La svolta di Toronto: sfatare i miti, l’Information Gain Score e ciò che Google ha realmente rivelato sul futuro della SEO

Il paradosso dei risultati complessi: dati strutturati e la differenza che rimane invisibile

Un dettaglio tecnico emerso durante le presentazioni di Toronto, che ha ricevuto poca attenzione nella discussione generale, merita un’analisi economica a parte. Ryan Levering ha spiegato la differenza tra il Google Rich Results Testing Tool e lo Schema Markup Validator. Il primo si integra nella catena di indicizzazione interna di Google, mentre il secondo si limita a convalidare la correttezza sintattica del markup dello schema rispetto agli standard di Schema.org.

Questa distinzione tecnica è economicamente rilevante perché molti gestori di siti web si affidano allo Schema Markup Validator, che non fornisce alcuna informazione sull’effettiva idoneità di una pagina per i risultati avanzati. Il Rich Results Test, al contrario, simula la pipeline di rendering di Google e mostra quali tipi di risultati avanzati possono essere effettivamente generati. Uno schema può essere sintatticamente perfetto e non risultare comunque idoneo per i risultati avanzati. Per i siti di e-commerce che si basano su valutazioni a stelle, prezzi dei prodotti o snippet avanzati per le FAQ per ottenere vantaggi in termini di tasso di clic (CTR), questa differenza ha un impatto diretto sui ricavi.

Il messaggio più profondo che emerge dalla spiegazione di Levering è di natura strutturale: il processo di indicizzazione di Google è a più fasi e non del tutto trasparente. Il segnale “Scansionato – Attualmente non indicizzato” in Google Search Console, nella stragrande maggioranza dei casi, non indica un problema tecnico di rendering, bensì un segnale di qualità. Google ha scansionato la pagina, ne ha valutato il contenuto e ha deciso attivamente di non indicizzarla perché non offre un valore aggiunto sufficiente. Per i team che si occupano di contenuti, questo significa che la correttezza tecnica è una condizione necessaria, ma non sufficiente, per la visibilità.

Il dibattito sulla terminologia GEO: termine di marketing o nuova disciplina?

In una discussione su LinkedIn, Kristine Schachinger ha avanzato una tesi provocatoria che mette in discussione l’intero concetto di GEO. Ha affermato che GEO è una costruzione di marketing creata da un investitore di capitale di rischio che voleva conquistare il settore degli strumenti SEO e, non riuscendo a posizionare il proprio marchio in contrapposizione a “SEO”, ha semplicemente inventato un nuovo acronimo. La diffusione del termine è stata poi alimentata da un lavoro coordinato di comunicazione e attività sui social media.

Questa prospettiva ha un suo valore, ma non è sufficiente. Indipendentemente da chi abbia coniato il termine e da quali interessi fossero in gioco, GEO descrive un fenomeno reale e misurabile: l’ottimizzazione dei contenuti non per una classifica, ma per le citazioni generate da sistemi di intelligenza artificiale. E questa ottimizzazione segue regole diverse rispetto alla SEO tradizionale. Artur Ferreira del GEO Lab ha articolato il punto cruciale: il cambiamento non è da una posizione all’altra, ma dal monitoraggio del posizionamento alla comprensione della presenza, ovvero quando e perché si appare, non solo dove.

Orit Mutznik, SEO Director per la crescita organica e la ricerca AI, ha riassunto in modo conciso il dibattito semantico: Google stesso usa i termini SEO e GEO in gran parte come sinonimi nelle slide e nelle descrizioni delle offerte di lavoro. Il settore si sta scontrando sulla terminologia mentre il vero cambiamento è già in atto. Il termine è, in un certo senso, secondario. Chi si concentra troppo sulla questione terminologica rischia di perdere di vista il punto essenziale: i segnali che generano visibilità nei sistemi di intelligenza artificiale sono fondamentalmente diversi dai segnali che determinano il posizionamento di Google nella SERP tradizionale.

Due livelli di ottimizzazione, due orizzonti temporali, due strategie

Forse il contributo analitico più chiaro all’orientamento strategico è arrivato da Dmitrij Žatuchin nelle discussioni su LinkedIn. Ha distinto due livelli di ottimizzazione chiaramente separabili: la visibilità basata sul recupero nei sistemi di ricerca basati sull’IA come AI Overviews, Perplexity e ChatGPT con navigazione, e la memoria parametrica, ovvero ciò che un modello linguistico ha memorizzato direttamente nei suoi pesi addestrati riguardo a un’entità.

Il primo livello reagisce rapidamente. Chi crea contenuti di alta qualità e ben strutturati, che vengono scansionati e indicizzati da Google, e che dimostrano forti segnali EEAT, vede miglioramenti misurabili nella probabilità di citazione entro poche settimane grazie alle panoramiche basate sull’IA e a sistemi simili basati su RAG. I classici strumenti SEO – integrità tecnica, autorevolezza tramite backlink e contenuti approfonditi – hanno ancora un impatto diretto in questo contesto.

Il secondo livello è lento e costoso da modificare. Determina la risposta che ChatGPT fornisce a una domanda su un marchio o un’azienda senza attivare una ricerca web. Questa risposta deriva da dati di addestramento vecchi di mesi o addirittura anni. Per il 60% di tutte le query di ChatGPT, non viene attivata alcuna ricerca web in tempo reale; la risposta si basa interamente su conoscenze parametriche. Per i marchi che non sono rappresentati, o sono rappresentati in modo errato, in queste risposte, ciò rappresenta una lacuna strutturale in termini di visibilità e reputazione che non può essere colmata con l’ottimizzazione SEO tecnica.

Secondo uno studio di Ahrefs su 75.000 marchi, il segnale più forte per le citazioni generate dall’IA non è l’autorità del dominio o il profilo dei backlink, bensì il volume di ricerca del marchio e la sua presenza parametrica. Il punteggio di ricerca di un marchio è correlato a una probabilità di citazione di 0,334 nei sistemi di IA. Le menzioni di un marchio su YouTube presentano una correlazione ancora più elevata, pari a 0,737. Questi valori di correlazione favoriscono le pubbliche relazioni del marchio e la presenza multicanale, piuttosto che la tradizionale ottimizzazione on-page.

La fine del tracciamento delle posizioni: dalle classifiche alle distribuzioni di presenza

Una delle osservazioni più interessanti dal punto di vista economico emerse durante la conferenza di Toronto riguarda l’infrastruttura stessa del reporting SEO. Dmitrij Žatukhin ha notato che la stessa query di ricerca, nello stesso giorno, può generare tre diversi set di citazioni nei sistemi di intelligenza artificiale entro tre ore. La posizione, intesa come singolo numero, perde quindi di significato; diventa una distribuzione.

Questa osservazione ha profonde implicazioni economiche per il settore degli strumenti SEO. I tradizionali tracker di posizionamento, che per anni hanno generato milioni di dollari di fatturato misurando la posizione delle parole chiave, tendono a misurare l’aspetto sbagliato nel panorama della ricerca guidata dall’intelligenza artificiale. Ciò che dovrebbe essere misurato non è la posizione, bensì la probabilità di essere citati nel tempo. Seer Interactive ha scoperto che il tasso di zero clic in modalità IA è del 93%; per le panoramiche IA tradizionali, è dell’83%. In questo contesto, la domanda “In che posizione ci posizioniamo?” è meno rilevante della domanda “In quanti risultati generati dall’IA sull’argomento compariamo?”

Artur Ferreira ha descritto con precisione il cambio di…