La SEO per AI è la pratica di strutturare i contenuti in modo che i modelli linguistici li estraggano e li citino nelle risposte generate. Non sostituisce la SEO classica: la presuppone. Se il tuo contenuto non è indicizzato, non è accessibile, non ha autorità di dominio minima, nessun modello lo vedrà. Detto questo, essere in prima pagina su Google non garantisce più nulla: ChatGPT, Perplexity e Gemini costruiscono risposte autonome e citano la fonte che risponde meglio alla domanda, non quella con più link in entrata.
Il motivo per cui questo conta adesso è semplice: una quota crescente di sessioni di ricerca non finisce più su una SERP. L’utente fa la domanda, legge la risposta sintetizzata, e va avanti. Se il tuo contenuto non è nella risposta, non esisti per quell’utente. Questo articolo copre la struttura concreta che aumenta la probabilità di essere citati — dati strutturati, formato delle risposte, segnali di autorità — e le cose che fanno silenziosamente saltare tutto.
Come i modelli AI scelgono cosa citare
I modelli non crawlano il web in tempo reale (con qualche eccezione come Perplexity). Lavorano su un training set più un layer di retrieval in tempo reale per i modelli con accesso web. In entrambi i casi il criterio di selezione non è il PageRank: è la pertinenza semantica e la chiarezza della risposta.
Un modello che deve rispondere a «come funziona il RAG» preferisce un testo che contiene la definizione in forma autonoma, un esempio concreto e una struttura prevedibile. Non preferisce necessariamente il sito con più backlink. Questo apre uno spazio enorme per chi produce contenuti specializzati e ben costruiti.
La tecnica che i ricercatori chiamano AEO — Answer Engine Optimization — parte esattamente da qui: scrivere ogni sezione in modo che risponda a una domanda specifica in forma chiusa, senza che il lettore debba leggere l’articolo intero per capire. Il modello fa esattamente la stessa cosa: estrae il blocco che risponde, lo cita o lo parafrasa.
La struttura che i modelli estraggono meglio
Il formato conta quanto il contenuto. Un articolo scritto come saggio narrativo è difficile da estrarre: il modello non sa dove finisce il contesto e dove inizia la risposta. Un articolo strutturato per domande esplicite è triviale da estrarre.
Risposta diretta nel primo paragrafo
Ogni articolo dovrebbe aprire con un paragrafo di 40-60 parole che risponde alla domanda del titolo in modo autonomo. Non un aggancio, non una premessa: la risposta. Quel paragrafo è quello che Perplexity cita per primo, quello che Google usa per i featured snippet, quello che finisce nel training set con il peso maggiore rispetto al titolo.
Se stai ottimizzando contenuti esistenti, inizia da lì. Aggiungi un paragrafo di risposta diretta prima di tutto il resto. Questa singola modifica ha più impatto di qualsiasi intervento tecnico sui metadati.
Domande esplicite come sottotitoli
Gli H3 in forma di domanda segnalano al modello che quella sezione contiene una risposta delimitata. «Come funziona il retrieval nei modelli con accesso web» è meglio di «Il retrieval nei modelli». Il primo attiva il pattern domanda-risposta nel sistema di estrazione; il secondo è un titolo di capitolo.
FAQ in fondo all’articolo
Le FAQ non sono un ornamento SEO da aggiungere per allungare il contenuto. Sono il formato più efficiente per la citazione: domanda esplicita, risposta compatta, markup schema. Un modello che cerca una risposta a una domanda specifica trova nelle FAQ una corrispondenza quasi letterale. Vale la pena scriverle partendo dai termini che le persone usano davvero su Google, non da quelli che ti sembrano eleganti.
Dati strutturati: cosa serve davvero
Il markup schema non fa classificare un sito: aiuta i crawler — inclusi quelli dei motori di risposta — a capire cosa contiene una pagina senza doverla interpretare. Per la SEO per AI i tipi di schema più utili sono tre.
FAQPage per le sezioni di domande e risposte. Article con author, datePublished e publisher per segnalare autorità e freschezza. HowTo quando l’articolo descrive una procedura in passi numerati. Questi tre coprono la maggior parte dei contenuti informativi e commerciali.
Quello che non serve: schema markup complesso su pagine che non hanno contenuto corrispondente. Un modello che legge lo schema e poi non trova la risposta nel testo impara a fidarsi meno di quella fonte. Lo schema è una promessa: se non è mantenuta, peggiora la situazione.
La regola
Un’automazione senza guardie sui dati strutturati produce schema sbagliato in scala
Se stai generando JSON-LD con un sistema automatizzato — n8n, Make, qualsiasi pipeline — aggiungi una guardia che valida lo schema prima della pubblicazione. Uno schema con campi vuoti o date sbagliate è peggio di nessuno schema.
- Schema validator — usa schema.org/validator su ogni template prima di mandarlo in produzione
- Date di pubblicazione — non lasciare che il sistema usi la data di generazione invece di quella editoriale
- Author entity — un autore con una pagina About linkata vale dieci volte un nome in testo libero
Autorità, freschezza e segnali che i modelli leggono
I modelli addestrati su dati web hanno imparato dagli stessi segnali che Google usa per valutare l’autorità. Non li applicano nello stesso modo, ma ne sono influenzati. Tre segnali pesano in modo sproporzionato.
Autore con identità verificabile
Una pagina autore con biografia, link a profili esterni, eventuale schema Person con sameAs verso LinkedIn o altri profili autorevoli: questo dice al modello che c’è una persona reale dietro il contenuto, con un track record verificabile. I contenuti anonimi vengono estratti di meno, non perché ci sia una regola esplicita, ma perché nel training set i contenuti anonimi erano mediamente di qualità inferiore.
Freschezza della data
Per argomenti che evolvono — e la SEO per AI è uno di questi — la data di aggiornamento conta. Un articolo del 2022 su come i modelli citano le fonti è già obsoleto su metà dei punti. Aggiornare la data senza aggiornare il contenuto è peggio che non farlo: il modello cita qualcosa di vecchio credendolo nuovo. Aggiorna il contenuto, poi la data.
Link in entrata da fonti pertinenti
I backlink contano ancora, ma il criterio è cambiato. Un link da un sito autorevole nello stesso dominio tematico vale molto più di dieci link generici. Per chi opera in nicchie verticali — infobusiness, agenzie, automazione — un link da una pubblicazione di settore o da un autore riconosciuto nella nicchia ha più peso di qualsiasi campagna di link building orizzontale.
SEO per AI in un flusso automatizzato: come costruirlo senza rompersi
Se produci contenuti in volume — e su questo ho costruito una macchina concreta — il rischio non è scrivere contenuti sbagliati. Il rischio è pubblicare in scala contenuti che sembrano ottimizzati ma non lo sono, perché il sistema di generazione ha un bug silenzioso.
Un flusso che funziona segue questa sequenza: ricerca keyword con dati reali (DataForSEO è il tool che uso, costa una frazione di Semrush e ha un’API pulita) → brief strutturato con domanda principale e domande secondarie esplicite → generazione con modello AI → editing umano → pubblicazione con schema JSON-LD validato → tracking posizioni per rialimentare la coda.
Il punto critico è l’editing umano. Google ha penalizzato duramente i contenuti AI puri — il cosiddetto «AI slop» — ma premia contenuti AI ben editati e ben strutturati. La differenza non è se è stato usato un modello: è se c’è un cervello umano che ha verificato che la risposta sia vera, specifica e utile. Quel passaggio non si automatizza, si presidia.
Per chi vuole capire come questo si integra con un sistema di workflow più ampio, ho scritto in dettaglio su cosa separa un diagramma da un sistema che gira davvero. La distinzione vale anche qui: un brief SEO è un diagramma; una pipeline che lo esegue in modo affidabile è un sistema.
Il geo-routing che invisibilizza i contenuti
C’è un errore che vedo spesso su siti multilingua che cercano di ottimizzare per mercati diversi: mostrano versioni diverse della stessa pagina in base all’IP del visitatore. Sembra logico. Per i crawler è un disastro. Googlebot arriva da un IP fisso e vede una sola versione — le altre spariscono dall’indice, qualsiasi contenuto ci sia dentro.
La soluzione è URL separati per lingua (/it/, /en/) con hreflang nel head, sempre accessibili al crawler. L’adattamento geografico si gestisce con un banner o un soft-redirect via cookie, mai modificando quello che il crawler vede. L’IP è informazione di UX, non criterio di routing SEO.
Il confronto tra approcci: SEO classica vs SEO per AI
| Criterio | SEO classica | SEO per AI |
|---|---|---|
| Obiettivo primario | Posizione in SERP | Citazione nelle risposte generate |
| Segnale principale | Backlink + on-page | Chiarezza della risposta + schema markup |
| Formato premiato | Articolo lungo con keyword density | Risposta diretta + FAQ + dati strutturati |
| Freschezza | Aggiornamento periodico consigliato | Critica per argomenti che evolvono |
| Autore | Utile ma non determinante | Segnale di autorità esplicito |
Cosa non ottimizzare per i modelli AI
Ci sono cose che si fanno per la SEO classica che non aiutano — e alcune che danneggiano — la citabilità da parte dei modelli.
La lunghezza artificiale è la prima. Un articolo di 4000 parole che risponde a una domanda semplice è più difficile da estrarre di uno di 1200 parole con la risposta nel primo paragrafo. I modelli fanno retrieval su blocchi semantici: più il blocco è denso e autonomo, meglio funziona.
Il keyword stuffing è la seconda. I modelli sono addestrati su testi naturali: un testo che ripete meccanicamente la stessa frase è riconosciuto come bassa qualità e pesa di conseguenza. La keyword serve per segnalare il topic, non per saturare il testo.
La terza è il contenuto generico. Un articolo che dice «l’AI è importante per le aziende» non viene citato perché non dice niente di specifico. Un articolo che spiega come validare lo schema JSON-LD prima della pubblicazione con un sistema automatizzato ha una risposta concreta che un modello può estrarre e attribuire.
Su questo tema del contenuto AI e come viene percepito, ho scritto come distinguere un testo scritto da un modello — e perché la risposta è meno ovvia di quanto sembri. Vale la pena leggerlo prima di decidere quanto editing fare sui tuoi contenuti generati.
Per chi lavora con agenti AI nella propria pipeline di contenuti, il pezzo su come funziona un agente AI e quando ha senso usarlo aiuta a capire dove mettere l’automazione e dove tenerla fuori.
La SEO per AI non è una specializzazione separata che si aggiunge a tutto il resto. È il risultato di fare bene le cose di base — struttura chiara, risposta diretta, schema corretto, autore reale — e di non romperle con errori tecnici che il sistema non segnala mai. Il silenzio dei sistemi non è salute: è il sintomo che qualcosa sta girando sbagliato senza dirtelo.
Domande frequenti
La SEO per AI sostituisce la SEO tradizionale?
No. I modelli che fanno retrieval in tempo reale usano gli stessi segnali di autorità di Google come proxy. Un sito senza indice, senza backlink, senza autorità di dominio non viene citato. La SEO classica è il prerequisito; l’ottimizzazione per i modelli è il layer successivo.
Quali modelli AI citano le fonti esplicitamente?
Perplexity cita le fonti per default su ogni risposta. ChatGPT con navigazione web le cita quando la risposta richiede dati recenti. Gemini e Claude con accesso web si comportano in modo simile. I modelli senza accesso web non citano fonti esterne: lavorano sul training set.
Quanto tempo ci vuole per vedere risultati dalla SEO per AI?
Per i modelli con retrieval in tempo reale come Perplexity, le modifiche strutturali ai contenuti possono impattare in settimane. Per entrare nel training set dei modelli — che aggiornano i pesi periodicamente — i tempi sono di mesi. Il lavoro di strutturazione paga su entrambi i fronti, ma con orizzonti diversi.
Il markup schema FAQPage basta da solo per essere citati?
No. Lo schema segnala la struttura; il contenuto deve rispondere davvero alla domanda in modo preciso e verificabile. Uno schema corretto su un contenuto generico non cambia nulla. Un contenuto specifico senza schema funziona meglio di uno schema perfetto su contenuto vuoto.
