Ogni epoca ha avuto il suo linguaggio visivo. La nostra ha un nuovo intermediario: modelli generativi che confezionano risposte, citano fonti (quando va bene) e spesso chiudono il ciclo informativo senza passare dalla pagina. Non più solo SERP, ma overview che condensano, selezionano, attribuiscono. È la grammatica dell’Answer Economy: meno click, più sintesi. Google l’ha portata al grande pubblico con AI Overviews (e l’AI Mode conversazionale); nel frattempo Perplexity, ChatGPT con browse e Gemini hanno normalizzato l’idea che la “pagina” sia un optional. Per i brand la conseguenza è brutale: o sei dentro la risposta, o sei fuori dal frame. E se sei fuori, non esisti. Le metriche della vecchia SEO non bastano più: serve un metodo, e serve misurare bene. Qui proponiamo un modello operativo “alla Team99”.
1) Cosa stiamo davvero misurando (e perché cambia il gioco)
Nel dibattito internazionale si parla di Generative Engine Optimization (GEO): non l’ennesimo trucco per posizionarsi, ma un quadro per aumentare la probabilità che i tuoi contenuti vengano citati dentro risposte generative. Tradotto: non si ottimizzano solo keyword, ma entità, evidenze e contesto. La presentazione, lo stile e la struttura della pagina incidono sulla possibilità di essere riportati come fonte.
Sul fronte Google, le guide per i proprietari di siti chiariscono che AI Overviews e AI Mode combinano modelli generativi, Search e Knowledge Graph per offrire “istantanee” con link di approfondimento. In altre parole, è l’AI a decidere chi portare in scena e con che ruolo; il nostro lavoro è capire come entrarci con prove verificabili.
Quanto “spazio AI” c’è oggi in SERP? Le analisi pubbliche recenti mostrano percentuali diverse a seconda di nicchia e intento, ma convergono su un dato: le esperienze AI sono diventate strutturali nell’esperienza di ricerca. Non serve fissarsi su un numero “magico”; serve misurare la tendenza nella propria categoria.
2) Le metriche che contano (e quelle da archiviare)
Per misurare la “visibilità AI” bisogna spostarsi da metriche di classifica a metriche di risposta. Set minimo consigliato:
Copertura di intenti (Intent Coverage)
Percentuale di cluster di domande in cui il brand compare nella risposta o fra le fonti citate. È la metrica madre: senza copertura, il resto è cosmetica.
Share of Answer (SoA)
Quota di risposte in cui il brand è citato o linkato sul totale delle risposte del panel, per motore e scenario (informazionale, comparativo, transazionale).
Tipo di attribuzione
- Citazione con link
- Menzione senza link
- Parafrasi (contenuto usato ma brand assente)
La #1 muove traffico; la #2 costruisce authoritativeness; la #3 è un campanello d’allarme.
Depth & Positioning
Dove appari: introduzione della risposta, riquadro “fonti”, follow-up? Nelle Overviews la posizione conta quasi quanto la presenza.
Coerenza cross-motore
Stessa query, esiti diversi su Perplexity, Gemini, Google? Misura dispersione e stabilità: i motori non sono intercambiabili.
Freshness & Volatilità
Quanto durano le citazioni? Qual è la latenza tra pubblicare una prova (studio, dataset, whitepaper) e la sua comparsa nelle risposte?
Sopra a queste mettiamo le metriche di business: impatto su branded search, lead “assistiti” dalle risposte AI, variazioni di conversione sui percorsi zero-click (dove l’utente si ferma alla risposta e poi va diretto al brand).
3) Il laboratorio di misurazione (come non mentirsi addosso)
Gli strumenti emergenti sono utili, ma da soli non bastano: serve protocollo e servono pannelli di prompt curati. Metodo Team99 in 6 mosse:
Cartografia degli intenti
Partiamo dagli use case, non dalle keyword: domande di categoria, confronti, “come si fa”, metriche e standard. Clusterizziamo con embeddings, verifichiamo a mano.
Prompt panels versionati
Per ogni cluster, 10–20 prompt rappresentativi (livelli di competenza, localizzazioni, varianti di tono). I panel sono versionati per confrontabilità nel tempo.
Osservatorio multi-motore
Eseguiamo i panel su: Google (AI Overviews + AI Mode), Perplexity (modalità Focus/Pro quando utile), Gemini/ChatGPT con browsing. Logghiamo presenza/assenza, citazioni/URL, posizione, co-occorrenze competitor, follow-up suggeriti.
Normalizzazione & scoring
Calcoliamo SoA, Coverage, Depth, e un Citation Quality Score (link + ancore + prossimità semantica al claim). Pesi diversi per motore in base all’adozione nel nostro target.
Audit di entità & prove
Allineiamo canonicità del brand (nomi, persone, prodotti), schema.org, pagine “About/Evidence”, whitepaper e dataset puliti. Gli LLM premiano evidenze verificabili e fonti terze autorevoli.
Attribution light
Correlazioni tra esposizione nelle risposte e segnali di domanda (navigazioni dirette, branded queries, micro-conversioni). È imperfetto, ma meglio di niente.
4) Cosa dicono (davvero) i dati su Overviews, CTR e volatilità
Negli ultimi mesi sono uscite analisi su ampi set di keyword. I takeaway robusti, al netto delle differenze di campione:
- Quota di query con Overviews: si osservano percentuali in doppia cifra, con forti variazioni per nicchia, intento e periodo.
- CTR in calo dove compaiono Overviews: i click organici diminuiscono sensibilmente quando c’è una risposta AI; si nota una contrazione anche su query senza Overviews, segno che gli utenti cliccano meno in generale.
- Volatilità: la composizione delle Overviews cambia spesso; in alcune verticali la stabilità mensile delle stesse fonti è bassa.
- Implicazione: misurare una volta non basta. Servono panel mensili e “prompt sentinella” per intercettare variazioni.
5) Strumenti utili (senza farsi illusioni)
Toolkit di visibilità AI
Le principali suite SEO hanno introdotto moduli per stimare quanto un brand “entra” nelle risposte AI e per tracciare le Overviews. Utili per trend e benchmark, non sostituiscono un laboratorio con panel controllati.
Perplexity tracking
Soluzioni verticali e script interni aiutano a vedere quando e perché vieni citato, con quali competitor e che tipo di link ottieni. Ottimo per capire se le tue prove sono abbastanza forti da meritare attribuzioni linkate.
Documentazione e linee guida
Seguire le indicazioni ufficiali evita derive fantasiose: l’inclusione non si chiede, si guadagna con contenuti utili, affidabili e strutturati.
6) Il metodo Team99: allenare l’autorevolezza per i motori generativi
a) Hardening dell’entità
Consolidiamo identità e segnali del brand in rete (nomi, persone chiave, repo, brevetti, dataset). Ridurre ambiguità semantiche aiuta i modelli a riconoscerti.
b) Packaging delle prove
I motori generativi premiano evidenze digeribili: report con numeri verificabili, tabelle, dataset (CSV/Parquet), pagine “How we know” con riferimenti incrociati. I PDF vanno bene se puliti e strutturati; ancora meglio se accompagnati da dati machine-readable.
c) Superficie di citazione
Aumentiamo i “punti di presa” del modello: glossari di categoria, studi comparativi, FAQ tecniche, esempi d’uso concreti. Pubblicati on-site e su terze parti autorevoli (riviste, conferenze, community tecniche).
d) Seeding & community
I modelli pescano da documentazione, Q&A, paper, repository, community con moderazione. Scegliere bene dove seminare evita rumore e citazioni spurie.
e) Continuous evaluation
Mensile: riesecuzione panel, aggiornamento score, regression test su 10 prompt “sentinella”. Se scende il Citation Quality Score, anticipiamo il calo prima che si veda nelle vendite.
7) Checklist operativa “pronta all’uso”
- Mappa gli intent critici e costruisci 100–200 prompt sentinella.
- Esegui i panel su 3–4 motori (Google AIO/AI Mode, Perplexity, Gemini/ChatGPT con browse) e logga citazioni, link, posizione.
- Calcola SoA, Coverage, Citation Quality Score.
- Fai un audit entità e un audit evidenze: cosa puoi pubblicare domani che un LLM rispetterebbe come fonte?
- Pubblica prove riusabili (dataset, PDF tecnici, tabelle) e seminale su luoghi ad alta fiducia.
- Riesegui ogni 30 giorni. Accetta la volatilità: è una proprietà del sistema, non un bug.
8) Governance: misurare con il contenzioso sullo sfondo
Si moltiplicano contestazioni e reclami di editori e piattaforme: la tesi è che le sintesi AI riducano i click e spostino valore; la contro-tesi sostiene che si ampli la varietà di siti che ricevono visite. Il quadro resta aperto; per i brand la morale è chiara: diventare fonte (non solo “posizionarsi”) e diversificare i canali proprietari.
9) Cosa impariamo
- La metrica principe è la citazione qualificata, non la posizione in SERP. L’obiettivo è diventare fonte dentro le risposte.
- L’“area AI” in SERP esiste e conta, con percentuali diverse per intenti e tempo; misurare per nicchia evita falsi miti (o panico gratuito).
- Gli strumenti aiutano, ma senza protocollo e pagine-prova (report, dataset, FAQ) i numeri sono decorazione.
