Lezione gratuita

La nuova realtà: come l’IA sceglie cosa consigliare

La nuova realtà: come l’IA sceglie cosa consigliare — LLM SEO: rendere il prodotto visibile nelle risposte dell’IA. Da un elenco di link a una risposta composta; Perché i clic non raccontano più tutta la storia; Che cosa sa un modello e che cosa recupera ora; Che cosa può influenzare una menzione; Nuove misure senza abbandonare la SEO; Costruire una base…

Versione demo. I materiali sono in fase di revisione editoriale.

Argomenti trattati

  • Da un elenco di link a una risposta composta
  • Perché i clic non raccontano più tutta la storia
  • Che cosa sa un modello e che cosa recupera ora
  • Che cosa può influenzare una menzione
  • Nuove misure senza abbandonare la SEO
  • Costruire una base confrontabile

Da un elenco di link a una risposta composta

Nella ricerca tradizionale, una persona riceve una pagina di risultati, apre diversi link e costruisce una lista ristretta. Un assistente IA può svolgere parte di questo lavoro: rispondere a una domanda completa, nominare vari prodotti e spiegare per quali casi sono adatti. Ciò non rende ogni risposta una scelta definitiva o corretta. Il risultato può dipendere dalla formulazione, dall’accesso alla ricerca web, dalle fonti recuperate e dal contesto della conversazione.

AEO, o Answer Engine Optimization, significa lavorare affinché un prodotto sia rappresentato correttamente nella risposta composta e, quando il sistema mostra le fonti, sostenuto da una citazione pertinente. Integra la SEO, senza sostituirla: Google afferma esplicitamente che le pratiche SEO fondamentali restano valide per AI Overviews e AI Mode.

Esempio fittizio. Ledgerly è un’app di contabilità per freelance che fatturano in più valute. Non compare nella risposta a «Qual è la migliore app di contabilità per un freelance?». Questo non dimostra ancora un problema del prodotto: prima bisogna provare un caso d’uso più preciso, più sistemi e le fonti alla base delle risposte.

Perché i clic non raccontano più tutta la storia

Una persona può vedere un prodotto in una risposta IA, non fare clic e, alcuni giorni dopo, cercare il marchio oppure digitare direttamente l’indirizzo del sito. L’analisi potrebbe registrare una ricerca di marca o traffico diretto. È un percorso possibile, ma senza prove aggiuntive non si può attribuire all’IA ogni aumento di tali visite.

Bisogna osservare insieme più segnali: visite provenienti dagli assistenti, risposte alla domanda «Come ci hai conosciuti?», variazioni delle ricerche di marca e menzioni effettive nelle risposte IA salvate. Anche un referral diretto non rivela l’intero percorso, mentre una risposta al questionario dipende dalla memoria dell’utente.

Errore comune: contare solo le visite con il dominio dell’assistente come referrer. L’errore opposto è assegnare all’IA tutto il traffico diretto. Entrambi sostituiscono la misurazione con un’ipotesi. Conserva i segnali separatamente e cerca variazioni coerenti, senza presentare una correlazione come acquisizione dimostrata.

Che cosa sa un modello e che cosa recupera ora

È utile separare due situazioni. Senza ricerca web, un modello linguistico produce la risposta usando gli schemi appresi durante l’addestramento e il contesto corrente. Queste conoscenze possono essere incomplete o superate. Con la ricerca attiva, un sistema può formulare query, consultare pagine aggiornate e allegare link. OpenAI avverte esplicitamente che anche le citazioni della ricerca possono essere incomplete, obsolete o errate; vanno quindi aperte e verificate.

Il reperimento di materiali da usare nella risposta è spesso chiamato retrieval; l’architettura più ampia viene comunemente chiamata RAG, retrieval-augmented generation. Non tutte le raccomandazioni usano lo stesso meccanismo e una citazione visibile non spiega l’intero processo di ordinamento.

Per Ledgerly emergono due domande diverse: il modello sa descrivere correttamente il prodotto e la ricerca recupera una pagina aggiornata sulla fatturazione multivaluta? Un nuovo articolo non riscrive immediatamente le conoscenze apprese; la seconda domanda si può esaminare tramite accessibilità, contenuto e fonti mostrate.

Che cosa può influenzare una menzione

Non esiste una formula universale pubblica che garantisca una raccomandazione in tutti gli assistenti. Una diagnosi pratica parte da quattro domande. Pertinenza: il materiale indica il pubblico e il compito previsti? Verificabilità: i fatti precisi compaiono in pagine accessibili? Conferma indipendente: il prodotto viene discusso in fonti terze pertinenti, oltre che nel proprio sito? Attualità: quei materiali descrivono la versione corrente?

Sono criteri diagnostici, non pesi pubblicati dell’algoritmo. La pagina aziendale è importante come fonte primaria per funzioni, prezzi e limiti. Una recensione indipendente o una discussione sostanziale può aggiungere un confronto, ma un commento casuale non diventa autorevole solo perché è esterno.

Per Ledgerly, «contabilità semplice per tutti» offre poco contesto. «Fatturazione e contabilità per freelance pagati in EUR e USD» corrisponde meglio a un’esigenza specifica. È utile soltanto se il prodotto supporta davvero quel flusso e la pagina ne dichiara condizioni e limiti.

Nuove misure senza abbandonare la SEO

Posizionamento e traffico restano utili: una pagina deve essere trovata, aperta e compresa. Aggiungi misure delle risposte IA. La quota di menzioni è il numero di risposte salvate che nominano il marchio diviso per tutte le risposte verificate. La posizione della menzione registra dove appare nell’elenco, ma non è un “ranking” stabile. Il contesto registra il caso d’uso e la correttezza dei fatti. La citazione distingue il nome del marchio da un link visibile alla fonte.

Calcolo fittizio: verifica 10 domande in tre sistemi, ottenendo 30 risposte. Ledgerly compare in 6. La sua quota di menzioni in questo test è 6 ÷ 30 = 20%. Non è una quota di mercato: descrive solo le query, i sistemi, la data e le condizioni scelti.

Conserva i risultati separati per piattaforma. Anche le discussioni tra professionisti su Reddit consigliano di salvare risposte complete, menzioni e URL citati, perché i risultati possono cambiare. È un metodo operativo utile, non uno standard ufficiale.

Costruire una base confrontabile

Una baseline è una registrazione datata di come i sistemi scelti hanno risposto a un insieme fisso di domande d’acquisto. Scrivi 10 prompt che coprano categoria, pubblico, compito specifico, alternative a un concorrente, confronto, prezzo e vincoli. Esegui ciascuno in una nuova conversazione su ChatGPT, Perplexity e Gemini. Registra data, sistema, prompt esatto, risposta completa, presenza del marchio, ordine dei nomi, caso d’uso dichiarato, errori fattuali e fonti mostrate.

Non unire menzioni e citazioni: «Ledgerly è adatto ai freelance» senza link è una menzione; una fonte cliccabile accanto è una citazione. Non dedurre uno schema da una singola esecuzione e non confrontare risultati dopo aver modificato i prompt senza segnalarlo. Personalizzazione, regione, modalità di ricerca e variabilità della generazione possono influire.

La prima istantanea non dimostra l’effetto di un’ottimizzazione. Crea un riferimento. In seguito, ripeti le stesse condizioni, dichiara le modifiche al metodo e confronta sia il numero di menzioni sia l’accuratezza della descrizione del prodotto.

Esercitazione pratica

Salva la baseline della visibilità nelle risposte IA

Vai alla lezione

Programma del corso

  1. La nuova realtà: come l’IA sceglie cosa consigliare
  2. Il framework AEO: OCEAN
  3. Che cosa “vedono” ChatGPT, Perplexity e Gemini del tuo prodotto
  4. Strategia dei contenuti per la scoperta tramite IA
  5. Ottimizzazioni tecniche: crawler, dati strutturati e llms.txt
  6. Caso di studio: come Tally ha reso l’IA la sua principale fonte di acquisizione
  7. Caso di studio: come Vercel ha adattato la SEO agli LLM
  8. Menzioni del brand e citabilità
  9. Monitoraggio: come tracciare le raccomandazioni dell’IA
  10. Sinergia tra AI SEO e SEO classica
  11. Errori comuni e miti della SEO per LLM
  12. Il tuo piano d'azione LLM SEO di 30 giorni