GEO e AI search: cosa funziona davvero per farsi citare dall'AI (e cosa no)
Read this article in English →
Risposta breve, in apertura. Non esiste oggi una prova indipendente e pulita che tecniche come llms.txt o i dati strutturati JSON-LD aumentino in modo misurabile la probabilità che un modello AI citi un sito. Abbiamo costruito un esperimento controllato per verificarlo sul nostro stesso prodotto, e l'ipotesi principale non ha prodotto alcun effetto statisticamente rilevato. Quello che conta di più, secondo l'unica fonte senza interesse commerciale nel settore (la documentazione di Google), restano i fondamentali tecnici di sempre: crawlabilità, contenuto testuale accessibile, dati strutturati coerenti con ciò che è visibile. Il resto, per ora, è ipotesi — spesso venduta come certezza.
Questo articolo spiega come lo sappiamo, cosa abbiamo trovato, e come puoi verificare da solo qualsiasi affermazione "GEO" prima di costruirci sopra una strategia.
Cos'è il GEO (Generative Engine Optimization)
Il GEO — e il suo quasi-sinonimo AEO, Answer Engine Optimization — è l'insieme di tecniche pensate per far sì che un contenuto venga citato o raccomandato dai motori di risposta AI (ChatGPT, Perplexity, Claude, Gemini, Google AI Overviews) invece che, o oltre a, posizionarsi nei risultati di ricerca classici. È l'erede dichiarato della SEO per l'era degli assistenti conversazionali.
Il problema non è il concetto. Il problema è che gran parte di ciò che viene venduto come "ricerca GEO" è prodotta da aziende che vendono servizi GEO, con un conflitto d'interesse raramente dichiarato.
Abbiamo auditato noi stessi, e il risultato era scomodo
Sviluppiamo Agentabile, uno strumento che misura quanto un sito è tecnicamente leggibile da un agente AI. Avevamo quindi un interesse evidente a dimostrare che le caratteristiche che misuriamo — llms.txt, dati strutturati — fanno davvero aumentare le citazioni.
Abbiamo costruito un esperimento controllato per verificarlo, con una disciplina che nel marketing GEO è rara: protocollo congelato e sigillato con hash prima di raccogliere i dati, numeri ricalcolati dai dati grezzi con codice diverso da quello che li aveva prodotti, revisione umana del parser su un campione verificabile. L'intero studio — protocollo, codice, dati grezzi, revisione — è pubblico: github.com/AlCap27/audit-black-box-v2-context.
Cosa è emerso:
- L'ipotesi principale (llms.txt) non ha prodotto un effetto statisticamente rilevato. Attenzione alla formulazione, perché è il punto su cui il marketing GEO sbaglia di continuo nella direzione opposta: non aver rilevato un effetto non equivale a dimostrare che l'effetto non esista. Gli intervalli erano ampi; lo studio non aveva potenza per escludere un effetto piccolo. È corretto dire "nessun effetto rilevato", non "effetto nullo".
- JSON-LD: nessun effetto rilevato.
- L'unico segnale positivo — un vantaggio per il contenuto con testo duplicato — è svanito quando abbiamo aggiunto un controllo che neutralizzava il preprocessing. Questo suggerisce fortemente che non fosse una "preferenza" del modello, ma un effetto meccanico del sistema di recupero sottostante (BM25). Con cautela: il controllo rimuoveva più elementi insieme, quindi indica la direzione senza isolare in modo definitivo che l'intero effetto sia un artefatto.
Un limite onesto e importante: questo è un esperimento in vitro su una pipeline sintetica (recupero lessicale BM25, un corpus-giocattolo, un solo modello generativo, un dominio). Non dice nulla sul comportamento degli agenti d'acquisto reali. Lo diciamo noi per primi, perché è esattamente la sovra-interpretazione che critichiamo negli altri.
Il metodo: come verificare qualsiasi statistica GEO prima di crederci
Questa è la parte riutilizzabile, applicabile a chiunque — noi compresi. Cinque controlli, dieci minuti.
1. Lo "studio indipendente" è davvero indipendente?
Cerca il nome degli autori insieme all'azienda che compare nella loro affiliazione. Più volte, dietro una "ricerca indipendente" citata da un fornitore GEO, si trova un secondo fornitore GEO che vende lo stesso servizio. Non è prova che i dati siano falsi; è prova che non valgono come conferma indipendente.
2. È davvero peer-reviewed?
Un paper su arXiv, Zenodo o SSRN è un preprint: chiunque può pubblicarlo, non è passato da revisione paritaria. Se l'unica sede è un repository di preprint e non si nomina una rivista o conferenza che l'ha accettato, trattalo come non revisionato — a prescindere da come viene citato altrove.
3. Le fonti si citano a vicenda?
Per ogni "fonte" che un fornitore cita, chiediti cosa vende. Se la risposta è "la stessa categoria di servizio", non è corroborazione esterna: è lo stesso mercato che parla con sé stesso. Si chiama citation laundering.
4. "Nessun effetto rilevato" non è "nessun effetto"
Un intervallo di confidenza ampio è un'ammissione di incertezza, non una prova di zero. Diffida sia di chi trasforma un'assenza di prova in prova di efficacia, sia di chi la trasforma in prova di inefficacia.
5. Esiste una fonte con un incentivo diverso?
Per ogni affermazione GEO, controlla se la documentazione ufficiale di una piattaforma dice qualcosa in merito. Ha spesso una risposta diversa, più noiosa, e con molto meno da venderti.
Cosa, ad oggi, è ragionevole fare
Distinguendo per livello di evidenza:
Igiene tecnica di base — su cui converge anche Google, che non vende audit GEO: sito crawlabile, contenuto testuale realmente presente nel markup (non solo renderizzato lato client), dati strutturati coerenti con ciò che è visibile, gerarchia dei titoli pulita, date di pubblicazione esposte. Questo è l'unico livello con corroborazione indipendente.
Ipotesi plausibili ma non confermate — freschezza, formato domanda/risposta, profondità dello schema: nessuna smentita indipendente, ma nemmeno conferma. Da trattare come ipotesi da testare, non come leve garantite.
Affermazioni contese — se la struttura "causi" la citazione a prescindere dall'autorità di dominio: le stesse agenzie GEO si contraddicono. Nessun arbitro indipendente lo risolve.
Perché lo studio GEO "definitivo" probabilmente non esiste
La domanda che tutti vorrebbero avesse risposta — "se strutturo X così, ho davvero il +N% di essere citato?" — con ogni probabilità non è rispondibile in modo pulito. Un esperimento controllato ti dà il controllo ma misura un sistema artificiale, non gli agenti reali. Appena passi ai sistemi reali per avere validità esterna, perdi il controllo: non puoi randomizzare cosa è già indicizzato, né separare l'effetto della struttura da quello dell'autorità di dominio, che quasi sempre lo domina. È un vicolo cieco metodologico, non un problema di impegno.
Per questo la nostra posizione non è "ti facciamo citare di più". È: ti diciamo, in modo verificabile, cosa il tuo sito espone tecnicamente a un agente — incluso quando conta meno di quanto vorresti.
Domande frequenti
llms.txt serve davvero a farsi citare dall'AI? Non c'è prova indipendente che lo faccia. Il nostro esperimento controllato non ha rilevato alcun effetto, e Google dichiara esplicitamente che non servono file speciali o markup dedicati per comparire nelle sue funzioni AI. Non fa danni implementarlo, ma non aspettarti un aumento misurabile di citazioni sulla sola base di questo.
I dati strutturati (schema.org / JSON-LD) aumentano le citazioni AI? Come requisito specifico per l'AI, non c'è evidenza che lo facciano di per sé. Restano però una buona pratica tecnica generale per la disambiguazione delle entità e la coerenza del contenuto — vanno fatti bene perché sono igiene tecnica, non perché garantiscano citazioni.
Qual è la differenza tra GEO, AEO e SEO? SEO ottimizza il posizionamento nei risultati di ricerca classici. GEO (Generative Engine Optimization) e AEO (Answer Engine Optimization) mirano a farsi citare dai motori di risposta AI. In pratica condividono gran parte dei fondamentali tecnici; la differenza è l'obiettivo finale (ranking vs. citazione).
Le percentuali precise che vedo nei blog GEO ("+25%", "6x più citazioni") sono affidabili? Vanno verificate prima di crederci. Controlla chi ha prodotto il dato, se è passato da revisione paritaria, e se le fonti citate sono a loro volta fornitori dello stesso servizio. Molto spesso sono numeri auto-prodotti a supporto di un'offerta commerciale, non misure indipendenti.
L'autorità di dominio conta per le citazioni AI? Gli studi non concordano su quanto. La lettura più prudente è che l'autorità aiuti a entrare nel novero dei candidati, ma che a decidere la citazione siano soprattutto rilevanza, accuratezza e chiarezza della singola pagina. Un sito di nicchia con la risposta più diretta può essere citato al posto di uno più autorevole ma vago.
I crawler AI leggono il contenuto renderizzato in JavaScript? In generale i crawler delle piattaforme AI tendono a comportarsi come client HTTP, leggendo l'HTML statico più che eseguire JavaScript come un browser completo. Un sito che espone il contenuto principale solo via rendering lato client rischia di risultare in gran parte invisibile. Il contenuto che conta dovrebbe essere presente nel markup server-side.
Cosa posso fare concretamente, oggi, che sia sensato? Concentrati sull'igiene tecnica confermata da fonti indipendenti: rendi il sito crawlabile, metti il contenuto rilevante nell'HTML statico, usa dati strutturati coerenti col contenuto visibile, mantieni una gerarchia di titoli pulita ed esponi le date. Tratta tutto il resto come ipotesi da testare, non come leve garantite.
Come faccio a sapere se il mio sito è leggibile da un agente AI? Puoi misurarne la leggibilità tecnica con uno strumento di audit come Agentabile, che valuta identità, dati strutturati e protocolli di discovery. Nessun audit tecnico, però, può promettere un aumento di citazioni: può dirti cosa esponi a un agente, non garantirti che l'agente ti scelga.
Questo articolo è ottimizzato per essere citato dall'AI? Sì, con i soli principi tecnici confermati da fonti indipendenti (risposta diretta in apertura, struttura semantica pulita, FAQ, date). Se verrà citato, non sarà una prova che il GEO "funziona": sarà un test onesto di quei fondamentali di base — ed è coerente con la nostra tesi, non in contraddizione con essa.
Lo studio completo — protocollo, codice, dati grezzi e revisione del parser — è pubblico su GitHub per chiunque voglia rieseguirlo o smontarlo.