Aeo e geo: come l’ai sta riscrivendo le regole del seo

Dietro AEO e GEO non c’è solo marketing, ma una ristrutturazione fondamentale di come le informazioni vengono processate, indicizzate e rigurgitate dalle macchine

Se c’è una cosa che gli ultimi tre anni ci hanno insegnato, è che l’interfaccia a riga di comando del mondo non è più una barra di ricerca che restituisce dieci link blu.

È una finestra di chat che restituisce risposte, spesso confezionate con una sicurezza disarmante.

Fino a ieri, il patto implicito tra webmaster e motori di ricerca era semplice: io ti do contenuti strutturati, tu mi dai traffico. Oggi, quel contratto è stato rescisso unilateralmente.

Con l’avvento degli ecosistemi guidati dagli LLM (Large Language Models), il concetto di “posizionamento” è diventato obsoleto, sostituito da quello di “inclusione semantica”. Non stiamo più cercando di apparire nella prima pagina; stiamo cercando di entrare nei parametri (i weights) del modello o nel suo contesto attivo.

A confermare questo cambio di paradigma non è un paper accademico oscuro, ma Microsoft Advertising, che ha pubblicato una guida tecnica che segna il confine netto tra la vecchia SEO e i nuovi paradigmi di ottimizzazione per l’intelligenza artificiale.

Siamo di fronte alla formalizzazione di due acronimi che circolavano nelle chat dei developer da mesi: AEO (Answer Engine Optimization) e GEO (Generative Engine Optimization).

Dietro queste sigle non c’è solo marketing, ma una ristrutturazione fondamentale di come le informazioni vengono processate, indicizzate e rigurgitate dalle macchine. Se la SEO era l’arte di farsi trovare, AEO e GEO sono l’ingegneria del farsi capire e raccomandare da un algoritmo che non clicca sui link, ma li legge per imparare.

Non più link, ma risposte

Per capire la portata del cambiamento, bisogna guardare sotto il cofano di un motore di ricerca moderno. La vecchia indicizzazione basata su crawler e parole chiave invertite è ormai un retaggio storico.

Oggi, quando un utente interroga Copilot o un agente AI, non avviene una semplice query al database; avviene un processo di inferenza. L’AI deve disambiguare l’intento, recuperare dati frammentati e assemblarli in una risposta coerente.

Qui entra in gioco l’AEO. Microsoft definisce l’Answer Engine Optimization come la pratica di ottimizzare i contenuti affinché gli agenti AI possano “spiegarli” chiaramente.

Non basta più avere la parola chiave nel tag <title>. Il contenuto deve essere strutturato in modo che un LLM possa estrarne entità, relazioni e fatti senza allucinare.

È una questione di pulizia del codice e di semantica: JSON-LD, Schema.org e API ben documentate diventano più importanti del copy creativo.

La GEO, invece, lavora a un livello superiore: la fiducia. Se l’AEO assicura che l’AI capisca cosa vendi, la GEO serve a convincere l’AI che il tuo prodotto è la migliore risposta possibile.

La SEO aiuta il prodotto a essere trovato. L’AEO aiuta l’AI a spiegarlo chiaramente. La GEO aiuta l’AI a fidarsi di esso e a raccomandarlo.

— Product Marketing Team, Microsoft Advertising

Il rischio tecnico qui è evidente: stiamo ottimizzando per una “black box”. A differenza dell’algoritmo di Google del 2010, che aveva regole vagamente intuibili, un LLM è un sistema probabilistico.

Ottimizzare per la GEO significa inserire segnali di autorità (recensioni verificate, citazioni, dati aggiornati in tempo reale) che aumentino la probabilità statistica che il token successivo generato dal modello sia il nome del vostro brand.

Ma c’è un problema di fondo: se l’AI risponde perfettamente all’utente, perché l’utente dovrebbe visitare il vostro sito?

L’architettura invisibile dell’influenza

La guida rilasciata da Redmond è sorprendentemente onesta su come funziona questo nuovo stack tecnologico. Non si tratta solo di scansionare pagine HTML statiche.

Per essere visibili in un browser AI o in un assistente vocale, i dati devono fluire attraverso canali specifici e ad alta velocità. Il vecchio crawler che passava una volta a settimana è inutile per un’offerta che scade tra un’ora.

La documentazione tecnica identifica tre percorsi dati fondamentali che alimentano gli agenti AI: i dati scansionati (il web classico), i feed di prodotti (dati strutturati inviati attivamente) e i dati “live” o offsite.

L’enfasi sui feed e sulle API è cruciale. Per uno sviluppatore, questo significa che il sito web frontend diventa quasi secondario rispetto alla qualità del backend e delle pipeline di dati.

Se il vostro feed XML dei prodotti è sporco o incompleto, l’AI vi ignorerà perché per essa rappresentate un’informazione a bassa affidabilità (high entropy).

L’implicazione è che le aziende devono smettere di trattare i dati come un sottoprodotto e iniziare a trattarli come l’asset principale.

Non è un lavoro che può fare il reparto marketing da solo; serve un allineamento brutale tra ingegneria, data science e business.

Questo cambiamento impatta ogni parte dell’organizzazione. I team di marketing devono ripensare la differenziazione del brand, i team di crescita devono adattarsi ai percorsi guidati dall’AI, i team ecommerce devono misurare il successo diversamente, i team dati devono far emergere segnali più ricchi e i team di ingegneria devono garantire che i sistemi siano leggibili dall’AI e affidabili.

— Product Marketing Team, Microsoft Advertising

Questo passaggio “dalla scoperta all’influenza” nasconde però una trappola per i piccoli player.

Mantenere feed di dati in tempo reale, implementare markup semantici complessi e garantire API performanti richiede risorse tecniche che un piccolo e-commerce potrebbe non avere.

Stiamo inavvertitamente costruendo un web a due velocità, dove solo chi può permettersi infrastrutture “AI-ready” viene raccomandato dagli oracoli digitali?

La moneta di scambio è la fiducia

C’è un aspetto della GEO che merita una riflessione critica: la gestione della reputazione.

In un motore di ricerca classico, un risultato organico negativo era visibile ma contestualizzato. In una risposta generativa, l’AI tende a sintetizzare il “sentiment”.

Se la GEO si basa sulla credibilità per generare raccomandazioni, come si gestisce il dissenso o la critica?

Microsoft suggerisce che le recensioni e i segnali sociali sono carburante per la GEO. Tecnicamente, questo ha senso: gli LLM sono addestrati su enormi corpus di testo e associano brand a aggettivi basandosi sulla frequenza e contiguità semantica.

Tuttavia, questo apre la porta a nuove forme di “black hat GEO”: inondare il web di contenuti sintetici positivi per alterare i pesi probabilistici del modello. È una corsa agli armamenti: da una parte gli ingegneri dei motori di ricerca che cercano di filtrare il rumore, dall’altra chi cerca di iniettare bias positivi nel modello.

Analisti indipendenti hanno notato che un documento di 16 pagine che descrive strategie di ottimizzazione per sistemi così opachi è solo la punta dell’iceberg.

La realtà è che le piattaforme stanno chiedendo ai creatori di contenuti di fare il lavoro sporco: strutturare i dati gratuitamente per addestrare i loro modelli, in cambio di una visibilità sempre più mediata e sempre meno garantita.

La distinzione tra SEO, AEO e GEO non è solo semantica, è funzionale.

La SEO portava traffico. L’AEO fornisce risposte (spesso trattenendo l’utente sulla piattaforma). La GEO costruisce preferenze. Per chi sviluppa tecnologia, la sfida è affascinante: come rendere i propri dati così inequivocabili e autorevoli da “costringere” matematicamente un modello probabilistico a citarli?

Ma guardando il quadro generale, emerge una contraddizione inquietante.

Abbiamo costruito un’infrastruttura web decentralizzata e resiliente, basata su hyperlink e navigazione libera. Ora la stiamo riconfezionando per servire un pugno di “motori di risposta” centralizzati che decidono cosa è vero, cosa è rilevante e cosa merita di essere acquistato.

Se l’ottimizzazione perfetta significa che l’utente non ha più bisogno di visitare il vostro sito perché l’AI ha già fatto tutto, qual è il modello di business che rimane in piedi per i creatori originali dei contenuti?