SEO Confidential – La nostra intervista esclusiva a Jason Barnard, il pioniere di AEO e Brand SERP

Dalla Brand SERP all’Answer Engine Optimization, Jason Barnard ci racconta come sta cambiando la visibilità online e perché le aziende devono diventare fonti affidabili per i motori AI

Bentornata e bentornato a una nuova puntata di SEO Confidential, la rubrica in cui incontriamo i migliori esperti SEO e GEO del mondo e ci facciamo raccontare cosa funziona davvero.

Oggi abbiamo con noi uno che, quando dà un nome a una cosa, il settore ci mette qualche anno ad accorgersene: Jason Barnard.

Se ti occupi di ricerca online, il suo nome lo hai già sentito. Nel 2012 è stato il primo a parlare di Brand SERP. Nel 2017, quando quasi nessuno parlava di motori AI che rispondono invece di elencare link, ha coniato Answer Engine Optimization (AEO). Oggi quel termine lo usano tutti.

Jason è il fondatore e CEO di Kalicube, società di consulenza di Digital Brand Engineering che opera tra Francia e Stati Uniti. Dal 2015 ha raccolto 25 miliardi di dati su 73 milioni di profili di brand, e ha depositato 17 domande di brevetto INPI sui sistemi che “addestrano” i motori AI. Ha lavorato con Disney, Microsoft, Lagardère, ITV International, Orange, Yoast e SEMrush, solo per citarne alcuni.

Gli abbiamo chiesto, senza giri di parole, come si fa a farsi consigliare dall’AI al posto dei concorrenti. Abbiamo parlato di fiducia, di come tenere coerente l’identità online del tuo brand, di come trasformare quello che la tua azienda già sa in segnali utili, di quanto pesano recensioni e fonti indipendenti e di come misurare risultati che cambiano a ogni ricerca.

Se hai un’azienda e vuoi capire come muoverti nell’era dell’AI Search, questa intervista è oro: segnati le risposte, perché ti servono.

Come farsi consigliare dall’AI (al posto dei concorrenti)

Descrivi i motori di ricerca AI come una “forza vendita non addestrata” che sta già consigliando i brand ai potenziali clienti. Cosa dovrebbe fare oggi un’azienda per convincere i motori AI a vendere i suoi prodotti invece di quelli di un concorrente?

Bisogna partire da ciò che un motore AI è realmente. Nel 2024 l’ho definito Untrained Salesforce, ovvero una «forza vendita non addestrata». Non è una metafora per descrivere un canale di marketing, ma la rappresentazione di un gruppo di venditori che non hai mai assunto, che lavorano 24 ore su 24 e propongono un’azienda della tua categoria a ogni potenziale cliente che fa una domanda.

Ogni parola di questa definizione ha un significato preciso, ma quella più importante è non addestrata. Questi venditori conoscono già l’intera categoria in cui operi e parlano quotidianamente con i tuoi potenziali clienti. Nessuno, però, si è mai seduto con loro per spiegare che cosa vendi. Di conseguenza, improvvisano. E un venditore che improvvisa finisce per proporre ciò che conosce meglio, che spesso è il tuo concorrente.

Non puoi assumere questa forza vendita e non puoi licenziarla. Puoi addestrarla, fornendole la descrizione più dettagliata e documentata possibile della tua azienda, di ciò che fai e dei clienti a cui ti rivolgi. Devi comunicare queste informazioni con maggiore chiarezza e frequenza rispetto ai tuoi concorrenti.

Comincia dal fondo del funnel, partendo dall’identità della tua azienda. Un venditore che non sa con certezza che cosa rappresenti un’impresa non rischierà mai di consigliarla a un potenziale cliente.

Hai sostenuto che il termine “Generative Engine Optimization” rischia di descrivere una fase ormai superata, perché gli AI agent non si limiteranno a generare risposte ma agiranno per conto degli utenti. In che modo questo cambiamento dovrebbe modificare concretamente il modo in cui i brand producono e ottimizzano i propri contenuti?

La Generative Engine Optimization descrive ciò che la macchina fa in un determinato momento. Ed è proprio questo il limite del termine, perché la generazione è un comportamento destinato a evolversi.

Basta osservare la sequenza per vedere come sta cambiando tutto. Nel 2017 ho coniato il termine Answer Engine Optimization, quando le macchine hanno cominciato a fornire risposte invece di limitarsi a elencare risultati. Nel 2024 è arrivata la AI Assistive Engine Optimization, quando sono passate dal rispondere al consigliare. Nel 2025 ho introdotto Assistive Agent Optimization, perché il passo successivo di un assistente è agire.

L’azione rappresenta il punto d’arrivo di questa sequenza. Quando una macchina ha deciso e ha acquistato per conto del cliente, infatti, non ha più nulla da fare. La AAO descrive il ruolo della tecnologia anziché il comportamento del momento. Per questo può resistere ai cambiamenti successivi, mentre la GEO rischia di diventare una definizione limitata a una fase specifica.

Questo significa che la GEO è una componente del lavoro, non una strategia alternativa. Se ottimizzi i contenuti per aiutare l’agente a prendere una decisione, la descrizione generata arriverà di conseguenza. Una macchina abbastanza sicura da spendere i soldi di qualcuno per acquistare da te sarà anche in grado di descrivere positivamente la tua azienda, senza che tu debba chiederlo.

Se invece ottimizzi soltanto la descrizione generata, puoi comunque perdere la vendita. Una descrizione favorevole del tuo marchio può convivere tranquillamente con il checkout di un concorrente. L’azienda che legge il proprio bel riepilogo generato dall’AI potrebbe non scoprire mai quale prodotto l’agente abbia effettivamente acquistato.

La stessa evoluzione si vede nei click. Nell’era della ricerca tradizionale avevamo il click imperfetto: il motore mostrava dieci opzioni e la persona sceglieva. Poi è arrivato il click perfetto: l’assistente proponeva una sola opzione e l’utente confermava. Adesso stiamo entrando nell’era del click agentico, in cui l’agente decide e acquista senza che il potenziale cliente entri mai nel tuo funnel.

In termini pratici, i contenuti smettono di essere strumenti di persuasione rivolti a un lettore e diventano prove destinate a un decisore che non può essere conquistato con il fascino delle parole.

Prezzi, disponibilità, specifiche, condizioni, garanzie, clienti a cui ti rivolgi e clienti a cui non ti rivolgi devono essere dichiarati esplicitamente, risultare coerenti su tutte le piattaforme ed essere leggibili dalle macchine. Un agente costretto a indovinare sceglierà il concorrente per il quale non deve fare supposizioni.

Hai scritto che le raccomandazioni dell’AI dipendono soprattutto dal livello di fiducia che il sistema riesce a costruire attorno a un brand. Allora quali sono gli errori che più spesso fanno perdere questa fiducia a un’azienda?

L’errore più comune consiste nel trattare una risposta dell’AI come un problema di comunicazione. L’azienda prepara una replica, pubblica un comunicato stampa e aspetta che qualcosa cambi. Ma non succede nulla.

Ciò che un motore dice di te riflette la sua valutazione di ciò che il mondo pensa di te. Non puoi convincerlo con le lusinghe: puoi soltanto modificare le informazioni che trova nel mondo esterno.

Il secondo errore è partire dall’alto. Le aziende vogliono essere consigliate dalla macchina nei confronti competitivi, mentre questa nutre ancora dubbi sulle informazioni fondamentali e utilizza formule come «l’azienda afferma di essere» oppure «si descrive come». Questa incertezza rappresenta un costo per ogni trattativa in cui sei coinvolto.

Il terzo errore consiste nell’avanzare affermazioni senza dimostrarle. Nell’aprile 2026 ho pubblicato un lavoro proprio su questo tema, The Framing Gap, disponibile su Zenodo con DOI 10.5281/zenodo.19857447.

Il modello che emerge è talmente ricorrente da meritare una formalizzazione. Le prove sparse sul web non producono risultati. Le prove collegate tra loro aiutano un po’. Soltanto le prove presentate nel contesto giusto, in modo che la macchina ne capisca il significato, riescono davvero a influenzare una raccomandazione.

Un marchio che pubblica dichiarazioni e si ferma lì ha costruito un caso senza testimoni.

Quanto è importante oggi, per un’azienda, mantenere una presenza coerente tra il proprio sito, i motori di ricerca, i knowledge graph e le fonti esterne? E quali difficoltà può incontrare un brand nel costruire un’identità digitale riconoscibile e affidabile attraverso tutti questi ecosistemi?

Conta più di qualsiasi altra attività, perché prima di consigliarti con sicurezza devono concordare tre sistemi diversi: il motore di ricerca, che indicizza i documenti; il Knowledge Graph, che verifica i fatti; e il modello linguistico di grandi dimensioni (LLM), che ragiona sui concetti.

Li definisco Algorithmic Trinity, ovvero «trinità algoritmica». Ognuno di questi tre sistemi tollera livelli diversi di imprecisione. Una contraddizione che un modello linguistico può ignorare è sufficiente a bloccare un Knowledge Graph.

La soluzione pratica è creare una Entity Home, una pagina sotto il tuo controllo che rappresenti la fonte definitiva di informazioni sulla tua azienda, verso la quale rimandano tutte le altre piattaforme.

La difficoltà, di solito, non è tecnica. Il problema è che nessuno all’interno dell’azienda gestisce l’intero quadro informativo. La pagina dedicata alle carriere è stata scritta dalle risorse umane, quella per gli investitori dal reparto finanziario, la scheda su Crunchbase da chi l’ha creata nel 2017 e la descrizione su LinkedIn da un’agenzia che nel frattempo è stata sostituita.

Nessuno sta mentendo, ma la macchina si trova comunque davanti a un’azienda incapace di raccontare la propria storia in modo coerente.

Molte aziende possiedono una grande quantità di informazioni generate dal lavoro quotidiano, dalle esperienze dei clienti ai processi interni. Come possono trasformare questo patrimonio di conoscenze in contenuti e segnali utili per aumentare la propria visibilità nell’AI Search?

È una delle risorse meno sfruttate nelle aziende che analizzo. Il processo si articola in tre passaggi: raccogliere, organizzare e distribuire.

Per prima cosa, bisogna raccogliere ciò che l’azienda già sa: le richieste all’assistenza clienti, le obiezioni dei venditori, le domande durante l’inserimento dei nuovi clienti, i motivi per cui si perdono le trattative e le domande a cui gli ingegneri rispondono ogni settimana.

Poi bisogna organizzare queste informazioni in un’unica fonte attendibile, in modo che l’azienda comunichi una versione coerente anziché undici versioni diverse.

Infine, occorre distribuire i contenuti sui propri siti, sulle piattaforme in cui si è presenti e sui siti di terze parti effettivamente consultati dal proprio settore.

Quando analizzo queste informazioni, le classifico in tre gruppi. Alcuni contenuti esistono già e devono soltanto essere corretti. Altri dovrebbero esistere, perché i clienti continuano a porre domande a cui nessuno ha mai risposto. Altri ancora potrebbero essere creati soltanto dopo aver svolto un’attività concreta, come realizzare uno studio, ottenere una certificazione o costruire una partnership.

La maggior parte delle aziende conserva già anni di informazioni appartenenti alle prime due categorie nei propri sistemi di assistenza clienti.

Nell’AI Search, quanto può fare la differenza la presenza di recensioni, articoli, testimonianze e altre fonti indipendenti rispetto ai contenuti pubblicati direttamente dal brand?

Contano in misura molto maggiore di quanto si potrebbe pensare, e oggi esistono dati di terze parti che lo dimostrano.

Nel dicembre 2025, Authoritas ha inventato undici esperti e li ha testati su nove modelli AI, attraverso 66 domande.

Nelle domande legate agli argomenti di competenza, quelle in cui era in gioco una raccomandazione, nessuno degli esperti inventati è comparso. Nelle domande che riguardavano direttamente i loro nomi, invece, sono emersi in circa tre casi su dieci.

Questo dato ci dice qualcosa di preciso e utile: ripetere un nome su molte fonti permette di ottenere riconoscibilità, che è relativamente facile da conquistare. Ottenere una raccomandazione è molto più difficile e richiede fonti che non controlli direttamente.

Gli esperti inventati avevano ottenuto copertura sulla stampa, ma non avevano nulla a sostegno della loro credibilità: nessuna Entity Home, nessuna documentazione delle certificazioni e nessuna storia di riconoscimenti da parte di fonti autorevoli.

È qui che le pubbliche relazioni e il lavoro tecnico smettono di essere attività separate. Un articolo sulla stampa che non rimanda in alcun modo alla tua Entity Home è una citazione che la macchina potrebbe non riuscire ad attribuirti. Una menzione non attribuita può aumentare la riconoscibilità senza produrre alcuna raccomandazione.

Perciò, pubblica i tuoi contenuti, perché sono indispensabili per definire la tua identità e dare un contesto a tutto il resto. Poi investi energie nel conquistare recensioni, citazioni, interviste e articoli indipendenti, capaci di trasformare un’affermazione in un fatto verificabile.

Oggi non è sempre possibile sapere con precisione perché un sistema AI sceglie un brand invece di un altro. Quali sono quindi i dati e i segnali più utili per capire se un’azienda sta aumentando la propria visibilità nell’AI Search?

La ricerca tradizionale premiava il posizionamento, mentre l’AI premia la fiducia. Per questo bisogna osservare ciò che la macchina dice di te, anziché limitarsi a contare dove lo dice.

Interroga direttamente i motori AI sulla tua azienda e leggi le risposte come se fossero documenti. È quello che definisco AI Résumé, ovvero il «curriculum dell’azienda nell’AI», un concetto che ho formalizzato nel Journal of AI, Robotics and Workplace Automation nel giugno 2026.

Questo documento mostra con precisione dove la macchina è incerta, quali affermazioni mette in dubbio, quali informazioni riporta in modo errato e quale concorrente sceglie quando le informazioni sulla tua azienda sono insufficienti.

Poi controlla la Brand SERP, cioè la pagina dei risultati che Google mostra quando qualcuno cerca il nome della tua azienda. È un termine che ho coniato nel 2012 e rappresenta ancora uno degli strumenti diagnostici gratuiti più affidabili, perché mostra ciò che Google pensa che il mondo pensi di te.

Monitora anche se i tuoi contenuti vengono citati come fonti oppure semplicemente menzionati. La citazione indica che la macchina ti sta utilizzando come prova a sostegno delle proprie risposte.

Infine, osserva come cambia nel tempo il linguaggio utilizzato dall’AI per descriverti. Passare da «afferma di essere» a «è» rappresenta un aumento misurabile della fiducia, che spesso emerge mesi prima che aumenti la quota di raccomandazioni.

Nell’AI Search i risultati possono cambiare da una ricerca all’altra e sono più difficili da controllare rispetto a Google. Come dovrebbe cambiare il modo in cui le aziende misurano la propria visibilità?

Bisogna smettere di misurare le posizioni e cominciare a misurare le distribuzioni. Una singola risposta, fornita da un solo motore in un solo giorno, è un caso isolato. Trattarla come un indicatore di performance significa spingere il team a inseguire variazioni casuali.

Bisogna formulare la stessa domanda in cinquanta modi diversi, utilizzando i motori effettivamente consultati dai propri clienti. Occorre poi contare quante volte compare il marchio, accanto a quali concorrenti e con quale descrizione.

In questo modo si ottiene una quota di raccomandazioni basata su un insieme realistico di domande dei potenziali clienti, anziché un semplice posizionamento.

Le domande vanno anche suddivise in base all’intento. Le richieste che riguardano l’identità di un’azienda si comportano in modo molto diverso dalle domande di confronto tra concorrenti della stessa categoria.

Un marchio può essere perfettamente riconosciuto e descritto correttamente, ma non essere mai consigliato. Si tratta di un problema completamente diverso, che richiede una soluzione specifica.

Anche la variabilità delle risposte è un segnale da osservare. Se un motore fornisce ogni volta una risposta diversa, significa che non ha ancora stabilito con chiarezza chi sei.

Alla luce di questa forte variabilità, quanto è importante analizzare i dati su periodi più lunghi, invece di concentrarsi sui risultati di una singola giornata o settimana?

Più a lungo di quanto si vorrebbe. Il motivo è semplice: i diversi motori non apprendono tutti alla stessa velocità.

Un indice di ricerca si aggiorna continuamente, quindi una modifica al sito può produrre effetti nel giro di pochi giorni. I Knowledge Graph e i modelli linguistici, invece, si aggiornano secondo cicli che non sono visibili e che nessuno comunica pubblicamente.

Questo significa che il lavoro svolto a marzo potrebbe produrre effetti a luglio, senza preavviso e senza la possibilità di attribuire con certezza il risultato a una singola attività.

Questa opacità è una caratteristica strutturale del sistema. Bisogna organizzare il lavoro tenendone conto, anziché cercare di eliminarla.

Puoi monitorare i dati ogni settimana per mantenere il team coinvolto, ma non dovresti mai prendere una decisione basandoti su una sola settimana. Allo stesso modo, due settimane negative non dovrebbero bastare a ribaltare una strategia.

Il periodo di riferimento dovrebbe essere il trimestre. L’obiettivo è costruire fiducia, che si accumula nel tempo. È proprio questo effetto cumulativo a fare la differenza: i marchi già ben riconosciuti diventano sempre più comprensibili a ogni ciclo di aggiornamento, mentre quelli ambigui continuano a esserlo finché qualcuno non interviene.

Nell’era dell’AI Search, vince chi si fa capire dalle macchine

Se c’è una cosa che porto a casa da questa chiacchierata con Jason, è che l’AI non si convince con le parole.

Si convince con le prove.

Puoi scrivere il comunicato più bello del mondo, ma se in giro per il web nessuno conferma quello che dici, per la macchina resti un’azienda che “afferma di essere”. E la differenza tra “afferma di essere” ed “è” può valere più di mille ottimizzazioni.

Il secondo punto, secondo me, è la coerenza.

Pensa a quante versioni della tua azienda esistono oggi online: il sito, LinkedIn, Crunchbase, le pagine scritte dall’agenzia di tre anni fa. Se non le allinei tu, l’AI si trova davanti un brand confuso e, nel dubbio, consiglia il concorrente più chiaro.

Terzo: smettila di inseguire la singola risposta. Le risposte cambiano da una ricerca all’altra, quindi guarda le distribuzioni, ragiona per trimestri e non farti prendere dal panico per due settimane storte.

E infine, la buona notizia: gran parte del materiale che ti serve ce l’hai già. Sta nelle domande che i clienti fanno all’assistenza, nelle obiezioni dei venditori, nei dubbi che emergono ogni settimana. Raccoglilo, mettilo in ordine e distribuiscilo.

Un grazie enorme a Jason per il tempo che ci ha dedicato, per gli insight preziosi e per questa chiacchierata davvero piacevole. Grazie anche a te che sei arrivato fin qui.

Ci vediamo la settimana prossima con una nuova puntata di SEO Confidential. Non mancare!