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#
| Passo | Che cosa fa il sistema | Puoi influirci? |
|---|---|---|
| 1. Interpretare | Legge intenzione, entità, mercato, lingua, data e quanto dev'essere aggiornata la risposta | Indirettamente: definendo bene la tua categoria |
| 2. Decidere se cercare | Valuta se la conoscenza interna basta o servono dati freschi | No |
| 3. Recuperare | Interroga motori, indici e connettori, e scarica quello che può | Sì: accesso tecnico dei crawler |
| 4. Spezzettare | Divide i documenti in frammenti | Sì: struttura e autonomia di ogni blocco |
| 5. Confrontare | Vettorizza domanda e frammenti, e sceglie quelli che combaciano meglio | Sì: allineamento semantico |
| 6. Comporre | Sintetizza la risposta e decide chi citare | Sì, 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.
- Aggarwal, P. et al. GEO: Generative Engine Optimization. KDD 2024, arXiv 2311.09735. https://arxiv.org/abs/2311.09735
- OpenAI. ChatGPT Search: documentazione di prodotto. https://openai.com/index/introducing-chatgpt-search/
- Faysse, M. et al. ColPali: Efficient Document Retrieval with Vision Language Models. ICLR 2025, arXiv 2407.01449. https://arxiv.org/abs/2407.01449
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.