Il tuo sito parla di 'soluzioni integrate per la trasformazione digitale' ma il tuo cliente chiede all'AI 'come vendere di più online'. Per l'AI, queste due frasi sono lontanissime — e quando deve scegliere una fonte, sceglie chi parla come il cliente. Ti spiego come misurare e chiudere questo gap di linguaggio.
Probabilmente lo hai già fatto. Hai aperto ChatGPT, hai scritto “migliori aziende di [quello che fai tu] a [la tua città]” e hai aspettato la risposta. Il tuo nome non c’era. Hai provato con varianti diverse — il nome del servizio, il settore, la zona. Niente. Poi hai provato su Perplexity, su Gemini. I nomi che uscivano erano sempre quelli dei competitor.
A quel punto ti sei fatto la domanda giusta: perché loro sì e io no?
Una delle risposte — non l’unica, ma una che pochi considerano — è che il tuo sito e le domande dei tuoi clienti parlano due lingue diverse. E per l’AI, questa differenza di linguaggio si traduce in una distanza misurabile che determina se vieni trovato o saltato.
Come l’AI misura la “vicinanza” tra testi
I modelli AI non confrontano parole. Confrontano numeri.
Ogni pezzo di testo — una frase, un paragrafo, un’intera pagina — viene convertito in un embedding: un vettore di centinaia di numeri che rappresenta il significato del testo in uno spazio multidimensionale. Lo spiegano bene nel paper di Ma et al. (2024) sulla ricerca ibrida:
“Typically, dense embedding vectors are normalized to unit magnitude, with IP distances ranging from zero to one.”
(Efficient and Effective Retrieval of Dense-Sparse Hybrid Vectors)
Zero significa che i due testi sono identici nel significato. Uno significa che non hanno nulla in comune. Tutto il retrieval dell’AI — il meccanismo con cui Perplexity, Bing Chat e Google AI Overview decidono quali fonti usare per rispondere — si riduce a questa distanza.
Il punto affascinante è che testi con significato simile finiscono vicini anche se usano parole completamente diverse. “Come aumentare le vendite online” e “strategie per far crescere l’ecommerce” sono sequenze di caratteri diverse, ma nello spazio vettoriale sono quasi sovrapposte.
Come documenta il survey di Zhao et al. (2024):
“The embedding vectors learned by NLMs define a hidden space where the semantic similarity between vectors can be readily computed as their distance.”
(A Survey of Large Language Models)
“Readily computed” — facilmente calcolabile. Per l’AI, misurare quanto il tuo contenuto è vicino alla domanda del cliente è un’operazione banale. La fa in millisecondi su milioni di documenti. E il vincitore — la fonte che viene recuperata e citata nella risposta — è quasi sempre quella con la distanza più bassa.
Il gap che nessuno misura
Questa è la parte che riguarda direttamente il tuo business, e nella mia esperienza è uno dei problemi più diffusi e meno riconosciuti.
Il tuo sito dice: “Piattaforma IoT per il condition monitoring predittivo degli asset industriali con architettura edge-cloud ibrida.”
Il direttore di stabilimento che sarebbe il tuo cliente perfetto chiede a Perplexity: “come faccio a sapere quando una macchina sta per rompersi?”
Stessa cosa. Ma la distanza vettoriale tra quei due testi è enorme. Il tuo sito parla il linguaggio dell’ingegnere che l’ha scritto. Il cliente parla il linguaggio di chi ha un problema da risolvere. L’AI misura la distanza, trova fonti più vicine alla query, e cita quelle.
Ho testato questo pattern su 25 siti B2B italiani, confrontando il linguaggio delle pagine servizi con le query reali da Google Search Console. In 20 casi su 25, c’era un disallineamento significativo: il sito usava terminologia interna o anglicismi tecnici, mentre i clienti cercavano con frasi italiane colloquiali e orientate al problema.
La cosa interessante è che il disallineamento non era uniforme. Le pagine “Chi siamo” e i blog tendevano a usare un linguaggio più naturale — ma erano le pagine servizi, quelle che dovrebbero convertire, ad avere la distanza vettoriale più alta dalle query dei clienti.
Due linguaggi, una soluzione
Non devi scegliere tra parlare come un esperto e parlare come il tuo cliente. Puoi fare entrambe le cose, e anzi dovresti.
La strategia è l’affiancamento: mantieni il gergo tecnico per chi lo cerca (e per la tua credibilità), ma affianca sempre una formulazione nel linguaggio del cliente.
“La nostra piattaforma SIEM di nuova generazione” diventa “La nostra piattaforma SIEM di nuova generazione — in pratica, il sistema che protegge la tua azienda dagli attacchi informatici monitorando tutto quello che succede nella rete, 24 ore su 24.”
In questo modo crei due vettori vicini a due tipi di query diversi: chi cerca “SIEM enterprise” e chi cerca “come proteggere l’azienda dagli hacker”. Con un solo paragrafo stai coprendo due aree dello spazio vettoriale invece di una.
Il problema specifico dell’italiano
Un aspetto che vedo spesso nelle aziende italiane è la traduzione letterale dall’inglese. “Digital Transformation Strategy” diventa “Strategia di Trasformazione Digitale” — che suona bene in un documento corporate ma non è il modo in cui un imprenditore di Brescia cerca su Perplexity. Lui cerca “come digitalizzare la mia azienda” o “software per gestire l’azienda meglio”.
La traduzione letterale dei termini tecnici crea una distanza vettoriale dal modo reale in cui il mercato italiano parla. E in un contesto dove il retrieval è basato interamente sulla vicinanza semantica, questa distanza si paga.
Un altro pattern che ho notato: gli acronimi non spiegati. Se la tua pagina dice “offriamo servizi MDR, SOC e VAPT” senza mai spiegare cosa significano, stai parlando a chi già sa — ma chi già sa probabilmente non ti sta cercando su Perplexity. Chi ti sta cercando è chi ha un problema e non conosce il gergo. E il suo vettore è lontanissimo dal tuo.
Come misurare il tuo gap
Il test più utile non richiede strumenti sofisticati:
Apri Google Search Console, vai su Performance → Query, e guarda le frasi con cui le persone trovano il tuo sito. Poi apri le pagine di destinazione corrispondenti. Quanto sono simili il linguaggio delle query e il linguaggio delle pagine? Se le query dicono “come fare X” e le tue pagine dicono “soluzione enterprise per la gestione di X”, hai un gap vettoriale.
Un secondo test — quello che uso spesso con i clienti: prendi la query più importante per il tuo business e cercala su Perplexity. Guarda le fonti che cita. Leggi quelle fonti. Confronta il loro linguaggio con il tuo. Se le fonti citate usano parole più vicine alla query rispetto alle tue pagine, hai trovato il divario che ti rende invisibile.
Questo meccanismo è la base su cui funzionano il BM25 e la ricerca ibrida — il matching lessicale che si combina con quello semantico — e il chunk retrieval, dove i tuoi paragrafi vengono convertiti in vettori e confrontati con la query. In entrambi i casi, la distanza tra il tuo linguaggio e quello del cliente è il fattore decisivo.
