli assistenti AI, recupera una parte dell’attribuzione che gli strumenti non vedono.
Attività dei crawler nei log del server
I log mostrano cosa fanno davvero i bot, cosa che nessuna dichiarazione ufficiale può sostituire. Con gli strumenti già citati, come i pannelli della CDN o analizzatori come GoAccess, si controlla quali pagine vengono richieste, con che frequenza e con quale codice di risposta. Due controlli rendono i dati affidabili. Il primo è verificare l’origine delle richieste, perché lo user agent si falsifica facilmente e i principali fornitori pubblicano gli intervalli di indirizzi IP dei propri bot. Il secondo è tenere separate le tre categorie di bot descritte nella sezione sul crawling: una scansione intensa di quelli per l’addestramento dice poco sulla visibilità nelle risposte, mentre le richieste dei bot di ricerca e degli agenti attivati dagli utenti sono il dato più vicino a una citazione.
Un calo improvviso delle visite è il segnale più utile da tenere d’occhio: indica quasi sempre un blocco introdotto per errore, da un aggiornamento del firewall, da un nuovo robots.txt o da un problema di rendering. Non esistono invece prove che una certa frequenza di scansione, per esempio settimanale, garantisca citazioni.
Menzioni del brand e citazioni online
Le menzioni esterne si misurano con gli strumenti di monitoraggio del web, come Semrush, Ahrefs e Mention. Semrush offre l’AI Visibility Toolkit, che tiene traccia di menzioni, citazioni e sentiment nelle risposte generate dall’AI su ChatGPT, Perplexity, Gemini, Google AI Mode e Copilot. La piattaforma offre un database di prompt, punteggi di visibilità, monitoraggio giornaliero dei prompt, analisi del sentiment, tracciamento delle citazioni e ricerca sui concorrenti. In questo modo permette di cercare le possibili cause di una maggiore presenza dei concorrenti usando i dati su parole chiave, backlink, contenuti e aspetti tecnici.
Visibilità nelle risposte generate dall’intelligenza artificiale
Per vedere se si è citati bisogna chiedere. Si compila un elenco di domande rappresentative, tra venticinque e cinquanta nel caso di un’attività con più linee di prodotto, che comprenda richieste di consiglio, confronti tra marchi e domande di categoria, e si pongono periodicamente, per esempio ogni mese, ai principali assistenti. Il lavoro si può fare a mano con un foglio di calcolo o con piattaforme dedicate come Profound, AthenaHQ e Otterly.AI.
La variabilità delle risposte impone alcune cautele. Ogni domanda va ripetuta più volte, perché due prove consecutive possono dare esiti diversi. Conviene eseguire le prove da sessioni senza cronologia personale e annotare modello, data e modalità (con o senza ricerca web). Per ogni risposta si registrano: se il brand è nominato, se la pagina è collegata come fonte, in quale posizione compare, come viene descritto e quali concorrenti appaiono accanto. Dal complesso si ricavano un tasso di presenza per gruppo di domande e un confronto con i concorrenti, l’equivalente pratico dello share of model.
Indicatori indiretti
Alcuni effetti si leggono fuori dagli assistenti. Il volume di ricerche per nome del brand, osservabile nelle query di marca di Search Console e in Google Trends, può crescere quando le persone incontrano il marchio in una risposta e vanno a cercarlo. Resta una correlazione: lo stesso aumento può dipendere da una campagna, da un evento o dalla stagionalità, quindi va letto accanto alle altre misure e confrontato con i periodi in cui sono stati fatti gli interventi.
Altri segnali sono qualitativi, ma preziosi: i clienti che dicono di aver scoperto l’azienda tramite un assistente, le domande dei commerciali che citano ciò che l’assistente ha raccomandato, le descrizioni sbagliate del prodotto che compaiono nelle risposte. Questi ultimi sono dati utili, perché indicano quali informazioni correggere alla fonte.
Le impressioni senza clic, per loro natura, non si misurano direttamente. Per valutare il ritorno economico di questo lavoro bisogna accontentarsi di una convergenza di indizi: più citazioni nelle prove, più ricerche di marca, più lead che dichiarano la provenienza, e solo in seguito un effetto sui ricavi.
Errori da evitare nell’ottimizzazione per i motori generativi
Gli errori più frequenti sono già emersi nelle sezioni precedenti: bot di ricerca bloccati per sbaglio, contenuti importanti che esistono solo dopo l’esecuzione di JavaScript, ripetizione forzata delle parole chiave, fiducia eccessiva in llms.txt, dati strutturati incoerenti con la pagina, date di aggiornamento modificate senza toccare il testo e contenuti prodotti in serie senza informazioni originali. Chi deve fare una verifica rapida può usare questo elenco come controllo. Restano da aggiungere alcuni errori che riguardano il metodo, più che la tecnica.

Il primo è staccare la GEO dalla SEO. Gli assistenti recuperano le pagine da indici di ricerca, e un sito lento, poco scansionabile o con contenuti deboli non diventa citabile per aver aggiunto qualche accorgimento in più. Le basi tecniche e la qualità editoriale restano la parte che pesa di più.
Il secondo è giudicare i risultati su una sola prova. Una risposta in cui il brand non compare, o compare, non dice quasi nulla: servono molte domande, più ripetizioni e un confronto a distanza di settimane. Lo stesso vale per i punteggi di “visibilità AI” venduti da alcuni strumenti, che dipendono da come sono costruite le domande e vanno letti come indicatori di tendenza.
Il terzo è inseguire promesse di risultato. Nessuno può garantire una citazione, perché i sistemi cambiano senza preavviso e i criteri di selezione non sono pubblici. Chi offre posizionamenti garantiti o formule con numeri precisi, senza mostrare dati e metodo, va trattato con la stessa prudenza che si riserva a qualunque promessa di ranking.
Il quarto è misurare solo ciò che è facile da misurare. Se si guardano esclusivamente i clic da assistenti, si rischia di concludere che il canale non rende, perché gran parte del suo effetto passa da ricerche di marca, contatti diretti e passaparola. Il quadro va completato con le misure indirette e con la raccolta della provenienza dichiarata.
Il quinto è aggirare la fiducia, con recensioni costruite, profili finti nelle community o menzioni acquistate in massa. È un rischio reputazionale e, in molti casi, legale, e comporta l’esclusione dalle piattaforme. Il sistema costruito su questa base non resiste al primo controllo.
Il sesto è trattare il lavoro come un progetto da chiudere. I contenuti invecchiano, i concorrenti si muovono, le piattaforme cambiano e le descrizioni del brand nelle risposte si modificano con gli aggiornamenti dei modelli. Funziona meglio un ciclo stabile di controllo, correzione e produzione di nuovo materiale, con responsabilità assegnate e un calendario, piuttosto che un intervento straordinario seguito dal silenzio.
Il futuro della SEO per LLM: come preparare il brand all’evoluzione della ricerca
Finora la GEO si è occupata soprattutto di scoperta: far trovare e citare i propri contenuti quando qualcuno pone una domanda. La fase successiva riguarda l’azione. Gli assistenti stanno cominciando a svolgere compiti per conto delle persone: cercare tra i cataloghi, confrontare le opzioni, compilare un modulo, prenotare o acquistare. A quel punto un sito deve essere comprensibile alle macchine ma anche utilizzabile da esse, e questo sposta una parte del lavoro dai testi all’interfaccia.
Dalla scoperta all’esecuzione
Questa distinzione aiuta a ragionare per priorità. La scoperta continua ad appoggiarsi su indicizzazione, HTML leggibile e reputazione, come descritto nelle sezioni precedenti. L’esecuzione aggiunge una domanda diversa: un agente che arriva sulla pagina riesce a capire cosa può fare e a farlo senza errori? Prenotare un tavolo, verificare la disponibilità di un prodotto, richiedere un preventivo sono tutte azioni che oggi dipendono da form, pulsanti e flussi pensati per un utente umano.
Per ridurre l’attrito stanno nascendo protocolli e convenzioni che permettono a un sito di dichiarare in modo esplicito le azioni disponibili. Tra quelli di cui si parla ci sono WebMCP, lo Universal Commerce Protocol (UCP) e file operativi come agents.md o documenti nella cartella .well-known. Sono standard giovani, in evoluzione e adottati in modo disomogeneo, quindi per la maggior parte dei siti non sono ancora una priorità. Hanno senso per chi vende online o offre servizi prenotabili, e vale la pena seguirne l’evoluzione attraverso le piattaforme che si usano: diverse soluzioni di e-commerce e gestione dei contenuti hanno iniziato a integrarli, e in quel caso l’adozione può avvenire con un semplice aggiornamento.
Cosa si può fare già oggi
La preparazione più concreta passa da lavori che migliorano il sito in ogni caso. Un agente che naviga non vede la pagina come una persona: ne legge la struttura, e in particolare l’albero di accessibilità che il browser costruisce a partire dall’HTML. Un form con etichette collegate ai campi, pulsanti con un nome chiaro, un ordine di lettura sensato e componenti interattivi realizzati con gli elementi HTML corretti sono più facili da usare per un agente, e anche per chi si serve di uno screen reader. Allo stesso modo contano la stabilità del layout, che evita clic sull’elemento sbagliato quando la pagina si sposta mentre si carica, e la chiarezza dei messaggi di errore.
Google ha cominciato a considerare questo scenario anche nei propri strumenti: risultano in circolazione una categoria di verifiche dedicata alla navigazione agentica in Lighthouse e un agente identificato come Google-Agent. Sono segnali che i grandi attori stanno misurando la prontezza dei siti, ma i dettagli cambiano in fretta e conviene consultare la documentazione ufficiale prima di basare delle decisioni su di essi.
Informazioni di prodotto, prezzi e disponibilità aggiornati e coerenti tra sito, dati strutturati e feed commerciali evitano che un agente riporti dati sbagliati o abbandoni l’acquisto. Condizioni di vendita, politiche di reso e costi di spedizione scritti in modo chiaro e raggiungibili facilmente diventano ancora più importanti quando a leggerli è una macchina che deve decidere se consigliare quel negozio.
Un’impostazione in due direzioni
Nel breve periodo non c’è da scegliere tra SEO e GEO. La SEO tradizionale continua a portare traffico e alimenta gli indici da cui gli assistenti recuperano le pagine, mentre la GEO lavora su citabilità e reputazione, e la predisposizione agentica prepara il sito a ricevere richieste automatiche. Le tre attività condividono quasi tutte le fondamenta: struttura pulita, contenuti verificabili, dati coerenti, accessibilità.
Reputazione e associazioni tra un brand e un tema si costruiscono con lentezza, quindi chi comincia prima ha più tempo per consolidarle. Non è detto però che i mercati si concentrino attorno a pochi nomi, e sarebbe imprudente promettere ai clienti una finestra che si chiude.
Da dove cominciare
Un piano realistico procede per gradi, e ogni passaggio produce valore anche se le previsioni sul futuro dovessero cambiare. Si parte dalla verifica di accessibilità per i crawler e dalla correttezza dei dati strutturati. Si riscrivono poi le pagine che pesano sul fatturato, con risposte immediate, paragrafi autosufficienti e FAQ costruite sulle domande reali dei clienti. Si imposta quindi la misurazione, con il segmento dedicato in GA4 e i test periodici sulle domande, e solo dopo si valuta l’adozione di protocolli per gli agenti, in base al proprio settore e alla piattaforma usata. Per ciascun passaggio conviene stabilire un responsabile e una scadenza, e rivedere il piano a ogni ciclo di misurazione.
Il quadro generale cambia in fretta e nessuno ha risposte definitive: chi opera in questo campo deve accettare un certo grado di incertezza, lavorare su ciò che è verificabile e correggere la rotta quando i dati lo richiedono. È un buon modo anche per distinguere le pratiche solide dalle mode del momento.