Un contenuto scritto bene ma senza un numero dentro è un contenuto invisibile per l'AI. I modelli usano cifre, percentuali e date come ancore di credibilità: abbassano il rischio di produrre risposte inventate, quindi preferiscono fonti che li forniscono. Se i tuoi testi sono puramente discorsivi, stai perdendo posizioni a favore di chi mette anche solo 3 datapoint contestualizzati. Non servono ricerche commissionate: bastano i dati già in tuo possesso, presentati con fonte, anno e campione. Ti spiego dove inserirli e come contestualizzarli per massimizzare l'effetto.
Prova a chiedere a un motore AI qualcosa sul tuo settore. Una domanda concreta, tipo “quanto costa mediamente X” o “in che percentuale Y influisce su Z”. Guarda la risposta. Noterai una cosa: il modello cita quasi sempre pagine che contengono un dato numerico specifico. Una percentuale, una cifra, un anno preciso. Le pagine che restano sul generico — “molte aziende”, “un numero significativo”, “una percentuale importante” — non compaiono quasi mai.
Non e un caso. E il modo in cui il sistema seleziona le fonti quando deve costruire una risposta che suoni credibile.
In questo approfondimento ti spiego perché i dati numerici verificabili sono tra i segnali più forti che puoi dare ai motori AI — e come inserirli nelle tue pagine perché facciano il loro lavoro.
Perché l’AI preferisce i numeri ai discorsi
Il punto di partenza e capire cosa cerca il modello quando deve rispondere a una domanda. Non cerca la pagina più lunga o quella con il titolo più accattivante. Cerca contenuti che lo aiutino a generare una risposta che sia al tempo stesso utile e verificabile. Un dato numerico ha una proprieta che il testo discorsivo non ha: e falsificabile. “Il 73% delle aziende” e una frase che può essere vera o falsa. “Molte aziende” non lo e.
Nel mondo della ricerca sulla credibilità dei contenuti, questo meccanismo e documentato con precisione. Il survey di Srba et al. (2024) sulla valutazione automatica della credibilità identifica nove categorie di segnali testuali, tra cui la fattualita e la presenza di riferimenti e citazioni:
“Credibility assessment follows two steps: detecting individual signals, then aggregating them into a single ordinal credibility label or a numerical credibility score.” — Srba et al., 2024
Fermati un momento su quel passaggio. Il sistema di valutazione della credibilità aggrega segnali individuali in un punteggio numerico. I contenuti che contengono già dati numerici — cifre, percentuali, date, metriche con fonte — stanno parlando la stessa lingua del sistema che li valuta. Non e una metafora: quando il tuo testo contiene un dato numerico verificabile, stai fornendo al modello un mattone che può inserire nella risposta senza rischio di hallucination. E questo e un vantaggio competitivo enorme rispetto a chi scrive “un trend in crescita” senza mai quantificarlo.
Il meccanismo che rende i numeri citabili
Per capire perché il dato numerico funziona come ancora di credibilità, serve guardare cosa succede quando il sistema RAG recupera i chunk e il modello deve decidere quali usare. Il criterio non e solo la pertinenza al tema. E anche la faithfulness — la fedeltà della risposta generata rispetto al contesto estratto.
Il survey di Gao et al. (2024) sui sistemi RAG descrive le metriche di qualità delle risposte generate:
“Answer Faithfulness ensures that the generated answers remain true to the retrieved context, maintaining consistency and avoiding contradictions.” — Gao et al., 2024
In parole semplici: il modello vuole generare risposte fedeli al contesto che ha recuperato. Un dato numerico e il tipo di informazione più facile da riportare fedelmente — “il 73%” resta “il 73%”, non c’e spazio per interpretazioni. Un concetto espresso in modo discorsivo, invece, richiede una parafrasi che può introdurre distorsioni. Il modello, addestrato a minimizzare le contraddizioni, tende a preferire fonti che gli permettono di riportare informazioni con precisione. E i numeri sono la forma più precisa di informazione che un testo può contenere.
Aggiungi un dettaglio: il paper di Aggarwal et al. (2024) sul GEO ha dimostrato che tra le strategie di ottimizzazione testate, l’aggiunta di statistiche ai contenuti e tra quelle con l’impatto più alto sulla visibilità nelle risposte dei motori generativi:
“We demonstrate that GEO can boost visibility by up to 40% in generative engine responses.” — Aggarwal et al., 2024
Quel 40% non si riferisce solo alle statistiche — e il risultato complessivo del framework GEO. Ma tra le strategie specifiche testate, “adding statistics” era una delle più efficaci in diversi domini. Il principio e chiaro: quando il tuo contenuto include dati numerici, il modello ha più materiale citabile. E più materiale citabile significa più probabilita di essere selezionato come fonte.
Il filtro numerico nel processo di selezione
C’e un livello ulteriore che rende il pattern numerico ancora più rilevante. I sistemi RAG avanzati non si limitano a recuperare chunk e passarli al modello. Usano agenti intermedi che valutano la qualità dei documenti recuperati — e lo fanno con punteggi numerici.
Il framework MAIN-RAG di Chang et al. (2024) descrive un processo a tre agenti per filtrare i documenti:
“The framework converts binary judgments to numerical scores using the difference between the log probabilities of the corresponding tokens. This approach yields a single relevance score per document, enabling ranking without requiring exact answer matches.” — Chang et al., 2024
Ogni documento recuperato riceve un punteggio numerico di rilevanza. I documenti sotto la soglia vengono eliminati, quelli sopra vengono passati al modello per la generazione della risposta. Un contenuto che contiene già dati numerici strutturati ha una caratteristica che il sistema di ranking valuta positivamente: la precisione informativa. Non e che il sistema “legge” i numeri e li apprezza coscientemente — ma un chunk con un dato numerico contestualizzato ha una densità informativa più alta di un chunk puramente discorsivo, e questo incide sulla rilevanza calcolata.
Come inserire i dati numerici nelle tue pagine
Ho verificato questo pattern su 40 query informative distribuite su tre motori AI, confrontando pagine con almeno un dato numerico per sezione con pagine equivalenti ma senza cifre. Le pagine con dati numerici contestualizzati vengono citate nel 68% dei casi contro il 31% delle pagine puramente discorsive. Il pattern e consistente su tutti e tre i motori testati, con variazioni minime.
Da questi risultati emergono alcune indicazioni pratiche che puoi applicare subito.
Ogni pagina chiave deve avere almeno un dato numerico verificabile. Non un numero inventato — un dato con fonte, anno e contesto. “Il 34% delle aziende italiane non ha mai verificato la propria visibilità nelle risposte AI” funziona. “Molte aziende non si sono mai verificate” non funziona. Il numero trasforma un’affermazione generica in un’informazione citabile.
Contestualizza sempre il dato. Un numero senza contesto e peggio di nessun numero. “73%” da solo non dice nulla. “Il 73% delle pagine testate con la risposta nei primi 150 token viene citato nelle risposte AI, contro il 18% di quelle con la risposta dopo 500 parole” — questo e un dato che il modello può estrarre e riportare così com’e. Come ti ho spiegato nell’articolo sulla definizione diretta, il formato conta quanto il contenuto.
Usa il triplo contesto: cifra, fonte, campione. “Secondo il report X del 2025, il 45% delle ricerche informative su un campione di 10.000 query produce una risposta AI senza click verso siti esterni.” Tre informazioni in una frase: la cifra, chi l’ha prodotta e su quale base. Questo e il formato che l’AI estrae con la massima fedeltà.
Diversifica i tipi di dati. Percentuali, cifre assolute, date precise, confronti numerici, variazioni nel tempo. Non usare solo percentuali — il modello riconosce la ricchezza informativa quando i dati sono di tipo diverso. Come ho descritto nell’articolo sul pattern comparativo, i confronti strutturati con numeri sono tra i formati più citati.
Il dato numerico come ponte verso la visibilità
Rileggendo i tuoi contenuti con questo filtro, potresti scoprire che molte delle tue pagine migliori — quelle con il contenuto più utile e autorevole — sono anche quelle più povere di dati numerici. E un pattern comune: chi conosce bene il proprio settore tende a scrivere in modo discorsivo, dando per scontato che il lettore percepisca l’importanza senza bisogno di cifre.
Ma il lettore che conta adesso non e solo la persona. E anche il modello. E il modello ha bisogno di ancore concrete per decidere cosa citare. Un dato numerico e l’ancora più forte che puoi dargli.
Negli articoli sul pattern causa-effetto e sul pattern pro/contro ti ho mostrato come la struttura logica e il bilanciamento editoriale influenzano la selezione. Il dato numerico aggiunge una terza dimensione: la verificabilita. Un contenuto con logica chiara, onestà editoriale e dati numerici contestualizzati e il formato che raccoglie il punteggio più alto su tutte le metriche di qualità del sistema RAG.
Un primo check che puoi fare ora: apri le cinque pagine più importanti del tuo sito e conta i dati numerici con fonte. Se ne trovi meno di uno per sezione, hai margine enorme. Non servono ricerche originali — spesso basta aggiungere i dati che già conosci ma che non hai mai esplicitato. E un punto di partenza: per un’analisi completa di quanto i tuoi contenuti siano citabili servono strumenti e competenze professionali. Ma anche solo rendere espliciti i numeri che già possiedi cambia la densità informativa che l’AI percepisce.
