Quando un utente chiede 'consigliami il miglior commercialista a Torino per una startup', l'AI cerca contenuti che rispondono esattamente a quel pattern. Se le tue pagine descrivono cosa fai ma non aiutano a scegliere, non compari per queste query ad alto valore commerciale. Ti spiego come costruire pagine che matchano i pattern di selezione.
“Consigliami il miglior commercialista a Torino per una startup.” Questa frase non è una ricerca su Google. È un’istruzione. L’utente sa cosa vuole, sa dove si trova, sa in che contesto opera — e sta delegando la selezione all’AI. Il modello non restituirà dieci risultati da esplorare. Darà una risposta. Una sola. Con un nome, o con criteri specifici per scegliere.
Se il tuo contenuto non è costruito per matchare quel pattern — servizio preciso, contesto geografico, esigenza specifica — non compari. E non è una questione di ranking. È una questione di architettura linguistica: il modello cerca fonti che rispondono all’istruzione alla lettera. Non fonti che parlano genericamente dell’argomento.
Questa è la meccanica dell’Instruction Following, ed è il punto in cui la maggior parte delle strategie di contenuto fallisce senza saperlo.
Il meccanismo: perché il modello segue l’istruzione alla lettera
L’Instruction Following non è un comportamento emergente casuale dei modelli linguistici. È il risultato diretto di come vengono addestrati. La ricerca moderna distingue tre paradigmi: il pretraining standard, il fine-tuning su task specifici e il prompting. L’instruction tuning occupa uno spazio distinto da tutti e tre.
Come documentano Zhao et al. (2024), “Fig provides a comparison of instruction tuning with pretrain–finetune and prompting” — e la differenza è sostanziale. (A Survey of Large Language Models) L’instruction tuning ottimizza il modello non per completare un testo né per rispondere a un prompt generico, ma per interpretare ed eseguire istruzioni composite. L’utente non sta cercando — sta chiedendo al modello di fare una cosa precisa.
Questo cambia tutto. Quando un modello addestrato con instruction tuning riceve “consigliami il miglior X per Y”, scompone l’istruzione in vincoli distinti: il tipo di azione richiesta (raccomandazione, non elenco), la categoria di oggetto (X), il contesto di applicazione (Y). Poi cerca fonti che soddisfano tutti i vincoli simultaneamente. Un contenuto che tratta X ma non nel contesto Y non supera il filtro. Un contenuto che elenca opzioni invece di selezionare “il miglior” non corrisponde all’azione richiesta.
Da questo segue che la granularità con cui scrivi il tuo contenuto è direttamente proporzionale alla probabilità che il modello lo usi come fonte per quel tipo di query. Non è una deduzione speculativa: è la conseguenza diretta del meccanismo di addestramento.
Come vengono valutate le istruzioni: il ruolo del reward
C’è un aspetto del processo che raramente viene spiegato fuori dai paper tecnici, e che cambia il modo in cui devi pensare alla struttura dei tuoi contenuti.
I modelli non vengono addestrati a seguire le istruzioni su un campione fisso di comandi. Il processo è dinamico. Zhang et al. (2025) documentano l’approccio sviluppato da Honovich et al., dove “reward-driven evaluations” vengono usate per valutare istruzioni generate automaticamente. (Instruction Following Survey) In pratica: il sistema impara a misurare quanto bene una risposta esegue l’istruzione originale, e usa questo segnale per migliorare il comportamento futuro.
Il punto critico è che questa valutazione è calibrata sulla fedeltà all’istruzione, non sulla qualità astratta della risposta. Un contenuto mediocre che matcha perfettamente il pattern dell’istruzione può battere un contenuto eccellente che non lo matcha. La domanda rilevante non è “ho un buon contenuto su X?” ma “ho un contenuto strutturato per rispondere a come gli utenti chiedono X all’AI?” La differenza è quella tra una pagina di servizi e una pagina che aiuta a scegliere.
L’ampiezza del problema di instruction following
Prima di pensare alla soluzione, è utile capire la dimensione della sfida. Beltagy et al. l’hanno documentata in modo diretto nel paper “How far can camels go? Exploring the state of instruction tuning” — citato da Zhao et al. (2024) (A Survey of Large Language Models) come punto di riferimento per capire i limiti dell’instruction following nei modelli attuali.
I modelli instruction-tuned performano meglio sui pattern visti più frequentemente durante l’addestramento — e le query commerciali ad alto valore (“miglior X per Y”, “confronta A e B per Z”, “consigliami X a Y”) sono tra i più ricorrenti nelle conversazioni reali. Il modello è stato ottimizzato esattamente per questi casi.
Da questo segue che costruire contenuti su questi pattern non è una forzatura artificiale. Stai allineando la struttura del tuo contenuto con i pattern su cui il modello eccelle. Non stai scrivendo per l’algoritmo — stai scrivendo in un formato che l’utente usa e che il modello sa gestire bene.
Le query ad alto intento che stai perdendo
Le query che seguono pattern di instruction following non sono generiche. Sono quasi sempre query con alto intento di conversione: l’utente ha già definito il problema, ha già ristretto il campo, sta cercando qualcuno che soddisfi vincoli precisi. “Qual è il miglior [servizio] per [esigenza]?”, “Confronta [A] e [B] per [contesto]”, “Consigliami [servizio] a [città] per [settore]” — ogni pattern richiede un tipo di contenuto diverso.
Una pagina di servizi standard non risponde a nessuno di questi pattern. Descrive cosa fai — non aiuta l’utente a scegliere. Questo è il problema strutturale di molti siti: hanno contenuto che risponde alla domanda “cosa fai?” ma non alla domanda “come faccio a scegliere il giusto per me?”. Il primo formato non matcha il pattern di istruzione. Il secondo sì.
Il nodo della deduzione: cosa il modello fa, e cosa il tuo contenuto deve permettergli di fare
Qui entra un elemento che vale la pena separare con precisione. L’AI non seleziona fonti passivamente — ragiona su di esse. Come ti ho spiegato negli articoli su Chain-of-Thought e Planning, il modello costruisce ragionamenti multi-step prima di formulare la risposta finale.
Quando riceve una query come “consigliami il miglior consulente per un ecommerce B2B a Milano”, il modello deduce: quali criteri distinguono un buon consulente per B2B da uno per B2C? Come influisce la localizzazione geografica? Cosa rende una scelta “migliore” in questo contesto?
Il tuo contenuto deve fornire i mattoni per questa deduzione. Non basta dire che lavori con ecommerce B2B a Milano. Devi fornire criteri espliciti che il modello può usare per costruire la raccomandazione: cosa rende il tuo approccio più adatto a quel contesto, quali problemi risolvi che altri non affrontano, come si misura il risultato in quel settore specifico.
Un contenuto che contiene criteri di selezione espliciti — “scegli X se hai bisogno di Y, considera Z se il tuo vincolo principale è W” — è costruttivamente più utile per il modello di un contenuto che afferma semplicemente “siamo esperti in ecommerce B2B”. Il primo alimenta il ragionamento deduttivo del modello. Il secondo è una dichiarazione che il modello non sa come usare.
Il collegamento tra instruction following e reasoning diventa ancora più critico guardando all’Hallucination: quando il modello non trova criteri espliciti, colma i vuoti con generalizzazioni. Fornire i criteri riduce questo rischio e aumenta la precisione con cui il modello ti rappresenta.
Come strutturare il contenuto per matchare il pattern
Il principio è semplice: ogni pagina che vuoi che compaia nelle query di instruction following deve essere costruita attorno a un pattern di istruzione specifico — non attorno a una descrizione di servizio.
Il primo passo è identificare i pattern reali. Pensa alle cinque domande che i tuoi potenziali clienti farebbero a ChatGPT quando sono pronti a scegliere — non quando stanno ancora esplorando. Non “cos’è il SEO”, ma “qual è il miglior consulente SEO per un ecommerce che fa 500k di fatturato”. La differenza è nella fase del buyer journey, e le query AI di instruction following sono quasi sempre nella fase di selezione.
Il secondo passo è costruire pagine che rispondono a quei pattern, non che li citano. Una pagina intitolata “Come scegliere il miglior consulente SEO per il tuo ecommerce” deve effettivamente fornire criteri di selezione, distinguere i casi d’uso, dare una raccomandazione esplicita per ogni profilo di cliente. Il pattern deve essere visibile nella struttura del contenuto, non solo nel titolo.
Per le query geografiche — “consigliami X a Y” — il contenuto deve contenere sia il servizio che la localizzazione in modo esplicito e contestualizzato, non solo come keyword. Se operi a Milano, non basta citare Milano una volta: il contenuto deve spiegare cosa cambia per un cliente di quel mercato specifico.
Per le query comparative — “confronta A e B per Z” — la pagina deve avere una struttura esplicitamente comparativa, con criteri, pro/contro e una raccomandazione netta. Il modello è addestrato a rispondere a richieste di confronto con strutture di confronto: se il tuo contenuto ha quella forma, il modello la riusa. Su come i modelli gestiscono gli strumenti di verifica locale in questi workflow, l’articolo su Tool Use approfondisce il meccanismo specifico.
Verifica pratica: dove sei oggi
Prima di cambiare qualcosa, fai questa verifica: prendi le tre query di instruction following più probabili per il tuo settore e testale su ChatGPT, Perplexity e Gemini. Non chiedere informazioni generiche — usa il pattern esatto che userebbe un tuo potenziale cliente pronto a scegliere.
Compari nella risposta? Con quale frequenza? Con quale posizione? Se non compari, analizza il contenuto che il modello cita: è strutturato come una raccomandazione? Contiene criteri espliciti? Ha il contesto geografico o di settore integrato nel corpo del testo?
Questo ti dice dove intervenire prima. Non su tutto il sito — sulle pagine che presidiano i pattern di istruzione a più alto valore commerciale per il tuo business.
L’AI segue le istruzioni alla lettera. Il tuo contenuto deve matchare quelle istruzioni con la stessa precisione. È il requisito minimo per comparire dove conta.
