Per anni la SEO si è basata su una promessa semplice: posiziona la pagina, vinci il click. Nell'era della GEO cambia l'unità che viene posizionata — e cambia anche chi ha il vantaggio. Abbiamo raccolto l'intervista a Federico Fancinelli, co-founder di GeoSonar, rilasciata a Unscripted SEO Podcast con l'host Jeremy Rivera, per raccontare cosa hanno davvero scoperto due anni di ricerca sulla visibilità AI.
La scoperta sorprendente: si posizionano entità, non pagine
Jeremy Rivera: Nella SEO non manca mai l'aneddoto, ma scarseggiano i dati reali. Qual è la conclusione che ti ha sorpreso di più?
Federico Fancinelli: La cosa più sorprendente è che mi aspettavo esattamente il contrario di quello che abbiamo trovato. Pensavo sarebbe stato più facile per i brand piccoli posizionarsi nelle risposte AI: un'opportunità generazionale, come vent'anni fa quando Google è diventato mainstream e chi faceva SEO ci ha costruito una fortuna. Pensavo si stesse ripetendo lo stesso schema, e che i piccoli avessero finalmente una chance contro i grandi.
Il laboratorio mi ha smentito. Nella maggior parte dei casi è vero il contrario. La differenza centrale tra SEO e GEO è questa: non si posizionano link blu, non si posizionano pagine — si posizionano entità. E le grandi aziende sono entità per definizione. Non devono dimostrare al web di esserlo, lo sono e basta. Hanno organicamente più citazioni, più backlink, più di tutto ciò che aiuta a comparire nei risultati di ricerca AI.
Jeremy Rivera: Quindi nella SEO tradizionale avevi più possibilità di competere, perché non era la tua intera entità a essere misurata contro le altre — era solo una singola pagina.
Federico Fancinelli: Esatto. Il laboratorio era nato come progetto pro bono per aiutare le piccole imprese a posizionarsi più in fretta sull'AI. Ci siamo invece resi conto di quanto lavoro serva per diventare un'entità riconosciuta capace di competere con una multinazionale o con un concorrente molto più grande.
Cosa definisce davvero un'entità
Jeremy Rivera: Il riconoscimento di un'entità è solo un accumulo di citazioni di terze parti su varie fonti dati, oppure esiste uno strato euristico in cui questi strumenti AI costruiscono una propria mappa, una propria schema di conoscenza che definisce internamente cosa conta come entità?
Federico Fancinelli: Dobbiamo distinguere tra il termine tecnico "entità", quella mappabile su un knowledge graph, e il concetto più ampio: lo spazio che occupi nel tuo mercato, ciò che rappresenti sul web nel suo complesso. È questa la seconda entità che devi definire per essere prima riconosciuto, e poi posizionato.
Quello che la ricerca ha trovato — non è un'opinione, sono dati — è che nel definire cosa sei entrano in gioco tre livelli: infrastruttura, narrativa e autorità. Non sono solo le menzioni esterne. È la combinazione di segnali esterni e di ciò che dici di te stesso sui tuoi canali. Il riconoscimento dell'entità per gli LLM non nasce da un'unica fonte: è una combinazione di fattori che forma l'idea della tua entità nel loro "grounding", e da quel grounding generano una risposta.
Se sei coerente su tutti questi nodi, hai una probabilità molto più alta di comparire come brand suggerito nei risultati di ricerca AI. Se quello che dici sul sito contraddice la tua pagina LinkedIn, o si discosta fortemente da quello che dicono le recensioni, quella discrepanza penalizza pesantemente il brand. La coerenza è una delle chiavi nella formazione dell'entità. Se sei coerente su tutti i canali rilevanti per il tuo business, hai una reale possibilità di posizionarti nei risultati.
La coerenza tra i livelli da cui attingono gli LLM
Jeremy Rivera: Quella coerenza viene verificata in tempo reale — attraverso un processo di query fan-out in cui l'LLM lancia ricerche live e ne estrae informazioni — oppure è una coerenza incorporata nei dati di addestramento del modello? O una combinazione delle due?
Federico Fancinelli: Dipende dal prompt. È uno dei nostri risultati chiave. Se il prompt è generico, l'LLM di solito attinge dallo strato più alto: i dati di addestramento che già possiede, come una cache. È più facile da recuperare, e gli LLM devono essere efficienti dal punto di vista economico, quindi tendono a usare il pool più immediatamente disponibile. Ma se costruisci un prompt più lungo, dettagliato e strutturato, il modello — a seconda di quale sia — tende ad andare più a fondo in altri pool di fonti: tier A, tier B.
Il tier A è di solito qualcosa come Wikipedia, Reddit, Forbes. Il tier B è più di nicchia — il tuo settore specifico, oppure, se sei un'attività locale, i repository rilevanti per la tua zona. Quindi, assumendo un prompt profondo e strutturato, serve coerenza su tutti questi livelli. Questa è la chiave.
Ogni LLM è una bestia diversa
Jeremy Rivera: C'è una differenza reale tra le AI Overview di Google e gli altri strumenti LLM — ChatGPT, Perplexity, Grok, Claude — oppure il vantaggio di Google è solo quello di avere un motore di ricerca dominante sopra lo stesso identico processo?
Federico Fancinelli: Non è assolutamente lo stesso processo. Ogni LLM ha una propria metodologia per reperire le informazioni che usa per generare le risposte — e le differenze sono sensibili. Anche dentro l'ecosistema Google ci sono tre sistemi diversi: AI Overviews, Gemini, e Google AI Mode. AI Overviews e Gemini si comportano in modo simile nelle nostre analisi, perché le AI Overview usano in parte il motore Gemini. Google AI Mode è una bestia diversa — combina i risultati di ricerca tradizionali con il motore Gemini, quindi si sovrappone di più ai ranking classici di Google che a Gemini o alle AI Overview da sole.
Uscendo dall'ecosistema Google — Anthropic, Perplexity — si entra in un mondo completamente diverso, con un ragionamento diverso e un'interpretazione delle fonti diversa. Abbiamo un grande dataset sui nostri clienti, e vediamo costantemente brand presenti nell'ecosistema OpenAI ma assenti da Claude o Gemini. Ottimizzare per un LLM non garantisce lo stesso posizionamento su tutti gli altri. Sono davvero diversi nel modo in cui cercano le informazioni.
Dall'analisi delle keyword all'analisi dei prompt
Jeremy Rivera: Ho visto statistiche secondo cui, per lo stesso prompt, si ottiene una risposta diversa fino all'80% delle volte, a seconda dell'utente o della sessione. Come si costruisce una ricerca affidabile su una varianza del genere?
Federico Fancinelli: Grande sfida. In pratica si tratta di passare dall'analisi delle keyword all'analisi dei prompt — anche un piccolo cambiamento nella formulazione di un prompt può produrre una risposta molto diversa. Quello che ci ha aiutato è stato passare dalla quantità alla qualità strategica. Ci siamo ispirati alla SEO classica: keyword branded, keyword long-tail, keyword generiche — e abbiamo tradotto questo concetto in categorie di prompt. Abbiamo analizzato decine di milioni di prompt, e quello che abbiamo visto è che una volta monitorate le categorie giuste, il numero esatto di prompt diventa quasi irrilevante — il quadro si bilancia da solo.
Puoi monitorarne anche solo una manciata: un prompt branded ("Cosa puoi dirmi di [brand] e perché è il migliore?"), un prompt long-tail specifico per la tua nicchia, e un prompt legato all'intento, nemmeno relativo al prodotto — solo "Sto per lanciare qualcosa, cosa dovrei fare?". Mappa queste categorie strategiche e non conta se lanci dieci prompt o mille quasi identici. Curiosamente, se riduci il numero di prompt e li rendi più strategici, i risultati che mappi diventano più coerenti.
L'effetto osservatore e il "prompt poisoning"
Jeremy Rivera: C'è un concetto della fisica secondo cui le particelle si comportano diversamente se osservate o meno. Abbiamo visto qualcosa di simile nella SEO quando Google ha rimosso la possibilità di vedere 100 risultati contemporaneamente e gli strumenti di visibilità hanno registrato cali artificiali. Ci sono prove che gli LLM si adattino in base a quanto spesso — o come — vengono interrogati su un brand? Credo che Google o Microsoft abbiano accennato a qualcosa come "prompt poisoning".
Federico Fancinelli: Ora entriamo un po' nel territorio della GEO black-hat. In realtà è molto rilevante rispetto a una delle nostre ultime scoperte. Stavamo costruendo uno strumento — non ancora pubblico — per misurare come si comportano i bot AI quando scansionano un sito. Nel farlo, abbiamo inavvertitamente fatto prompt poisoning sui modelli: abbiamo formulato prompt specifici su siti appena nati per testare il comportamento dei bot, e abbiamo tracciato tutto server-side con un pixel installato apposta per questo.
Quello che abbiamo visto è questo: se fai domande ripetutamente in un certo modo su tutti gli LLM, stai effettivamente influenzando le risposte. Ne abbiamo la prova — una prova matematica, e video che lo mostrano in tempo reale. Sembra però funzionare solo nella fase iniziale. Non siamo sicuri che funzioni una volta che un brand è già riconosciuto e mappato nel grounding o nei dati di addestramento dell'AI. Ma su un sito appena nato, fare prompt injection o "poisoning" sui vari LLM può produrre risultati molto rapidi. Non era una ricerca intenzionale, ma è successo.
Perché non ci si può fidare dei consigli di Google
Jeremy Rivera: Hai visto dichiarazioni pubbliche dei grandi player che sembrano più rumore di fondo per distrarre da quello che sta realmente succedendo?
Federico Fancinelli: Pensa al modello di business di Google: che incentivo ha Google a dire ai marketer esattamente come posizionarsi nel proprio sistema? Zero. Il loro modello di business dipende dal dare agli utenti la risposta più utile, perché è quello che tiene le persone sul sistema, ed è quello che vende gli annunci. Immagina Google come il direttore di una banca. Non ti direbbe mai dove sono posizionate le telecamere così puoi rapinare il caveau. Perché qualcuno dovrebbe fidarsi di quello che Google dice su come posizionarsi su Google?
Jeremy Rivera: Nemmeno io consiglierei di fidarsi di Google — per un decennio ci hanno detto che il comportamento sulla SERP non era un segnale di ranking, e poi la causa del DOJ del 2023 ha rivelato che era da sempre uno dei loro input principali. Sono bravissimi a dire cose tecnicamente vere e funzionalmente inutili per chiunque cerchi di ottimizzare contro di loro.
Federico Fancinelli: Un colosso come Google non si muove mai senza un'intenzione. Se rilasciano informazioni su come funziona il loro sistema di ranking — la cosa che dovrebbero proteggere di più — c'è un motivo. Credo sia il controllo della narrazione. Con la crescente rilevanza degli LLM, Google è più incentivato a controllare la narrazione sulla ricerca, perché chi controlla la narrazione controlla il comportamento — e il comportamento che vogliono è che le persone restino su Google, così continuano a vendere annunci. Rilasciare più informazioni su come "posizionarsi" nei risultati generativi permette loro di plasmare cosa viene considerato rilevante, e anticipa il rischio che un player indipendente — una GeoSonar, una startup italiana nata dal nulla — capisca i veri parametri di ranking e crei loro problemi reali.
I SEO come cortigiani alla corte dell'AI
Jeremy Rivera: Mi piace un'analogia: i SEO erano cortigiani alla corte di un solo re — Google, con Bing in un angolo. Ora c'è un'intera corte: ChatGPT, Anthropic, Copilot. Si sussurra a più giocatori nella stanza, cercando di costruire connessioni e far riconoscere il proprio "patrono".
Federico Fancinelli: Un'oligarchia. È una bella analogia. E non pensi che il re stia iniziando a essere un po' geloso dei sovrani emergenti?
Jeremy Rivera: Assolutamente sì — e penso sia fantastico. Mi piace questo scenario più aperto, da far west, perché la competizione genera innovazione.
Dai featured snippet alle risposte AI dipendenti dal contesto
Jeremy Rivera: L'ottimizzazione classica dei featured snippet puntava sulla diversità delle query — sottotitoli che rispondevano direttamente a una domanda, uno snippet subito dopo, e più formati di risposta (immagine, video, tabella, elenco puntato) sotto lo stesso H2 per aumentare le probabilità di essere selezionati. C'è qualcosa di simile nel modo in cui gli LLM scelgono tra formati di risposta diversi?
Federico Fancinelli: Assolutamente sì — e le risposte AI sono molto più dipendenti dal contesto rispetto alla ricerca classica. Gli LLM tendono a preferire contenuti più specifici — anche più di quanto facessero i featured snippet. Se qualcuno cerca ispirazione per ristrutturare la cucina e vuole immagini di top colorati, il processo di reperimento dell'AI cerca specificamente contenuti ricchi di immagini e coerenti in tutto l'ecosistema — non solo un sito, ma il tuo sito, il tuo LinkedIn, tutti i tuoi canali — e premia la fonte visivamente più coerente. È molto dipendente dal contesto e dal tipo di formato.
Commercio agentico: parlare la lingua delle macchine
Jeremy Rivera: A livello enterprise iniziamo a vedere agenti dotati di "portafoglio" che acquistano per conto degli utenti da fornitori predisposti a transare con loro. Essere "agent-ready" — con strumenti e-commerce con cui i bot possono transare — dà a un brand un vantaggio competitivo nell'essere riconosciuto e suggerito per le query di acquisto?
Federico Fancinelli: Assolutamente sì — ci siamo concentrati su questo quando abbiamo costruito il ramo e-commerce del nostro strumento. In sintesi: se il tuo sito parla la lingua delle macchine, ti preferiscono. Se un agente può transare con te nella sua stessa lingua, è più probabile che ti scelga — ancora prima che entri in gioco la qualità del prodotto, perché c'è meno barriera linguistica. È come un'autostrada vuota: più probabile che venga percorsa. Questo divario si chiuderà in fretta quando tutti lo faranno, ma ora c'è una vera opportunità per i brand e-commerce di posizionarsi in anticipo.
Perché l'MCP è ormai indispensabile
Jeremy Rivera: Da proprietario di una SaaS, bisogna semplicemente accettare che qualcosa come l'MCP sia ormai indispensabile? E ti aspetti che strutture MCP basate su knowledge base diventino standard sul front-end dei siti, sia per umani che per bot?
Federico Fancinelli: L'MCP diventerà obbligatorio per le SaaS, se non lo è già di fatto. Noi lo abbiamo implementato perché non credo in un mondo in cui non poter fare domande direttamente a uno strumento sia sostenibile per un servizio web. Le connessioni API, e l'MCP in particolare — non è qualcosa che ti puoi permettere di non avere. È fondamentale, ormai. Invece di aprire un'app, andare nella sezione giusta e analizzare i dati, fai semplicemente una domanda.
Il finale di speranza: la SEO vive dentro la GEO
Federico Fancinelli: Voglio chiudere con un messaggio di speranza. Anche i piccoli possono competere se i fondamentali sono a posto. La coerenza è la chiave: organizza correttamente i tuoi tre pilastri — infrastruttura, narrativa, autorità — e hai un vantaggio reale sui concorrenti più piccoli e una vera possibilità di competere con i più grandi, perché pochissimi brand lo stanno ancora facendo bene. Non serve nemmeno spingersi nel gray-hat o nel black-hat: basta attenersi ai principi reali per essere in una posizione forte.
Jeremy Rivera: Prima immaginavo SEO e GEO come due cerchi sovrapposti in un diagramma di Venn, ma ho cambiato idea — penso che la SEO sia al centro, e la GEO la avvolga interamente. Tutto quello che facciamo in SEO è incluso, e poi c'è dell'altro. È corretto?
Federico Fancinelli: Esattamente — perfetto. Nel suo nucleo resta la stessa disciplina: aiutare un brand a farsi trovare online. Quello che è cambiato non è il nome né la disciplina, è il canale — non è più solo la pagina dei risultati di Google, sono le risposte generate dagli LLM o da Google stesso in AI Mode. Prima c'era solo il sito web; ora c'è l'intero ecosistema. Il sito è una parte di ciò che devi ottimizzare, ma esiste un sistema esterno molto più ampio di cui devi occuparti prima di essere riconosciuto come entità e suggerito in questi risultati.
Jeremy Rivera: Anche la reputazione conta più che mai — gli LLM sembrano "portare rancore" per segnali negativi ripetuti in un modo che la ricerca classica non faceva.
Federico Fancinelli: I brand devono stare attenti. Nella vecchia era SEO potevi semplicemente pubblicare un'altra pagina. Ora, è la tua intera reputazione a essere in gioco ogni volta che commetti un errore, proprio per il riconoscimento dell'entità al posto di quello della pagina. Una recensione negativa ricorrente è molto più difficile da mitigare rispetto a prima — macchia la reputazione.
[Button CTA] Vuoi scoprire come il tuo brand si posiziona come entità su ChatGPT, Gemini e Google AI Mode? Prova GeoSonar
Form finale
Vuoi ricevere altre ricerche come questa, direttamente dalla GEO Academy?
Nome
Email
CTA: Attiva gli aggiornamenti GEO Academy