Vai al contenuto principale
ES CAT EN IT FR DE 中文
Metodo

Tra la domanda e la risposta ci sono sei passi. In quattro puoi entrare.

Una risposta con dati aggiornati non esce dal modello. Esce da una catena di decisioni, e conoscerla cambia dove investi.

Quello che abbiamo trovato

  • Citare le fonti alza la visibilità nei motori generativi del 40% e aggiungere statistiche del 37%, secondo il paper GEO di KDD 2024. Il keyword stuffing la abbassa del 10%.
  • La correlazione massima tra la posizione su Google e la presenza nelle risposte di IA è del 40% (GEORadar, 2025). Il 60% restante non lo spiega nessuno strumento SEO.
  • In un audit GEO misuriamo le sette superfici con la stessa batteria di prompt, tra 6.000 e 30.000 per studio, perché ognuna decide in modo diverso quando andare a cercare.

Una risposta di ChatGPT su "migliori banche per giovani" non esce dalla memoria del modello. Esce da una catena di decisioni che comincia prima della ricerca e finisce dopo il recupero. Vale la pena conoscerla, perché in quattro di quei passi si può intervenire e in due no.

01I sei passi, e dove si può entrare#

La catena che trasforma un prompt in una risposta con fonti
PassoChe cosa fa il sistemaPuoi influirci?
1. InterpretareLegge intenzione, entità, mercato, lingua, data e quanto dev'essere aggiornata la rispostaIndirettamente: definendo bene la tua categoria
2. Decidere se cercareValuta se la conoscenza interna basta o servono dati freschiNo
3. RecuperareInterroga motori, indici e connettori, e scarica quello che puòSì: accesso tecnico dei crawler
4. SpezzettareDivide i documenti in frammentiSì: struttura e autonomia di ogni blocco
5. ConfrontareVettorizza domanda e frammenti, e sceglie quelli che combaciano meglioSì: allineamento semantico
6. ComporreSintetizza la risposta e decide chi citareSì, di rimbalzo: chiarezza, cifre e fonti

Il passo due è quello che più spesso viene ignorato. Il modello decide se andare a cercare prima di cercare, e quella decisione dipende dalla domanda. Nelle domande di attualità, confronto, acquisto o reputazione di norma si attiva il recupero, e lì entra contenuto che non controlli: media, forum, comparatori, marketplace e recensioni.

02Il frammento come unità di lavoro#

Il confronto semantico avviene tra la domanda vettorizzata e i frammenti vettorizzati, quindi l'unità pratica è il frammento. Questo ha conseguenze concrete su come si scrive una pagina.

Un paragrafo che contiene l'affermazione completa, con la cifra, l'unità e la data, compete meglio dello stesso dato sparso fra una tabella, una didascalia e una conclusione tre schermate più in basso. Un titolo che enuncia la domanda reale dell'utente aiuta chi spezzetta a tagliare nel punto giusto. E un blocco che dipende dal paragrafo precedente per farsi capire perde quando viaggia da solo, e viaggia da solo quasi sempre.

Dettaglio tecnico · perché lo spezzettamento non è neutro

Dimensione del frammento e sovrapposizione le decide il sistema che recupera, non tu. Con frammenti corti vincono i blocchi autonomi e perdono gli argomenti lunghi; con frammenti lunghi entra più contesto ma la corrispondenza si diluisce. Siccome non puoi scegliere lo spezzettamento, quello che resta sotto il tuo controllo è scrivere blocchi che sopravvivano a entrambi. È lo stesso motivo per cui tabelle ed elenchi con un titolo proprio si recuperano bene: si portano dietro il contesto.

03Che cosa ne facciamo in 498A#

Ogni passo della catena ha il suo pezzo nello stack, ed è proprio per questo che sono pezzi distinti:

  • I passi tre e quattro sono tecnici. Se i crawler non riescono a raccogliere la tua pagina, o se la sostanza compare solo dopo il rendering lato client, non c'è frammento da recuperare. Questo lo verifica GEOdoctor nello stack di prodotto.
  • Il passo cinque è un problema di contenuto. S.A.M. allinea i blocchi di un marchio ai prompt reali del suo mercato, cioè lo stesso problema di corrispondenza semantica visto dal lato di chi scrive.
  • Il passo uno si modella prima di scrivere qualsiasi cosa: le popolazioni di persone, intenzioni e fasi del funnel che generano i prompt vengono da Prompt Atlas.
  • E il risultato si misura in GEORadar, su tutte e sette le superfici insieme. Che siano sette conta perché ognuna decide in modo diverso quando andare a cercare, e un marchio può essere ben risolto su una e assente su un'altra.

Resta un dettaglio che spesso sorprende: il passo due non si compra. Se la tua categoria non genera domande che spingono il modello a cercare, la visibilità si gioca sulla conoscenza pre-addestrata, che è un terreno molto più lento. Sapere in quale dei due giochi ti trovi è la prima domanda di qualsiasi studio serio.

Una versione precedente di questo testo è stata pubblicata su carlosortet.com.

Fonti
  1. Aggarwal, P. et al. GEO: Generative Engine Optimization. KDD 2024, arXiv 2311.09735. https://arxiv.org/abs/2311.09735
  2. OpenAI. ChatGPT Search: documentazione di prodotto. https://openai.com/index/introducing-chatgpt-search/
  3. Faysse, M. et al. ColPali: Efficient Document Retrieval with Vision Language Models. ICLR 2025, arXiv 2407.01449. https://arxiv.org/abs/2407.01449
Carlos Ortet
Carlos Ortet
Cofondatore e CEO di 498 Advance

Dirige 498A, il laboratorio di IA applicata del gruppo Zoopa, e GEORadar. Docente ospite all'UAB, dove segue tesi di master in IA con l'IIIA-CSIC.