Le regole del digitale stanno cambiando.
O sei visibile o sei fuori. Noi ti aiutiamo a raggiungere i clienti giusti — quando ti stanno cercando.
Contattaci ora
Il modello supera 82.000 concetti, ma il sistema a due stadi di Google ha un vincolo
Google DeepMind ha dimostrato che un modello generativo da sette miliardi di parametri può ordinare un numero arbitrario di documenti, mentre il classico sistema a due stadi impone una crescita lineare degli embedding. Il risultato conta perché mette in discussione l'architettura del ranking, ma resta una prova di principio su dati limitati, non un prodotto.
Un modello da 7 miliardi di parametri, fine-tuned su Mistral-7B, ha dimostrato di poter ordinare un numero arbitrario di documenti, mentre il sistema a due stadi che regge Google Search da anni ha un limite matematico: la dimensione dell’embedding deve crescere linearmente con i documenti. Non è un annuncio di prodotto, ma il dettaglio tecnico che, come riportato nei giorni scorsi da Search Engine Journal, sta facendo discutere chi vive di ranking. Il documento è stato pubblicato a gennaio 2026 da Google DeepMind e tocca il cuore di Google Search: come si ordina la lista dei risultati.
Il limite matematico dei dual encoder
Il risultato tecnico è questo: la dimensione di embedding di un dual encoder deve crescere linearmente con il numero di documenti per poter esprimere ogni possibile ranking di quei documenti. Un modello autoregressivo con dimensione nascosta fissa, invece, può classificare un numero arbitrario di documenti. Detto senza gergo: il sistema a due stadi che da anni fa la prima scrematura dei risultati trasforma query e pagine in vettori numerici, gli embedding, e poi li confronta. Più pagine deve ordinare, più grande deve diventare lo spazio in cui li rappresenta. Il modello generativo non ha questo vincolo. Per un motore di ricerca con miliardi di pagine indicizzate, la differenza non è un dettaglio.
Il team ha scelto una strada prudente. Ha fine-tuned Mistral-7B, non un modello di frontiera: sette miliardi di parametri, una dimensione da laboratorio più che da produzione. Il ranking è stato fatto in-context, cioè con gli identificativi dei documenti candidati inseriti nel prompt, lasciando che il modello scegliesse tra quelli. Tecnicamente è un reranking, non un retrieval da un corpus aperto. Siamo davanti a una dimostrazione di principio, non a un sistema pronto per la produzione.
I numeri, per chi vuole fare il confronto: la valutazione su WordNet ha riguardato circa 82.000 concetti nominali, mentre quella sulla ricerca shopping si è fermata a 310 esempi. Poco, per gli standard di un motore di ricerca globale. Abbastanza, però, per dimostrare il punto matematico. Ma come si traduce questo risultato in un sistema di ricerca reale? E perché il team ha usato un modello da 7B, non un modello di frontiera?
Non un prodotto, ma un cambio di approccio: il DSI
La risposta arriva dal contesto. Non si parla di un aggiornamento dell’algoritmo, ma di un cambio di approccio chiamato Differentiable Search Index (DSI). L’idea, introdotta in un paper accademico che presenta il Differentiable Search Index, è un modello text-to-text che apprende a mappare direttamente le query stringa in identificativi di documento rilevanti. Un modello DSI risponde alle query direttamente usando solo i propri parametri, semplificando drasticamente l’intero processo di retrieval. E va ricordato che si tratta di una proposta di ricerca, non la roadmap di un prodotto o servizio Google. Ridimensionare le aspettative è il primo passo per leggere bene la notizia.
Cosa cambia per la SEO, e per chi ci lavora
Ed è qui che il discorso si sposta dal laboratorio alla pratica quotidiana. Sostituire il sistema di ranking a due stadi con un singolo LLM che produce la lista ordinata dei documenti sarebbe un cambiamento piuttosto radicale, come riportato da Search Engine Journal nel suo approfondimento sul modello DeepMind. E per il settore SEO/AEO le implicazioni sarebbero profonde. Con un solo modello che decide l’ordine dei risultati, l’ottimizzazione non passerebbe più dalla posizione in un indice, ma dalla capacità di capire come un modello generativo sceglie e ordina.
Chi lavora sulla SEO, però, non deve riscrivere nulla domani. La documentazione ufficiale di Google Search Central, che copre AI Overviews e AI Mode, è esplicita: le best practice SEO restano rilevanti perché le funzionalità di AI generativa di Google Search si basano sui sistemi core di ranking e qualità di Search. Tradotto: finché le risposte generate si appoggiano al ranking tradizionale, l’ottimizzazione di base non sparisce. Se il DSI resta un’ipotesi di ricerca, perché le best practice SEO continuano a essere rilevanti? La risposta sta nel modo in cui Google costruisce le sue funzionalità AI: non come motori separati, ma come strati applicati ai sistemi di ranking già esistenti.
Chi fa impresa online non deve riscrivere la strategia domani, ma deve capire che il ranking non è più un’infrastruttura stabile: è materia di ricerca. Monitorare i paper di Google DeepMind e la documentazione Search Central è il nuovo minimo sindacale.
