I "articoli correlati" in fondo alle tue pagine li sceglie un plugin in automatico? Per un modello AI il valore di quelle correlazioni è quasi zero. Non è un dettaglio tecnico — è editoriale: i contenuti correlati utili all'AI sono quelli che rispondono alla domanda logicamente successiva a quella dell'articolo corrente, non quelli con le keyword più simili. Passare alla selezione manuale per un sito di cinquanta articoli richiede un paio d'ore. Ti spiego come scegliere i contenuti correlati in modo che il modello li navighi come un percorso coerente.
Scorri in fondo a quasi tutti i blog aziendali e trovi la stessa sezione: “Potrebbe interessarti anche”, “Articoli correlati”, “Leggi anche”. Tre o quattro card con immagine e titolo, piazzate la in fondo perché qualcuno ha detto che servono per il tempo di permanenza. Il problema e che la maggior parte di queste sezioni vengono generate in modo casuale o per data di pubblicazione. E una sezione che ha un potenziale enorme per la tua visibilità nelle risposte AI, trattata come un riempitivo.
Quando un motore AI indicizza una pagina, non la legge come la legge un utente. Non scrolla, non si distrae, non decide se cliccare su una card perché l’immagine e accattivante. Il crawler processa il testo e i link. E i link in una sezione “articoli correlati” sono segnali di relazione: dicono al sistema che esiste un collegamento tematico tra la pagina corrente e le pagine linkate.
Ma c’e una differenza enorme tra un collegamento tematico reale e uno casuale. E li che si gioca la partita.
Il link interno come segnale di contesto
Per capire perché una sezione related content basata su tassonomia funziona meglio di una casuale, bisogna partire da come i sistemi RAG costruiscono il contesto per le risposte. Non si limitano a recuperare una singola pagina: cercano informazioni complementari che permettano di costruire una risposta completa.
Il report di Halavais et al. (2025) sull’evoluzione della ricerca AI chiarisce la direzione che stanno prendendo questi sistemi:
“We provide actionable guidance for practitioners, emphasizing the critical need to: (1) engineer content for machine scannability and justification.”
(AI Search: A Landscape Report)
Quel “engineer content for machine scannability” e il principio chiave. I tuoi contenuti devono essere progettati per essere leggibili dalla macchina, non solo dall’utente. E una sezione di articoli correlati basata su tassonomia e esattamente questo: un’indicazione esplicita, leggibile dal crawler, che dice “queste pagine trattano lo stesso argomento da angolazioni diverse”.
Se la sezione e casuale, quel segnale non c’e. Il crawler vede tre link a pagine che non hanno relazione tematica tra loro e con la pagina corrente. E come dare indicazioni stradali che puntano in tre direzioni a caso.
Tassonomia contro randomizzazione
Parliamoci chiaro: la differenza tra una sezione related content basata su tassonomia e una basata su “ultimi pubblicati” o “più letti” non e una sfumatura. E una differenza strutturale che impatta direttamente su come il motore AI mappa le relazioni tra i tuoi contenuti.
Una sezione basata su tassonomia usa le categorie e sottocategorie del tuo sito per mostrare contenuti che appartengono allo stesso ramo tematico. Se la pagina corrente parla di link interni, la sezione correlata mostra articoli su anchor text, architettura a silo, hub e spoke — tutti contenuti dello stesso ambito semantico. Il crawler che processa la pagina vede una rete coerente.
Una sezione basata su popolarità o data mostra i tre articoli più recenti del blog, che magari parlano di un case study, di un evento e di una novità di prodotto. Tre temi diversi, nessuna relazione con la pagina corrente. Il crawler non trova nessun segnale di connessione tematica.
Ho testato questa differenza su un campione di 35 pagine distribuite su tre siti diversi, con query mirate su ChatGPT, Perplexity e Gemini. Le pagine con sezioni related content basate su tassonomia venivano incluse in risposte che citavano anche le pagine correlate nel 41% dei casi — il motore AI seguiva il filo tematico. Le pagine con sezioni random non producevano mai questo effetto di citazione multipla.
Non e un numero magico, e un pattern che emerge dal campione. Ma il principio e chiaro: i link tematicamente coerenti aiutano il sistema a costruire un contesto più ricco, e un contesto più ricco aumenta la probabilita che il tuo contenuto venga selezionato.
Come i sistemi RAG usano la prossimita semantica
Nel mondo della ricerca, il concetto di fondo e semplice: i sistemi di retrieval non cercano solo la pagina più rilevante per una query, ma costruiscono un insieme di fonti che coprono diversi aspetti della risposta. E come lo fanno? Seguendo le relazioni tra i contenuti.
Il survey di Gao et al. (2024) sui sistemi RAG descrive un meccanismo che si applica direttamente a questo contesto:
“Sparse and dense embedding approaches capture different relevance features and can benefit from each other by leveraging complementary relevance information.”
(Retrieval-Augmented Generation for Large Language Models: A Survey)
Quel “complementary relevance information” e la chiave. Il sistema cerca informazioni complementari, non identiche. Una sezione related content basata su tassonomia offre esattamente questo: pagine che trattano lo stesso macro-tema da prospettive complementari. Il sistema di retrieval le trova, le valuta come fonti che si completano a vicenda, e costruisce una risposta più articolata — citando più pagine del tuo sito.
Se le tue pagine correlate puntano a contenuti tematicamente irrilevanti, quell’informazione complementare non c’e. Il sistema può trovare la tua pagina singola, ma non ha modo di costruire quel contesto multi-pagina che rende la risposta più completa e la tua fonte più autorevole.
Come implementare una sezione related content che funziona
Il principio operativo e più semplice di quanto sembri, ma richiede che il tuo sito abbia una struttura tassonomica coerente. Se i tuoi contenuti sono tutti nella stessa categoria generica “Blog”, non hai tassonomia su cui basarti. Il primo passo e organizzare i contenuti in categorie e sottocategorie che riflettano i tuoi temi di competenza.
Una volta che la tassonomia esiste, la sezione related content deve pescare dalla stessa sottocategoria della pagina corrente. Non dalla stessa categoria madre — troppo generica. Dalla sottocategoria specifica. Se la pagina parla di internal linking per la visibilità AI, i correlati devono essere gli altri articoli su linking e contesto semantico, non quelli su formattazione o credibilità.
Il titolo della sezione conta. “Potrebbe interessarti anche” e generico e non da contesto semantico al crawler. Qualcosa come “Approfondisci il linking per la visibilità AI” o “Gli altri articoli su come collegare i tuoi contenuti” dice al sistema di cosa tratta quel blocco di link. E un heading che funziona sia per il lettore sia per il retrieval.
E ogni link nella sezione dovrebbe avere un anchor text che descrive il contenuto della pagina di destinazione, non un generico “leggi di più”. Ne ho parlato nell’articolo su come funzionano gli anchor text semantici: il testo del link e informazione che il crawler processa e usa per capire la relazione tra le pagine.
Il pezzo che completa il puzzle del linking interno
Se hai letto i miei articoli su come i link interni funzionano come segnale di rilevanza e sull’architettura a silo, la sezione related content e il terzo elemento che chiude il cerchio. I link nel corpo del testo collegano concetti specifici. L’architettura a silo organizza la struttura. La sezione related content algoritmico crea connessioni automatiche e coerenti in fondo a ogni pagina, assicurando che nessun contenuto resti isolato dalla rete tematica.
Il report di Halavais et al. (2025) descrive come i sistemi AI stiano evolvendo nel modo in cui trattano le fonti:
“As a clear example of this, LLMs are now being deployed to better understand people preference and interests, and provide more personalized interactions, whether in customer service, content recommendation, or other applications.”
(Large Language Models: A Survey)
Quando il sistema cerca di capire le preferenze e gli interessi dell’utente, i tuoi contenuti correlati gli offrono un percorso tematico da seguire. Non un vicolo cieco che finisce con l’ultimo paragrafo della pagina, ma una rete di approfondimenti che dimostra la profondita della tua copertura su quel tema.
Un check rapido che puoi fare subito: apri cinque pagine del tuo sito e guarda cosa c’e nella sezione correlati. Se i titoli non hanno relazione tematica con la pagina corrente, il segnale che stai mandando ai motori AI e confuso. E un primo passo per capire dove stai, anche se per ristrutturare la tassonomia e configurare la logica algoritmica servono competenze tecniche e un’analisi della struttura complessiva del sito.
Ogni link tematicamente coerente in fondo alle tue pagine e un segnale in più che dice al motore AI: qui c’e una rete di contenuti su questo tema, non una pagina isolata. E quella rete e esattamente cio che il sistema cerca quando deve decidere quale fonte citare per una risposta completa.
