L’intelligenza artificiale divorerà la ricerca sul Web? Cosa sta davvero accadendo, e perché dovremmo occuparci di Generative Engine Optimization (GEO).
La Generative Engine Optimization (GEO) include le buone pratiche che ci aiutano a posizionare al meglio i nostri contenuti, nei risultati delle ricerche che l’utente conduce nel Web il supporto dell’intelligenza artificiale generativa. È la fine della SEO basata su keyword, backlink e ranking su Google?
È venuto il momento di confrontarci seriamente con la Generative Engine Optimization (GEO). O, per meglio dire, di inventarla. Perché, se la GEO è la continuazione della Search Engine Optimization (SEO) con altri mezzi, allora anch’essa va intesa non già come una scienza esatta, ma piuttosto come una collezione di buone pratiche. Le quali si convalidano attraverso un processo di tipo induttivo, che procede per verifiche ed errori, e valgono fino a prova contraria. A maggior ragione perché, a differenza di PageRank, i modelli linguistici di grandi dimensioni (LLM, Large Language Models) non esibiscono un comportamento deterministico: al medesimo prompt, utilizzato più volte, non corrisponderà mai un’identica risposta.
Per oltre venticinque anni fare una ricerca nel Web ha significato aprire Google, digitare una richiesta fatta di poche parole chiave, scorrere l’elenco di link restituiti dalla stessa Google e proposti in ordine di rilevanza, per decidere infine a quali fonti dedicare il nostro (limitato) tempo di lettura. Quell’esperienza potrebbe essere sovvertita dagli LLM, capaci di restituire direttamente «la risposta», riducendo – se non azzerando – la necessità di fare clic per accedere ai documenti originali.
Motori GenAI «nativi» vs. ricerca «GenAI-based» integrata nel browser
Oggi due fenomeni si stanno consolidando e – per così dire – convergono verso un identico scenario. Da un lato c’è la crescente popolarità di motori di ricerca nativamente generativi, ossia basati sull’impiego di LLM. Ci riferiamo a Perplexity, ChatGPT con Web Search (di OpenAI) e Claude (di Anthropic). Come vedremo, la verità è che non si tratta di motori di ricerca in senso proprio. Per ora nessuno di questi servizi – che sono, in sostanza, assistenti o chatbot evoluti – può ancora prescindere da Google Search o Bing. Dall’altro c’è l’integrazione dei medesimi servizi all’interno di browser come Safari. In mezzo c’è Google Search in modalità generativa (AI Mode), ovvero integrato con le AI Overviews generate da Gemini. A completare il quadro Microsoft, che ha integrato l’assistente Copilot (e quindi il modello GPT-4-turbo di OpenAI) nel suo browser Edge.
Il fenomeno è agli inizi, ma a tendenza è già misurabile. Uno studio condotto da SE Ranking ha rilevato che, sebbene a novembre 2024 le AI Overviews di Google si attivassero solo per il 18,76% delle query su desktop, quei «pochi» casi erano sufficienti a sottrarre traffico organico in modo drastico e a ridisegnare la pagina dei risultati (Yevheniia Khromova, The State of AI Overviews in 2024: Research Insights and Future Forecasts, «SE Ranking», 2 dicembre 2024). Potrebbero essere le prime avvisaglie di quello che gli analisti chiamano «zero-click search». Sembrerebbe confermarlo anche un’altra analisi, condotta da Search Engine Land, che segnala cali medi di click-through del 25–30 % su query informative presidiate da AI Overviews (Danny Goodwin, New Google AI Overviews data: Search clicks fell 30% in last year, «Search Engine Land», 15 maggio 2025).
Sempre SE Ranking evidenzia il fatto che il 20,85% delle AI Overviews include almeno una citazione da una testata giornalistica riconosciuta. Il ricorso esclusivo a news media è estremamente raro, verificandosi solo nello 0,09% delle risposte. Nel complesso, le AI Overviews privilegiano un ristretto numero di organi di informazione, con i primi 10 che ricevono quasi l’80% di tutte le menzioni. Solo BBC, New York Times e CNN si portano a casa un terzo delle citazioni (Yevheniia Khromova, AI Overviews research: Media presence and paywalled content analysis, «SE Ranking», 2 giugno 2025).
Che tipo di esperienza si propone all’utente?
In che direzione si potrebbe consolidare la futura esperienza di ricerca nel Web non è ancora del tutto chiaro. Al momento si notano differenze significative, in termini di filosofia e design dell’interazione, fra le soluzioni oggi disponibili. Per rendersene conto, è sufficiente mettere a confronto Google AI Overviews, Perplexity e ChatGPT con Web Search. Gli approcci sono profondamente dissimili.
Cominciamo da Google. Com’è noto, Big G possiede l’indice di risorse del Web più completo al mondo. È altrettanto noto che il modello di business di Google resta legato ai clic pubblicitari. Non sorprende, quindi, che le AI Overviews compaiano raramente nelle SERP di Google ad alta redditività Ads. L’introduzione di AI Mode, basato su Gemini 2.5, segnala comunque la direzione strategica: ricerca multimodale, automazione di compiti complessi (prenotazioni, e-commerce, …) e interfacce conversazionali. Sul piano della user experience, la nuova SERP di Google con AI Overviews si configura così: il riassunto generato da Gemini occupa la parte alta e più visibile della pagina. A destra della Overview sono collocati i riquadri che includono i riferimenti alle fonti, mentre gli snippet «classici» si trovano più in basso.
L’esperienza offerta da Perplexity è affatto diversa. Perplexity restituisce all’utente risposte più narrative, arricchite da grafici, note a piè di pagina e – soprattutto – notifiche push tematiche che hanno l’obiettivo di fidelizzarlo. I link alle fonti tendono a essere molto meno visibili, perché non sono a fianco della risposta, ma sotto di essa e al di fuori della cosiddetta safe area. Tutti sappiamo che non c’è modo migliore, per non far vedere qualcosa in una pagina Web, che collocarla sotto la cosiddetta linea di galleggiamento. In più, come detto, Perplexity offre un servizio di notifiche push, per gli utenti che vogliono essere avvisati quando sul Web compaiono nuovi contenuti di rilievo sui temi di loro interesse.
Dietro questo tipo di esperienza c’è una modalità di accesso alle fonti quantomeno spregiudicata, che si è guadagnata innumerevoli accuse di text-scraping: Forbes, Dow Jones e altri editori hanno già minacciato o avviato azioni legali per violazione del diritto d’autore. Istruttiva, in questo senso, la ricostruzione del modo in cui Perplexity si è procurata un contenuto di Forbes protetto da paywall. A raccontare la vicenda è Mat Honan, autore di un bell’articolo sull’argomento (AI means the end of internet search as we’ve known it, «MIT Technology Review», 6 gennaio 2025).
Infine ChatGPT, che propone una user experience a sua volta diversa. Al centro di tutto c’è la funzione dialogica, supportata dalle caratteristiche dell’interfaccia. L’utente è incoraggiato a interagire, approfondendo contenuto e intento della ricerca un passaggio dopo l’altro. Il chatbot di OpenAI mantiene la memoria di fino a venti turni di dialogo, consentendo raffinamenti successivi della richiesta (prompt engineering implicito). I link alle fonti esistono, ma rimangono sepolti in un pannello laterale: tutto incentiva a restare nel flusso conversazionale.
I «vecchi» sistemi di ranking restano centrali
È davvero la fine delle ricerche online, per come le abbiamo fin qui conosciute? Fino a un certo punto. Se consideriamo questi nuovi servizi sotto il profilo tecnico, ci accorgiamo che il ruolo dei LLM è circoscritto ad alcune fasi del processo. È bene non equivocare sul modo in cui, partendo dalla query, il servizio decide da quali documenti attingere per generare la risposta. Dal punto di vista tecnico, la ricerca generativa integra due funzioni chiaramente distinte. La prima funzione è costituita dall’analisi della query(la quale simula una forma di «comprensione» della richiesta dell’utente), dalla sua conversione in un prompt e dall’elaborazione della risposta da consegnare all’utente stesso. Risposta che simula a propria volta una competenza semantica, ma è in realtà una sequenza linguistica statisticamente plausibile. La seconda funzione consiste nella ricerca vera e propria delle informazioni presenti nel Web e nella determinazione della loro rilevanza nel contesto del prompt.
Proviamo a collocare le fasi del processo in ordine cronologico. Semplificando alquanto, potremmo dire che, quando utilizziamo i servizi di ricerca supportati dalla GenAI, intervengono – in sequenza – cinque passaggi:
(a) il motore «capisce» il contenuto della query, ossia l’obiettivo e l’intento della nostra ricerca;
(b) il motore identifica, fra tutti quelli precedentemente indicizzati, i documenti che possono soddisfare l’obiettivo e l’intento della nostra ricerca;
(c) il motore ordina tali documenti in base alla loro rilevanza, sempre rispetto all’obiettivo e all’intento della nostra ricerca, ma anche in base alla loro qualità;
(d) il motore traduce la query in un prompt;
(e) il motore usa il prompt per «leggere» i documenti più rilevanti e genera un testo che ne sintetizza i contenuti.
Ebbene, a quanto ci è dato di sapere, l’intelligenza artificiale generativa interviene principalmente nelle fasi (a), (d) ed (e) . Le fasi (b) e (c), invece, si svolgono sulla base di tecniche e strumenti tradizionali. Anche se, ormai da una decina d’anni, con l’introduzione dell’algoritmo Hummingbird e il potenziamento del Knowledge Graph da parte di Google, «tradizionali» significa con l’ausilio dell’intelligenza artificiale per catturare l’intento della ricerca e il contenuto semantico dei documenti indicizzati.
Il fatto è che, mentre Google dispone in proprio di tutto ciò che serve, per il momento né OpenAI né Perplexity hanno un indice del Web. Dunque entrambe dipendono da altri per le fasi (b) e (c). In particolare, sia OpenAI sia Perplexity si servono di Bing, il motore di ricerca di Microsoft. In sostanza, abbiamo tre scenari diversi:
- Google AI Overviews;
- ChatGPT con Web Search (supportato da Bing);
- Perplexity (a sua volta supportato da Bing).
Per ciascuno dei tre casi, è importante descrivere il processo più in dettaglio, chiarendo quali componenti tecniche presiedono ogni fase.
Google AI Overviews
Prendiamo, tanto per cominciare, il caso di Google. Quando restituisce all’utente una Overview, il motore di ricerca sceglie i documenti da analizzare per la generazione della risposta in base al criterio della rilevanza, determinata sulla base dei fattori che più o meno tutti conosciamo? Oppure prevale il criterio della similarità semantica, che il modello transformer si incarica di valutare su base probabilistica? In altri termini, Gemini agisce solo per generare la risposta, o anche per determinare il posizionamento, al posto di PageRank?
Per rispondere, scomponiamo il processo nelle sue fasi. Quando l’utente di Google Search invia la query, il flusso conseguente viene oggi orchestrato in quattro stadi principali:
Intent & safety gating – Alcuni classificatori (BERT, principalmente) stabiliscono se la query è idonea a generare una Overview o se deve essere trattata in modo tradizionale. I criteri che intervengono in questa fase sono vari: si va dalla complessità della query alla natura dei contenuti chiamati in causa.
Retrieval & core ranking – Google recupera dal web index un candidate set composto da centinaia di documenti e lo ordina per rilevanza utilizzando l’insieme tradizionale di segnali (PageRank, autorità di link, utilità on-page, EEAT, freshness ecc.) e alcuni modelli di deep learning (Neural Matching, DeepRank, RankEmbed-BERT).
Prep & prompting – Qui interviene una pipeline RAG (Retrieval-Augmented Generation), ossia un flusso di lavoro che ha lo scopo di costruire il prompt per l’LLM, estraendone i passaggi pertinenti, deduplicandoli e arricchendoli con Knowledge Graph.
Overview generation – Gemini prende in carico il prompt generato nella fase precedente e sintetizza la risposta. Inoltre un modulo di «linkification» verifica ogni affermazione mediante i documenti del candidate set e assegna le citazioni. Oltre a Gemini, a quanto risulta, Google impiega un algoritmo denominato Generative Summaries for Search Results (brevetto US 11769017 B1).
In sostanza, nella determinazione del candidate set il primo filtro resta il ranking tradizionale, nel quale PageRank e gli altri segnali storici esercitano un peso preponderante. Ciò non significa che la similarità semantica non abbia a propria volta un ruolo. Ma, come abbiamo già ricordato, la ricerca semantica è parte del ranking già da diversi anni. Tutto è cominciato con Hummingbird, introdotto nel 2013, ed è proseguito con modelli sempre più evoluti (Neural Matching, BERT, MUM, DeepRank). È importante chiarire che il criterio della similarità semantica opera dentro il core-ranking, non al posto di esso. In pratica, il modello trasforma query e documento in embeddings e calcola un punteggio di corrispondenza che si somma agli altri segnali. È possibile che in futuro l’intero ranker (ossia un algoritmo basato su regole) sarà fuso in un transformer, ma oggi non è ancora così (si veda Fedor Borisyuk et al., From Features to Transformers: Redefining Ranking for Scalable Impact, 2025).
Quanto a Gemini, esso interviene dopo che il ranking ha già selezionato e ordinato i documenti. Le AI Overviews non rappresentano un motore di ricerca parallelo che bypassa PageRank. Piuttosto, Google ha inserito un livello generativo sopra il ranking esistente: i segnali link-based e gli algoritmi di rilevanza tradizionali selezionano le fonti; la similarità semantica supporta quel ranking; Gemini sintetizza la risposta e verifica che ogni affermazione sia ancorata a quei top risultati. In altre parole, la generazione è nuovo front-end, non un nuovo criterio di autorità.
Le implicazioni, lato SEO, sono evidenti: per comparire nelle Overviews bisogna continuare a ottimizzare secondo i pilastri di Google Search Essentials: qualità, EEAT, link naturali ecc. Ovviamente contano anche struttura e chiarezza testuale: paragrafi brevi, heading semantici, dati ben formattati che facilitano l’estrazione dei passaggi ecc.
ChatGPT con Web Search
Al momento ChatGPT non dispone di un indice web analogo a quelli di Google o Bing – un indice, cioè, di tipo full-crawl, capace di includere tutte le pagine di un sito web, e non solo quelle direttamente raggiungibili da altre pagine tramite link. OpenAI non nasconde le proprie ambizioni, ma ha dovuto ammettere un certo ritardo rispetto ai piani originari. Un indice interno di ChatGPT – costruito anche attraverso accordi con editori, come Associated Press, Axel Springer e Dow Jones – esiste in forma per ora embrionale ed è disponibile solo in casi speciali (Deep Research, file-search, plugin privati). L’obiettivo dichiarato da OpenAI è di arrivare a coprire l’80% delle query entro la fine del 2026.
Oggi, per operare come motore di ricerca, il chatbot di OpenAI si serve dei risultati primari provenienti dal ranking di Bing. Recentemente Nick Turley, Head of Product di ChatGPT, ha riconosciuto l’esistenza «problemi di qualità significativi», alludendo proprio all’integrazione con Bing. Lo stesso Turley ha confermato che nel 2024 vi furono contatti con Google, per discutere di una potenziale partnership che avrebbe consentito a OpenAI di utilizzare la tecnologia di ricerca di Big G (Leah Nylen, Shirin Ghaffary, ChatGPT Chief Calls Search Crucial for OpenAI in Google Trial, «Bloomberg», 22 aprile 2025).
Di seguito, descriviamo le fasi del processo mediante il quale ChatGPT gestisce le richieste che necessitano di web search, per quanto ci è noto sapere.
Query & policy gating – In questa fase, mediante classificatori neurali e filtri di policy, ChatGPT valuta: (a) se il prompt dell’utente giustifica una ricerca nel Web; (b) se la ricerca stessa è ammessa in base a criteri di rispetto del diritto d’autore o vincoli di sicurezza; (c) in quale lingua/dominio la ricerca deve essere eseguita.
External retrieval – ChatGPT inoltra la query dell’utente all’indice di Microsoft Bing. Oggi la comunicazione si svolge tramite Web Search API v7, di cui è però prevista la dismissione dopo l’11 agosto 2025. Bing restituisce il classico ranking con il supporto del modello Prometheus, introdotto da Microsoft nel 2023 proprio per collaborare con OpenAI.
Fetch & parsing – I dati relativi ai primi 10-20 risultati restituiti da Bing sono recuperati mediante fetch HTTP GET e redability parser. In questa fase, inoltre, ChatGPT effettua una normalizzazione del testo e deduplicazione dei contenuti.
Safety / Quality filter – Alcuni risultati sono scartati in base a criteri di freschezza e reputazione di dominio, oppure per la presenza di paywall, file binari, form multipli o contenuti disallowed.
Embedding & passage vector – È questa la fase in cui ciascun documento è suddiviso in porzioni più piccole (chunking), affinché possano rientrare nel limite di token del modello di embedding e mantenere coesione semantica. La soglia usata come criterio di taglio è 1 KiB, ossia 1024 byte. Sui modelli di embedding usati da OpenAI si può vedere l’articolo New embedding models and API updates, del 25 gennaio 2024.
Prompt building – A questo punto ChatGPT inserisce nel prompt: (a) la query dell’utente; (b) l’insieme dei brani di testo valutati come più pertinenti (top-k passages); (c) le istruzioni per la citazione delle fonti.
Answer generation – Il modello genera la risposta. Il valore del parametro temperature è mantenuto basso, per privilegiare le risposte che tendono a convergere su una formulazione quasi identica a ogni chiamata. In questa stessa fase sono inseriti i segnaposto «[#]» come marcatori di citazione.
Verification & link mapping – Qui ChatGPT calcola la similarità tra ogni affermazione e i passages selezionati, sostituisce i placeholder con gli URL più probabili e scarta claim non supportati.
UI placement – A conclusione di tutto, ChatGPT restituisce il testo della risposta, integrato con le citazioni. Eventuali widget (grafici, mappe) vengono generati via chiamate secondarie.
Perplexity
Infine, c’è il caso di Perplexity, il quale oggi può essere definito un motore di ricerca ibrido. Perplexity sta sviluppando un indice e un ranker propri, ma per il momento continua ad appoggiarsi a Bing per la parte link-based e la copertura globale. L’LLM genera e verifica i contenuti dopo che la selezione delle fonti è stata effettuata; non sostituisce (ancora) un PageRank completo, ma lo integra con segnali semantici e proprietari.
Per maggiore chiarezza, è bene ricordare che Perplexity è il nome del motore di ricerca (disponibile anche nella versione Pro, a pagamento), il quale si appoggia su modelli linguistici avanzati come GPT-3.5, GPT-4 e Claude, scegliendo quello più adatto in funzione della richiesta. Esiste poi Sonar, che è il modello proprietario di Perplexity, Basato su Llama 3.3 70B. Sonar è disponibile come modello predefinito per gli utenti Perplexity Pro. Infine, Perplexity AI Inc. è il nome della società privata, fondata nel 2022 e con sede a San Francisco CA, che realizza e distribuisce tutti i servizi di cui stiamo parlando.
Scomponiamo il processo tecnico di Perplexity, come abbiamo già fatto per Google AI Overviews e ChatGPT con Web Search. Questi sono, grosso modo, i blocchi costitutivi che portano alla risposta per l’utente:
Query & policy gating – Il meccanismo non è troppo diverso da quello già descritto con riferimento a ChatGPT: il sottosistema valuta se, per rispondere alla domanda dell’utente, è opportuna una ricerca nel Web e blocca le query disallineate alle policy.
Retrieval su indice proprietario – Una prima ricerca viene svolta all’interno del Perplexity Index, costruito dal crawler PerplexityBot. Quest’ultimo, in modo non dissimile rispetto ai crawler di Google e Bing, effettua una scansione continua del Web, salvando URL e metadati dei documenti in un data-lake. In teoria, PerplexityBot è sensibile ai comandi contenuti nel file robots.txt. Quindi, il comando disallow dovrebbe impedire la scansione delle pagine o directory specificate. Non è chiaro se PerplexityBot interpreti correttamente anche la sintassi dei tag <meta> delle intestazioni della risposta HTTP, e quindi sia sensibile alla regola noindex che controlla l’indicizzazione. Della comprensione semantica delle pagine indicizzate si incarica un algoritmo di tipo approximate nearest neighbor (ANN). Ricordiamo che gli ANN sono ormai la scelta di default nella ricerca vettoriale perché consentono di scalare a corpora enormi (milioni-miliardi di vettori) con tempi di risposta quasi costanti, impossibili con metodi esatti. Inoltre riducono radicalmente latenza e memoria, sacrificando solo una frazione minima di precisione nel ranking, e consentono l’aggiornamento dinamico degli indici, requisito cruciale nei sistemi RAG.
Retrieval su indice esterno (Bing) – La stessa query utilizzata nella fase precedente viene eseguita sul Bing Web Search API. È plausibile che questo passaggio cambierà, poiché l’annunciato phase-out delle Bing Search API, cui abbiamo già fatto riferimento, sta spingendo Perplexity a ridurre la dipendenza da Microsoft.
Merge & Rank – I candidate-set ottenuti tramite le due query (interna e Bing) sono fusi, i duplicati sono eliminati e un ranking complessivo viene determinato, anche sulla base di segnali aggiuntivi rispetto a quelli di Bing. Sembra di capire, dunque, che Perplexity disponga di un sistema di ranking proprietario.
Passage selection – Secondo modalità del tutto simili a quelle già descritte per ChatGPT, i singoli documenti sono suddivisi in porzioni più piccole con la tecnica del chunking, per allinearsi ai requisiti del modello di embedding impiegato da Perplexity.
Prompt building – A questo punto Perplexity genera il prompt, mettendo insieme il contenuto della query e una serie di regole specifiche relative alla citazione delle fonti.
Generazione della risposta – Il modello produce la risposta. Come già detto, Perplexity usa diversi LLM: Llama-3.1 Sonar, GPT-4o e Claude 3. In particolare, Sonar è il modello di default per gli utenti Pro, ma è sempre possibile spostarsi su uno degli altri modelli disponibili.
Verification & link mapping – Il meccanismo è identico a quello già descritto nel caso di ChatGPT.
UI rendering – All’utente vengono restituiti il testo della risposta e le URL corrispondenti alle fonti citate.
Quali impatti per la SEO?
Degli impatti di tutto ciò sulla SEO si occupa un bell’articolo di di Zach Cohen e Seema Amble (How Generative Engine Optimization (GEO) Rewrites the Rules of Search, «Andreessen Horowitz», 28 maggio 2025). L’ipotesi è che i principi alla base del concetto stesso di SEO diventeranno presto obsoleti. In futuro l’obiettivo sarà ottimizzare i contenuti per conquistare un posto al sole non più nella SERP (la pagina dei risultati della ricerca), ma nella risposta elaborata dal modello di IA generativa. Il vantaggio competitivo risiederà sempre più nella capacità di farsi menzionare, citare e ricordare dagli algoritmi generativi. Le imprese dovranno quindi affiancare (o sostituire) le tradizionali pratiche SEO con nuove strategie, ridefinendo metriche, strumenti e processi di marketing per l’era dei modelli. È una nuova pratica, in sostanza, che qualcuno chiama appunto GEO.
Vediamo, in dettaglio, quali sono le implicazioni del nuovo scenario per chi si occupa di ottimizzazione dei contenuti per la ricerca nel Web (il che vuol dire, in sostanza, tutti coloro che producono e pubblicano contenuti online). Parliamo di conseguenze che, almeno in una certa misura, sono riscontrabili già oggi.
La prima e più ovvia conseguenza è che le ricerche diventano più lunghe: 23 parole in media contro 4 (Bernna Kelly, Investigating ChatGPT Search: Insights from 80 Million Clickstream Records, «Semrush Blog», 3 febbraio 2025). In questo senso, con la ricerca generativa si consolida una tendenza che abbiamo già avuto modo di osservare negli ultimi anni, per effetto della crescente diffusione delle ricerche effettuate con il supporto degli assistenti vocali degli smartphone, come Siri, Google Assistant o Bixby. Aumenta anche la profondità delle sessioni, con una durata media che raggiunge i 6 minuti.
La seconda conseguenza riguarda i criteri utilizzati dalla ricerca generativa per determinare la rilevanza di un documento rispetto alla query e all’intento dell’utente. Com’è noto, gli LLM ricordano, elaborano e personalizzano. Si potrebbe per ciò stesso ritenere che essi tendano a premiare contenuti ben strutturati (dotati, per esempio, di sintesi esplicite o di punti elenco), densi di significato e facilmente estraibili. E che, dunque, in questo nuovo scenario la frequenza con cui le parole chiave compaiono nel testo («keyword density») conti di meno.
Infine c’è il tema dell’incertezza pubblicitaria. Se l’utente ottiene la risposta in prima schermata, perché dovrebbe scorrere annunci o banner? Il trade-off fra qualità dell’esperienza e ricavi è il dilemma strategico di Mountain View. Ricordiamo che, a differenza di Google, la maggior parte dei modelli è in abbonamento; ciò riduce l’incentivo a inviare traffico esterno e sposta il valore dal click-through rate al reference rate, ossia la frequenza con cui un marchio viene citato nelle risposte IA.
A parte il crollo del CTR, già menzionato, si nota che, quando Google genera una Overview, il contenuto è ricavato principalmente dalle pagine indicizzate che occupano le prime dieci posizioni. Quindi, chi scivola oltre la terza SERP scompare dal riassunto.
Nuovi strumenti e metriche di monitoraggio
Nel panorama in rapida evoluzione dell’IA generativa stanno fiorendo nuove piattaforme, specializzate nel monitoraggio della qualità dei testi prodotti dai LLM. Soluzioni emergenti come Profound, Goodie e Daydream sono progettate per simulare query su larga scala e, al contempo, valutare parametri cruciali quali il sentiment, la share of voice e la coerenza del messaggio. Ciò consente ad autori, editori e brand di comprendere non solo come vengono percepiti i loro contenuti, ma anche di calibrare con maggiore precisione tono e posizionamento nei diversi segmenti di pubblico.
Ma anche i tradizionali player della SEO stanno ampliando la loro proposta. Strumenti consolidati come Ahrefs e Semrush hanno introdotto toolkit orientati alla GEO. Spiccano soluzioni come Brand Radar e pacchetti di «AI visibility». L’obiettivo è duplice: da un lato, tracciare in tempo reale le menzioni di marchi e prodotti all’interno delle risposte fornite dai modelli; dall’altro, suggerire modifiche di contenuto capaci di aumentare la probabilità che il brand venga citato o valorizzato nelle generazioni future.
L’utilità di questi strumenti risulta evidente analizzando i primi casi applicativi. Canada Goose, ad esempio, ha utilizzato le nuove metriche non solo per verificare l’esattezza delle feature di prodotto menzionate dagli LLM, ma soprattutto per calcolare la brand recall spontanea, ossia capire in che misura il nome del marchio affiora naturalmente nei testi generati senza esplicita sollecitazione. Questa metrica, che potremmo definire consapevolezza di marca nell’era dell’IA, offre un indicatore prezioso della presenza mentale del brand all’interno dei sistemi generativi, completando le analisi tradizionali basate su share of voice o sentiment.
Nel complesso, l’integrazione tra piattaforme emergenti e toolkit evoluti di GEO delinea un nuovo standard di analisi e ottimizzazione: non si tratta più soltanto di «farsi trovare» dai motori di ricerca, ma di «farsi ricordare» dagli algoritmi che, sempre più spesso, mediano l’accesso dell’utente all’informazione.
La crisi epistemologica dello «sforzo cognitivo zero»
Certo, dovremmo anche domandarci quali conseguenze più generalo può avere il nuovo scenario. Tenendo conto che il Web è il mondo nel quale reperiamo le fonti del nostro sapere e ci informiamo su quello che succede nel mondo: la politica, le guerre (in Ucraina, a Gaza e in tanti altri luoghi), l’attualità. E, informandoci, decidiamo su ciò che è importante per noi come singoli e come comunità. Sappiamo che questo processo è alla base della stessa democrazia, determina lo stato di salute delle istituzioni e influisce sulla stabilità della società.
Affidare al modello la sintesi dei documenti significa esternalizzare una parte del lavoro critico di lettura, verifica e comparazione delle fonti. Il rischio maggiore non è l’errore manifesto (ad esempio l’episodio, ormai celebre, in cui AI Overviews consigliava di mangiare sassi per dolori intestinali) bensì l’allucinazione plausibile: un’informazione errata ma verosimile, che l’utente non ha più incentivo a controllare.
La verità è che L’IA non elimina la fatica cognitiva. Semmai la sposta. In sostanza oggi sono richieste, più che mai, competenze in parte inedite: padroneggiare prompt complessi, saper distinguere tra sintesi probabilistica e prova documentale, negoziare nuove regole di equità con gli stakeholder dell’informazione ecc.
Chi ignora questi aspetti accetterà risposte pre-confezionate e invisibili, rinunciando – forse inconsapevolmente – al proprio spirito critico. Chi impara a dialogare con le macchine e a diffidare di esse potrà invece sfruttare le stesse tecnologie per produrre sapere di qualità superiore.
In definitiva, l’intelligenza artificiale non sta semplicemente cambiando il modo in cui cerchiamo nel Web e, più in generale, nei grandi archivi digitali. Essa sta ridefinendo il patto – delicatissimo – fra attenzione umana, modelli di business e produzione di conoscenza. Ignorare questa tendenza significherebbe lasciare il timone alle probabilità, e non ai fatti.
Contenuti sintetici, utenti sintetici
C’è un punto ulteriore: a trasformarsi non è soltanto il modo in cui cerchiamo le informazioni, ma anche il materiale stesso su cui le ricerche si fondano. Entro il 2026, secondo le stime più accreditate, oltre il 90% dei contenuti disponibili in Rete sarà stato generato o perlomeno riscritto da sistemi di intelligenza artificiale. Questo mutamento quantitativo e qualitativo del corpus online ridefinisce l’intero ecosistema informativo, imponendo nuove sfide tanto a chi produce quanto a chi consuma conoscenza.
Parallelamente, stanno prendendo piede agenti autonomi programmati per navigare, confrontare prezzi e acquistare prodotti ‒ o biglietti ‒ con totale indifferenza verso la pubblicità tradizionale. A essi si sommano bot di scraping che generano volumi di traffico «fantasma», alterando le metriche di analytics su cui molte aziende basano decisioni e investimenti. Il risultato è un Web popolato da interazioni non umane che rischia di offuscare la reale domanda informativa delle persone.
Questa convergenza fra contenuti sintetici e traffico artificiale alimenta la narrativa, spesso con toni complottisti, del cosiddetto «dead Internet». Al di là delle esagerazioni, però, vi è un problema concreto di qualità e di autenticità: quando una parte crescente del discorso pubblico è gestita o mediata da algoritmi, diventa più difficile distinguere il dato affidabile dal rumore di fondo.
Per affrontare questa criticità sarebbe auspicabile un nuovo patto tra motori di ricerca, creatori di contenuti e utenti finali, capace di intervenire su quattro nodi essenziali. Anzitutto occorre mitigare le allucinazioni dei modelli linguistici, soprattutto quelle che risultano verosimili e dunque più insidiose per la disinformazione. In secondo luogo, la diffusione di esperienze di ricerca senza clic incrina il modello di business basato sul pay-per-click, spingendo a ripensare le forme di remunerazione degli editori. Resta poi aperta la questione, giuridica ed economica, del diritto d’autore su materiali impiegati per l’addestramento e la generazione dei testi. Infine, l’esplosione di contenuti sintetici contribuisce a saturare l’attenzione collettiva, diluendo la qualità delle notizie e aumentando il rumore informativo complessivo.