SEO Confidential: la nostra intervista esclusiva alla ricercatrice Emilia Gjorgjevska, esperta GEO

Come farsi trovare da ChatGPT, AI Overviews e Gemini? Parla la ricercatrice di SEOntology e del WebKnoGraph

C’è una domanda che sta cambiando il modo in cui le aziende pensano alla propria presenza online: quando un sistema di intelligenza artificiale parla di te, cosa sta davvero dicendo? E soprattutto, perché dovrebbe dirlo?

Per questa puntata di SEO Confidential ho intervistato una delle voci più rigorose e influenti nel campo della Generative Engine Optimization (GEO): Emilia Gjorgjevska, Doctoral Researcher alla Technical University of Munich, dove studia knowledge graph e i meccanismi con cui l’IA interpreta, seleziona e cita le informazioni.

Prima della ricerca accademica, Emilia ha guidato iniziative di GenAI per realtà come MediaMarktSaturn e WordLift, portando a casa risultati notevoli, premiati sul campo.

È lei una delle menti dietro SEOntology, l’ontologia open source che modella i workflow SEO, e WebKnoGraph, l’approccio basato su graph neural network per l’ottimizzazione dell’internal linking, di cui parleremo a lungo in questa conversazione.

Il risultato è un’intervista densa di informazioni, incredibilmente concreta. Emilia ci dice perché ottimizzare i link interni guardando solo il PageRank è un errore, come si costruisce davvero un’identità di brand leggibile dalle macchine, cosa fare se ChatGPT o Gemini non ti citano mai, e perché il rischio di Knowledge Graph Poisoning dovrebbe finire nell’agenda di ogni imprenditore, non solo dei SEO.

Se ti stai chiedendo come far sì che la tua azienda venga trovata, e raccomandata, dall’intelligenza artificiale, questa è l’intervista che aspettavi. Ti auguro buona lettura!

I motori di risposta IA comprendono la struttura e il significato del tuo business?

Nel tuo lavoro “WebKnoGraph: GNN-Powered Internal Linking” sostieni che, per la prima volta, è possibile prevedere l’impatto dell’internal linking prima ancora di implementare i link. Come funziona concretamente WebKnoGraph e perché questo approccio potrebbe cambiare il modo in cui SEO e aziende progettano l’architettura dei loro siti nell’era della ricerca basata sull’intelligenza artificiale?

WebKnoGraph funziona come un vero e proprio “laboratorio di simulazione” per l’internal linking.

Invece di aggiungere direttamente nuovi link a un sito web e attendere settimane o mesi per capire se hanno migliorato la situazione o creato soltanto rumore, il sistema modella innanzitutto il sito come un grafo. Ogni pagina diventa un nodo, ogni collegamento interno un arco e, successivamente, questa struttura viene arricchita con embedding semantici. In questo modo il sistema comprende non solo quali pagine sono collegate tra loro, ma anche quanto siano correlate dal punto di vista tematico.

A questo punto, WebKnoGraph utilizza GraphSAGE, una rete neurale per grafi, per individuare possibili collegamenti tra pagine sorgente e pagine destinazione. In termini semplici, analizza l’architettura del sito, il flusso di autorevolezza, il contesto in cui si trova ogni pagina e la somiglianza semantica tra i contenuti, proponendo nuovi collegamenti che potrebbero migliorare la struttura interna.

L’aspetto più importante, però, non è la raccomandazione dei link, bensì la loro valutazione prima dell’implementazione.

I nuovi collegamenti vengono prima provati in una simulazione, senza modificare realmente il sito. In questo modo è possibile capire se aiutano a distribuire meglio l’autorevolezza tra le pagine, se migliorano la visibilità di alcune senza penalizzarne altre e se hanno davvero senso dal punto di vista semantico. WebKnoGraph, quindi, non dice semplicemente: “Ecco dei link, fidati dell’intelligenza artificiale”. Dice invece: “Questi sono i possibili interventi, questi sono i vantaggi e i compromessi previsti. A questo punto sarà un esperto a decidere quali siano davvero validi dal punto di vista editoriale e commerciale.”

È proprio questo, secondo me, l’aspetto che può cambiare il modo in cui i professionisti SEO e le aziende progettano l’architettura dei siti web.

Per molto tempo l’internal linking è stato gestito attraverso una combinazione di intuizione, modelli predefiniti, suggerimenti dei tool ed esperienza manuale. Tutti questi elementi continuano a essere importanti. Oggi, però, i siti di grandi dimensioni sono diventati troppo complessi per essere ottimizzati analizzando una pagina alla volta.

L’autorevolezza si distribuisce attraverso l’intera struttura del sito. Un singolo collegamento può favorire una pagina e, allo stesso tempo, penalizzarne leggermente un’altra. Un link tecnicamente corretto può risultare semanticamente debole. Una raccomandazione facilmente scalabile può comunque offrire un’esperienza utente poco efficace.

Nell’era della ricerca basata sull’intelligenza artificiale questo assume un’importanza ancora maggiore. La ricerca non riguarda più soltanto il posizionamento dei classici link blu: i sistemi di IA interpretano entità, relazioni, autorevolezza tematica (topical authority) e struttura dell’informazione. L’architettura di un sito diventa quindi parte integrante del modo in cui le macchine comprendono un brand, un dominio e le sue competenze. I collegamenti interni non servono più soltanto alla navigazione: rappresentano segnali di significato, rilevanza e relazione tra i contenuti.

Per me, il vero valore di WebKnoGraph è quello di portare un approccio più scientifico in un settore che troppo spesso ha dovuto lavorare con feedback fuori tempo massimo e attribuzioni poco chiare. Permette ai team di passare da un approccio del tipo: “Pensiamo che questa modifica all’internal linking sia utile”, a uno basato su dati concreti: “Abbiamo simulato in anticipo le conseguenze strutturali e semantiche prima di intervenire sul sito.”

Questo non sostituisce le competenze SEO. Al contrario, offre agli esperti uno strato decisionale molto più solido su cui basare le proprie scelte.

Per questo immagino un futuro in cui la SEO non sarà completamente automatizzata. Sarà un’attività guidata dalle persone e supportata dall’intelligenza artificiale: le macchine genereranno e valuteranno numerosi possibili interventi sull’architettura del sito, mentre gli esperti sceglieranno quelli realmente utili per il business, per i contenuti e per gli utenti.

È questa, a mio avviso, la direzione più promettente della SEO nell’era della ricerca basata sull’intelligenza artificiale.

Nel paper mostri che l’obiettivo non è trovare semplicemente nuovi link, ma valutarne in anticipo gli effetti su autorità, stabilità e coerenza semantica. Perché hai scelto di misurare queste tre dimensioni insieme e cosa rischia di perdere un SEO se guarda solo al PageRank o all’autorità delle pagine?

Abbiamo deciso di misurare tutte queste dimensioni insieme perché l’internal linking non è mai un problema a una sola dimensione.

Nella SEO è facile concentrarsi esclusivamente sul PageRank o sull’autorevolezza delle pagine e chiedersi: “Questa pagina ha ricevuto più autorevolezza dopo aver aggiunto nuovi collegamenti?”. In un sito reale, però, l’autorevolezza non si sposta in modo isolato. Rafforzare una parte del grafo può indebolirne un’altra. Aggiungere molti link può migliorare la distribuzione dell’autorevolezza, ma anche introdurre rumore semantico. Una strategia che funziona in un determinato scenario può inoltre rivelarsi instabile se il risultato dipende eccessivamente da piccole variazioni nella struttura circostante.

Per questo WebKnoGraph valuta contemporaneamente autorevolezza, stabilità e coerenza semantica.

L’autorevolezza indica se un intervento produce un beneficio misurabile. La stabilità misura se quel beneficio è affidabile oppure fragile. Il bilanciamento tra guadagni e perdite permette di capire se si sta migliorando il sito nel suo complesso oppure se si sta semplicemente spostando valore da un gruppo di pagine a un altro. La coerenza semantica verifica infine se i nuovi collegamenti hanno ancora senso dal punto di vista tematico ed editoriale.

Questo approccio è importante perché la SEO non riguarda soltanto l’ottimizzazione, ma anche la gestione del rischio.

Una strategia che massimizza il PageRank può apparire molto efficace all’interno di una dashboard, ma allo stesso tempo introdurre problemi nell’architettura del sito. Potrebbe creare un numero eccessivo di collegamenti verso le pagine commercialmente più importanti, diluire il significato dei cluster tematici, generare percorsi di navigazione poco naturali oppure distribuire l’autorevolezza in modo tecnicamente efficiente ma poco utile per gli utenti e per chi gestisce i contenuti.

Per me questo rappresenta uno degli aspetti più importanti dell’intero lavoro: un buon collegamento interno non è semplicemente un link che trasferisce autorevolezza. È un collegamento che trasferisce autorevolezza senza compromettere la struttura, il significato e l’usabilità del sito web.

Se un professionista SEO si concentra soltanto sul PageRank o sull’autorevolezza delle pagine, rischia di ottimizzare il sito come farebbe una macchina che vede soltanto numeri, invece di ragionare come un sistema di ricerca e come un utente, che interpretano relazioni e significati.

Nell’era della ricerca basata sull’intelligenza artificiale questo rischio diventa ancora più evidente. I sistemi di AI Search non analizzano pagine isolate, ma interpretano relazioni, entità, contesto e coerenza tematica. Se l’internal linking diventa troppo aggressivo, eccessivamente meccanico o semanticamente debole, il sito può anche acquisire segnali di autorevolezza, ma perdere chiarezza come struttura della conoscenza.

Per questo ritengo che il futuro dell’internal linking sia necessariamente multi-obiettivo.

Non dovremmo più chiederci soltanto: “Quale collegamento produce il maggiore incremento di autorevolezza?”, ma piuttosto: “Quale intervento migliora l’autorevolezza, rimane stabile nel tempo, preserva il significato dei contenuti e può essere implementato in modo responsabile da un’azienda?”.

È proprio questo il livello decisionale che WebKnoGraph cerca di introdurre.

Uno dei risultati più interessanti della ricerca è il fatto che un algoritmo può creare collegamenti interni molto efficaci, ma che gli esperti continuano a fare scelte migliori dal punto di vista della coerenza semantica. Ti aspettavi questo fin dall’inizio oppure è stata una delle sorprese emerse durante gli esperimenti? Quali implicazioni pratiche ha per chi gestisce un sito di grandi dimensioni? E, nella pratica, quando conviene affidarsi all’AI e quando invece l’intervento umano resta indispensabile?

Direi che ci aspettavamo una parte del risultato, ma non tutte le sue sfumature.

Fin dall’inizio ci aspettavamo che l’algoritmo fosse particolarmente efficace su larga scala. È proprio questo il contesto in cui l’intelligenza artificiale e il graph learning esprimono il loro massimo potenziale. Un sito web di grandi dimensioni è troppo complesso perché una persona possa simulare mentalmente tutte le possibili relazioni tra pagine sorgente e pagine destinazione, i flussi di autorevolezza, i collegamenti tra pagine vicine e gli effetti sull’intera struttura. Per questo non ci ha sorpreso che l’approccio automatico fosse in grado di generare interventi molto efficaci sull’internal linking, soprattutto quando l’obiettivo era ridistribuire l’autorevolezza.

L’aspetto più interessante è stato invece il compromesso emerso dai risultati.

L’algoritmo si è dimostrato molto bravo nell’individuare opportunità strutturali, mentre gli esperti umani si sono rivelati superiori nel preservare la coerenza semantica e la logica editoriale. È qui che, secondo me, il risultato assume un significato più profondo. Dimostra che l’internal linking non è soltanto un problema di ottimizzazione di un grafo. È anche una questione di significato, di esperienza utente e di contesto aziendale.

In pratica, questo significa che l’intelligenza artificiale non dovrebbe essere considerata un sostituto degli esperti SEO.

L’IA rappresenta, e continuerà a rappresentare, un eccellente primo livello di analisi. Può esaminare l’intero sito, individuare opportunità, classificare i possibili collegamenti, evidenziare schemi ricorrenti e simulare gli effetti degli interventi prima della loro implementazione. È un contributo di enorme valore perché riduce le ipotesi basate sull’intuizione e permette ai team di osservare l’architettura del sito come un sistema organico, anziché come un insieme casuale di pagine isolate.

L’esperienza umana rimane però indispensabile quando la domanda diventa: “Questo collegamento dovrebbe davvero esistere all’interno del sito?”.

Solo una persona può valutare se un link si integra correttamente nel template della pagina, se accompagna il percorso dell’utente, se è coerente con il contesto editoriale, se rafforza la narrazione del brand e se appare naturale invece di sembrare inserito artificialmente. Non si tratta di dettagli marginali: sono proprio questi elementi a determinare se un’ottimizzazione possa essere realmente adottata.

Per i siti web di grandi dimensioni, l’implicazione pratica è molto chiara: non bisogna scegliere tra intelligenza artificiale ed esseri umani. Bisogna progettare un flusso di lavoro che sfrutti entrambi.

L’IA dovrebbe generare e valutare un elevato numero di possibili interventi, perché nessun essere umano potrebbe farlo con la stessa rapidità e sulla stessa scala. Successivamente, gli esperti dovrebbero analizzare, filtrare e adattare le raccomandazioni, perché gli algoritmi non comprendono ancora le priorità di business, il tono del brand, i vincoli editoriali o l’intento dell’utente con la stessa profondità di chi lavora quotidianamente sul progetto.

In altre parole, le aziende dovrebbero affidarsi all’intelligenza artificiale quando servono scalabilità, individuazione di pattern, simulazioni e definizione delle priorità. Dovrebbero invece fare affidamento sull’esperienza umana quando occorrono capacità di giudizio, qualità semantica, responsabilità editoriale e decisioni finali sull’implementazione.

Per me, questo è stato uno dei risultati più interessanti dell’intero progetto, perché supera la narrazione semplicistica secondo cui “l’intelligenza artificiale batte gli esseri umani”.

La conclusione più corretta è un’altra: l’IA amplia enormemente ciò che i team SEO sono in grado di vedere, mentre sono le persone a decidere quali interventi abbiano davvero senso.

È questo il modello in cui credo per l’architettura dei grandi siti web: supportata dall’intelligenza artificiale, guidata dagli esperti e validata attraverso simulazioni prima di essere implementata.

Per un imprenditore che vuole essere citato da Gemini, Google AI Overview o altri motori di risposta, quanto conta essere riconosciuto come entità nel Knowledge Graph di Google? E quali sono i primi controlli pratici da fare per capire se il proprio brand esiste davvero agli occhi dell’AI oppure viene trattato solo come semplice testo sul web?

Per un imprenditore che vuole essere citato da Gemini, Google AI Overviews o da altri motori di risposta basati sull’intelligenza artificiale, il riconoscimento delle entità non è più un elemento accessorio. È una delle basi della visibilità.

Collego questo concetto direttamente al nostro lavoro. WebKnoGraph analizza il sito web come un grafo composto da pagine e collegamenti interni, mentre SEOntology lo interpreta come un sistema semantico fatto di entità, query, dati strutturati, anchor text, intenti di ricerca, autorevolezza tematica e relazioni tra i contenuti. Insieme dimostrano che la visibilità nei sistemi di AI non dipende semplicemente dalla pubblicazione di nuovi contenuti: è fondamentale che le macchine siano in grado di comprendere la struttura e il significato del tuo business.

Per questo spiego sempre la differenza tra un brand come semplice testo e un brand come entità.

Se il nome della tua azienda compare sulle pagine del sito, ma Google e i sistemi di intelligenza artificiale non riescono a collegarlo chiaramente a un’organizzazione, a una categoria di prodotti, alle persone che ne fanno parte, ai servizi offerti, alle sedi, ai dati strutturati, alle citazioni esterne e all’autorevolezza tematica, allora quel brand è ancora debole dal punto di vista della comprensione da parte delle macchine.

Esiste come una sequenza di caratteri, ma non esiste ancora pienamente come un’entità.

Il primo controllo pratico, quindi, non dovrebbe limitarsi alla domanda: “Ci stiamo posizionando su Google?”, ma dovrebbe essere: “Abbiamo una reale impronta come entità?”.

Un’azienda dovrebbe cercare il proprio nome su Google e verificare se viene riconosciuta come un’organizzazione distinta, se il contesto dei risultati di ricerca o l’eventuale Knowledge Panel sono corretti e se le stesse informazioni vengono riportate in modo coerente sul sito web, nei profili social, nelle directory, nelle pagine dei partner, nelle citazioni dei media e nei dati strutturati.

Se queste informazioni risultano frammentate, incoerenti o mancanti, i sistemi di intelligenza artificiale ricevono un segnale debole.

Il secondo controllo riguarda l’architettura semantica del sito, ed è qui che SEOntology diventa particolarmente utile.

L’azienda dovrebbe verificare se il sito rappresenta chiaramente le proprie entità principali: organizzazione, prodotti, servizi, persone, sedi, categorie, casi d’uso e intenti di ricerca.

Queste entità sono collegate tra loro attraverso link interni? Gli anchor text sono descrittivi e significativi? Le pagine si supportano a vicenda formando cluster tematici coerenti? I dati strutturati vengono utilizzati per rendere esplicite queste relazioni?

Se la risposta è negativa, il sito possiede dei contenuti, ma non una vera struttura della conoscenza.

Il terzo controllo riguarda l’internal linking, ed è qui che entra in gioco WebKnoGraph.

I collegamenti interni non servono soltanto alla navigazione. Comunicano alle macchine quali pagine sono più importanti, quali concetti appartengono allo stesso ambito e come dovrebbe fluire l’autorevolezza all’interno del sito.

Con WebKnoGraph ci poniamo una domanda precisa: se aggiungiamo o modifichiamo determinati collegamenti interni, riusciamo a rafforzare l’autorevolezza senza compromettere la coerenza semantica?

È un aspetto fondamentale, perché i motori di risposta basati sull’intelligenza artificiale non hanno bisogno soltanto di pagine ben realizzate. Hanno bisogno di poter considerare il sito affidabile sia dal punto di vista strutturale sia da quello semantico.

Il quarto controllo consiste nel verificare se il brand compare nei contesti di risposta realmente rilevanti.

Un’azienda dovrebbe testare prompt come “i migliori fornitori di X”, “alternative a Y”, “aziende che aiutano con Z” oppure “strumenti per questo caso d’uso”. Successivamente dovrebbe osservare se il proprio brand viene citato, ignorato o sostituito dai concorrenti.

Se il brand non compare, la domanda non dovrebbe essere soltanto: “Perché non veniamo citati?”.

La domanda più importante è: “Abbiamo costruito abbastanza prove strutturate perché i sistemi di intelligenza artificiale comprendano che il nostro brand dovrebbe comparire in questa risposta?”.

La mia risposta è quindi molto chiara: essere riconosciuti come entità all’interno del Knowledge Graph di Google, o quantomeno essere identificati in modo coerente come entità sul web, è estremamente importante.

Il vero lavoro, però, non inizia e finisce con la presenza di un Knowledge Panel.

La parte più impegnativa consiste nel costruire un’identità comprensibile dalle macchine: definizioni chiare delle entità, dati strutturati coerenti, una solida rete di collegamenti interni, anchor text significativi, conferme provenienti da fonti esterne e una forte autorevolezza tematica.

È proprio qui che vedo il legame tra SEOntology e WebKnoGraph.

SEOntology definisce ciò che i sistemi di intelligenza artificiale dovrebbero comprendere. WebKnoGraph valuta quanto questa comprensione sia supportata dall’architettura del sito.

Nell’era della ricerca basata sull’intelligenza artificiale, le aziende che vogliono essere citate hanno bisogno di entrambe le cose: chiarezza semantica e autorevolezza strutturale.

Esiste il rischio di “Knowledge Graph Poisoning“, cioè della possibilità che informazioni false finiscano per influenzare il modo in cui le AI descrivono un’azienda. Quanto è concreto questo per un’impresa e quali controlli dovrebbe fare regolarmente per accorgersi in tempo se ChatGPT, Gemini o altri sistemi stanno iniziando a costruire una rappresentazione errata del proprio brand?

L’avvelenamento del Knowledge Graph (Knowledge Graph Poisoning) è un rischio molto concreto, ma vorrei spiegarlo con attenzione. Non significa che un singolo articolo falso preso a caso cambierà immediatamente il modo in cui ChatGPT o Gemini comprendono un’azienda. Il rischio è più subdolo.

In termini informatici, si tratta di un problema di “manipolazione malevola dei dati” (adversarial data problem): se i sistemi di intelligenza artificiale apprendono, estraggono informazioni o effettuano verifiche basandosi su fonti inquinate, la presenza di segnali falsi o incoerenti ripetuti può, col tempo, influenzare la rappresentazione del brand.

Un knowledge graph (grafo della conoscenza) è fondamentalmente una mappa di entità e relazioni, comprensibile alle macchine, che archivia testi ma anche concetti come: questa azienda è un’organizzazione, opera in questo settore, ha questi fondatori, questi prodotti, questa sede, questi concorrenti, questi premi, queste controversie, queste fonti. Quando questo grafo è pulito, i sistemi IA hanno una base più solida per descrivere correttamente il brand. Quando il grafo è inquinato, il sistema potrebbe associare il brand ad attributi sbagliati, persone sbagliate, categorie sbagliate o narrazioni errate.

Dal punto di vista degli attacchi malevoli, l’avvelenamento può verificarsi in diversi modi. Qualcuno può creare pagine fuorvianti sull’azienda, pubblicare schede false nelle directory, manipolare voci su database aperti o in stile Wikidata, generare articoli di bassa qualità che ripetono le stesse falsità, oppure creare confusione tra brand con nomi simili. Il pericolo non è rappresentato da una singola fonte falsa. Il vero pericolo risiede nella ripetizione, nella coerenza e nella reperibilità delle informazioni errate. Se molte fonti deboli affermano la stessa cosa sbagliata, un sistema IA potrebbe considerarla come una conferma valida.

Per le aziende, questo significa che la visibilità del brand non è più solo un problema di marketing, ma è diventata anche un problema di sicurezza delle informazioni. La domanda va ben oltre il classico: “Le persone parlano di noi?”, per diventare: “Quale versione di noi viene ricostruita dalle macchine?”.

Il primo controllo di routine dovrebbe riguardare la coerenza dell’entità. Cercate il brand su Google, Gemini, ChatGPT, Perplexity e altri motori di risposta, e ponete domande molto dirette: Chi è questa azienda? Cosa fa? Chi l’ha fondata? Dove ha sede? Che prodotti o servizi offre? Chi sono i suoi concorrenti? Se le risposte risultano incoerenti tra i vari sistemi, si tratta di un primo campanello d’allarme.

Il secondo controllo dovrebbe riguardare l’accuratezza delle relazioni. Un’azienda non deve limitarsi a verificare che il proprio nome appaia correttamente, ma deve assicurarsi che le relazioni circostanti siano esatte. Il brand è associato al settore giusto? Alle persone giuste? Alle sedi giuste? Alla giusta categoria di prodotto? Alla giusta società madre o ai partner corretti? Molti errori legati alle entità non sono errori ortografici, ma errori relazionali.

Il terzo controllo dovrebbe essere l’ispezione delle fonti. Quando i sistemi IA citano o menzionano fatti relativi all’azienda, bisogna verificare la provenienza di tali dati. Derivano dal sito ufficiale, da media affidabili, da pagine dei partner, da database strutturati e da profili credibili? Oppure provengono da directory povere di contenuti, pagine copiate, database obsoleti, contenuti estratti tramite scraping o blog sconosciuti? Il livello delle fonti è fondamentale, perché l’avvelenamento di solito si insinua attraverso prove deboli.

Il quarto controllo dovrebbe essere la variazione dei prompt. Non limitatevi a testare solo la domanda “Chi è il nostro brand?”. Mettete alla prova anche prompt “polemici” e comparativi: “Questa azienda è affidabile?”, “Quali sono le controversie legate a questa azienda?”, “Quali sono le alternative a questa azienda?”, “Questa azienda è la stessa cosa di X?”, “Chi è il proprietario di questa azienda?”. Questi prompt rivelano se il sistema ha una comprensione solida dell’entità o se può essere facilmente mandato in confusione.

Il quinto controllo dovrebbe riguardare la vostra igiene semantica e strutturale. È qui che concetti e progetti come SEOntology e WebKnoGraph si collegano direttamente. Iniziative di questo tipo aiutano a ingegnerizzare la gestione della reputazione attraverso la gestione dei grafi nell’era della ricerca basata sull’IA.

Proteggere il nome del proprio brand significa proteggere la rappresentazione del brand comprensibile alle macchine. Semplice.

Molti imprenditori pensano che i dati strutturati servano solo per ottenere i rich snippet su Google. Oggi, con i motori di risposta basati sull’AI, questo ruolo sta cambiando? Quali markup consiglieresti di implementare per primi a un’azienda che vuole aumentare la propria visibilità nelle risposte generate dall’intelligenza artificiale?

I dati strutturati stanno andando ben oltre la vecchia logica dei “rich snippet”.

I rich snippet rappresentavano il beneficio più visibile e, per questo motivo, per molti anni sono stati il modo più semplice per spiegare Schema.org agli imprenditori. Nell’era dei motori di risposta basati sull’intelligenza artificiale, però, i dati strutturati assumono un ruolo molto più strategico: diventano parte del livello di qualità dei dati che aiuta le macchine a comprendere, verificare, recuperare e riutilizzare correttamente le informazioni.

È proprio questo il punto che ho sviluppato nel mio articolo sulla qualità dei dati SEO pubblicato per WordLift.

La ricerca basata sull’intelligenza artificiale aumenta la necessità di disporre di dati puliti, coerenti e leggibili dalle macchine. Quando le informazioni sono frammentate, duplicate, obsolete o ambigue, i sistemi di IA fanno molta più fatica a capire cosa sia vero, quali elementi siano collegati tra loro e quale fonte possa essere considerata affidabile.

I dati strutturati riducono questa ambiguità offrendo alle macchine una rappresentazione più chiara delle entità, delle relazioni, degli attributi e del contesto.

Per un’azienda che desidera aumentare la propria visibilità nelle risposte generate dall’intelligenza artificiale, partirei innanzitutto dai markup che definiscono l’azienda come entità.

Lo schema Organization dovrebbe essere il primo passo: nome ufficiale, URL, logo, collegamenti sameAs, informazioni di contatto, fondatori o figure chiave quando pertinenti e la categoria più accurata dell’azienda.

Questo rappresenta il livello dell’identità.

Prima che un sistema di intelligenza artificiale possa citare un’azienda con sicurezza, deve sapere chi è e come si collega al resto del web.

Il secondo livello è costituito dagli schemi WebSite e WebPage.

Questi permettono di definire il sito aziendale come fonte canonica e ogni pagina strategica come uno specifico oggetto informativo.

Per la ricerca basata sull’IA questo è importante, perché i motori di risposta recuperano e combinano informazioni provenienti da molte pagine diverse. Più ogni pagina è definita con chiarezza, più sarà semplice per le macchine comprenderne il ruolo all’interno della struttura complessiva della conoscenza.

Il terzo livello dipende dal modello di business.

Per un e-commerce sono fondamentali gli schemi Product, Offer, ProductVariant, AggregateRating e Review, purché le informazioni siano reali, visibili e conformi alle linee guida.

Per le aziende di servizi risultano invece più adatti Service, LocalBusiness, ProfessionalService o altri sottotipi specifici, che descrivono con precisione ciò che l’azienda offre.

Per le imprese che fondano la propria autorevolezza sulle competenze degli esperti, gli schemi Article, BlogPosting, Person e ProfilePage consentono di collegare i contenuti agli autori, alle competenze e alla credibilità.

Il quarto livello comprende BreadcrumbList, ItemList e il collegamento tra le entità attraverso l’internal linking.

È qui che i dati strutturati si integrano con l’architettura del sito.

Le macchine devono capire dove si trova una pagina, come si collega alle altre e quali entità appartengano allo stesso contesto.

È proprio in questo punto che dati strutturati, SEOntology e WebKnoGraph convergono in modo naturale: lo schema definisce le entità, SEOntology organizza le relazioni semantiche e WebKnoGraph valuta se il grafo dei collegamenti interni supporta correttamente il flusso di autorevolezza e la coerenza semantica.

L’ordine di implementazione che consiglio è il seguente:

1. Organization oppure LocalBusiness.
2. WebSite e WebPage.
3. Product, Offer e ProductVariant per gli e-commerce, oppure Service e ProfessionalService per le aziende di servizi.
4. Person, ProfilePage e Article per i contenuti realizzati da esperti.
5. BreadcrumbList e ItemList per categorie, raccolte e pagine comparative.
6. Review e AggregateRating, esclusivamente quando le recensioni sono autentiche, verificabili e visibili agli utenti.
7. FAQ o Q&A soltanto quando la pagina è realmente progettata per quel formato.

Il principio di progettazione è molto semplice: bisogna descrivere con il markup soltanto fatti che siano già veri, visibili e utili.

I dati strutturati dovrebbero rappresentare una sorta di contratto informativo tra l’azienda e le macchine che cercano di comprenderla.

Il ruolo dei dati strutturati, quindi, sta cambiando profondamente.

I rich snippet erano soltanto la parte visibile.

La ricerca basata sull’intelligenza artificiale rende molto più importante il livello invisibile: chiarezza delle entità, qualità dei dati, facilità di recupero delle informazioni e fiducia da parte delle macchine.

Le aziende che vogliono comparire nelle risposte generate dall’IA devono iniziare a considerare i dati strutturati come una componente essenziale della propria infrastruttura semantica.

Attualmente la maggior parte di ricerche si conclude senza che l’utente visiti un sito web, perché la risposta arriva direttamente dall’intelligenza artificiale. In questo scenario, quanto diventano importanti i dati strutturati di Schema.org per aumentare le probabilità che un’azienda venga riconosciuta come fonte affidabile e citata da ChatGPT, Gemini o Google AI Overviews?

Schema.org sta diventando fondamentale perché il percorso dell’utente è sempre più mediato prima ancora del click.

I motori di risposta basati sull’intelligenza artificiale, gli agenti AI, le API, i protocolli MCP e i sistemi di retrieval hanno bisogno di dati puliti e strutturati per capire quale azienda esiste, cosa offre, quali informazioni sono affidabili e perché dovrebbe comparire in una determinata risposta.

In questa nuova economia dell’informazione, il vero vantaggio competitivo risiede nel livello dei dati semantici organizzati: più sono chiare le entità, le relazioni, la provenienza delle informazioni, il loro aggiornamento e i fatti strutturati, più sarà semplice per le macchine identificare e considerare affidabile una fonte.

È qui che i dati strutturati diventano parte integrante dell’infrastruttura della visibilità nell’era dell’intelligenza artificiale.

Lo schema Organization definisce l’azienda, Product e Offer descrivono ciò che viene venduto, Service identifica i servizi offerti, Person e Article collegano le competenze ai contenuti, BreadcrumbList e ItemList rendono più chiara l’architettura del sito, mentre i collegamenti sameAs connettono il brand alla sua identità distribuita sul web.

Questi markup aiutano i motori di risposta a passare da un’interpretazione frammentata delle singole pagine a una rappresentazione molto più ordinata e coerente della conoscenza relativa all’azienda.

In un futuro caratterizzato da sempre meno click e, in alcuni casi, persino da esperienze senza accesso diretto ai siti web, le aziende dovranno essere comprensibili ancora prima che avvenga la visita.

Il sito continuerà a ospitare i contenuti, ma il vero vantaggio competitivo si troverà nel livello sottostante: dati strutturati, collegati tra loro e coerenti, che possano essere facilmente utilizzati dai motori di ricerca, dai modelli linguistici, dagli agenti AI e dalle API.

Le aziende che inizieranno a considerare i propri dati come una vera infrastruttura semantica avranno molte più probabilità di essere riconosciute, selezionate e citate nelle risposte generate dall’intelligenza artificiale.

Sempre più editori stanno iniziando a bloccare i crawler AI per impedire che i loro contenuti vengano utilizzati gratuitamente. Se però un imprenditore vuole che la propria azienda venga trovata e raccomandata da ChatGPT, Gemini o Perplexity, bloccare questi bot non rischia di essere un autogol? Come si può trovare il giusto equilibrio tra proteggere i propri contenuti e ottenere visibilità?

Bloccare i crawler dell’intelligenza artificiale può rivelarsi una scelta controproducente per un’azienda che desidera essere trovata, raccomandata e citata dai motori di risposta basati sull’IA.

Se questi sistemi non possono accedere ai contenuti, potrebbero costruire le proprie risposte utilizzando informazioni provenienti dai concorrenti, da siti aggregatori, da pagine obsolete o da riassunti di terze parti meno affidabili. In questo modo l’azienda protegge i propri contenuti dall’accesso diretto, ma perde la possibilità di influenzare il modo in cui vengono rappresentati il proprio settore, i propri prodotti e la propria competenza.

L’equilibrio corretto parte da una segmentazione dei contenuti.

Le aziende dovrebbero distinguere ciò che appartiene al livello della visibilità pubblica da ciò che costituisce il patrimonio informativo da proteggere.

Informazioni sui prodotti, descrizioni dei servizi, fasce di prezzo, segnali di autorialità, dati sulle entità, documentazione, casi di studio, contenuti di thought leadership e dati strutturati dovrebbero generalmente rimanere accessibili, perché aiutano i sistemi di intelligenza artificiale a comprendere e citare correttamente l’azienda.

Ricerche proprietarie, report premium, database a pagamento, dataset esclusivi e materiali commercialmente sensibili possono invece essere protetti tramite autorizzazioni, licenze, API o altri sistemi di accesso controllato.

Questa non è soltanto una questione tecnica, ma anche un tema di etica e di governance del brand.

L’adozione dell’intelligenza artificiale richiede un equilibrio tra innovazione e integrità, nel quale competenza umana, controllo della qualità, originalità e tutela del marchio rappresentano gli elementi di garanzia fondamentali.

Lo stesso principio vale per la gestione dell’accesso dei crawler: le aziende dovrebbero definire regole che proteggano il valore dei propri contenuti senza rendere invisibile il brand ai sistemi che oggi influenzano la scoperta delle informazioni.

Dal punto di vista pratico, non consiglierei un blocco indiscriminato dei crawler come strategia predefinita per la maggior parte delle aziende.

Suggerirei piuttosto di costruire una vera e propria mappa della visibilità, stabilendo quali pagine debbano essere accessibili ai motori di ricerca e ai sistemi di IA, quali debbano esporre dati strutturati, quali risorse richiedano una licenza, quali agenti o crawler possano accedervi e quali contenuti debbano invece rimanere riservati.

Questa strategia può essere gestita attraverso robots.txt, regole lato server, metadati, accessi tramite API, condizioni d’uso e un monitoraggio costante delle citazioni generate dai sistemi di intelligenza artificiale.

In futuro saranno premiate le aziende che sapranno scegliere con consapevolezza cosa rendere accessibile.

La visibilità nell’ecosistema dell’IA richiede un livello pubblico di dati pulito e affidabile: informazioni corrette sulle entità, markup Schema.org, una solida rete di collegamenti interni, pagine semanticamente chiare e conferme provenienti da fonti esterne autorevoli.

La protezione dei contenuti, invece, dovrebbe seguire una strategia separata dedicata agli asset informativi di maggiore valore.

L’approccio più efficace è quello della trasparenza selettiva: rendere leggibili dalle macchine i dati che definiscono e distinguono il business, proteggendo invece le risorse che rappresentano un reale vantaggio competitivo e richiedono un controllo commerciale.

Le intelligenze artificiali sviluppano una sorta di “prima impressione” sui brand già durante l’addestramento. Se un’azienda oggi scopre che ChatGPT, Gemini o Google AI non la citano quasi mai, o la descrivono peggio dei concorrenti, quali azioni concrete può mettere in campo per cambiare questa percezione nei futuri aggiornamenti dei modelli?

Un’azienda non può riscrivere direttamente il modo in cui un modello di intelligenza artificiale già addestrato la ricorda. Può però influenzare le informazioni che i modelli futuri, i sistemi di retrieval e i motori di risposta basati sull’IA utilizzeranno per apprendere, effettuare il crawling, citare le fonti e costruire le proprie risposte.

Se ChatGPT, Gemini, Perplexity o Google AI Overviews citano raramente un brand oppure lo descrivono in modo meno favorevole rispetto ai concorrenti, la risposta non può essere affidata esclusivamente alla SEO.

Serve un approccio trasversale che coinvolga PR, sviluppo, prodotto, architettura dei dati e management.

Dal punto di vista delle pubbliche relazioni, l’azienda deve rafforzare le conferme provenienti da fonti esterne.

I sistemi di intelligenza artificiale attribuiscono maggiore fiducia alle informazioni che si ripetono in fonti credibili. Per questo il brand dovrebbe ottenere citazioni su testate di settore, siti dei partner, analisi di mercato, podcast, eventi, directory, piattaforme di recensioni e raccolte di esperti.

L’obiettivo è costruire una narrazione pubblica coerente che spieghi con chiarezza cosa fa l’azienda, a quale categoria appartiene, per cosa è conosciuta, perché è credibile e in cosa si differenzia dalle alternative.

Descrizioni esterne deboli, obsolete o incoerenti finiscono spesso per diventare la versione del brand ricostruita dalle macchine.

Dal punto di vista dell’ingegneria, il sito deve essere più semplice da analizzare, interpretare e utilizzare da parte dei sistemi di IA.

Questo significa avere HTML pulito, pagine strategiche indicizzabili, prestazioni elevate, contenuti accessibili, metadati chiari, URL canonici corretti, regole del robots.txt configurate correttamente, una solida rete di collegamenti interni e un monitoraggio costante dell’accesso dei crawler di intelligenza artificiale.

Se i motori di risposta non riescono ad accedere alle pagine corrette, costruiranno le proprie risposte utilizzando contenuti dei concorrenti, aggregatori o fonti non aggiornate.

L’ingegneria ha quindi la responsabilità di creare il collegamento tecnico tra la conoscenza dell’azienda e le macchine che devono comprenderla.

Dal punto di vista del prodotto, l’azienda deve realizzare pagine capaci di rispondere alle reali esigenze degli utenti.

Se le persone cercano “i migliori strumenti per X”, “alternative a Y”, “software per questo caso d’uso” oppure “aziende che risolvono questo problema”, il prodotto e i contenuti devono offrire risposte chiare attraverso un corretto posizionamento, funzionalità, casi d’uso, confronti con le alternative, prove concrete, logiche di prezzo quando opportuno, integrazioni, risultati ottenuti dai clienti e documentazione.

I sistemi di intelligenza artificiale hanno bisogno di prove concrete e riutilizzabili che spieghino dove si colloca il prodotto e perché dovrebbe essere scelto.

Dal punto di vista dei dati e della semantica, l’azienda deve costruire un’identità leggibile dalle macchine.

Questo comprende gli schemi Organization, Product, Service, Person, Article, BreadcrumbList, Review e sameAs, quando pertinenti, insieme a definizioni coerenti delle entità sia sul sito web sia nei profili esterni.

Anche la rete dei collegamenti interni deve collegare in modo coerente azienda, prodotti, casi d’uso, categorie, autori e prove a supporto, formando una vera struttura della conoscenza.

A livello manageriale, infine, l’azienda deve sviluppare una maggiore maturità nella gestione della visibilità generata dall’intelligenza artificiale, considerandola sia un fattore di crescita sia un rischio strategico.

Qualcuno deve assumersi la responsabilità del monitoraggio dei prompt, della quota di citazioni ottenute, del sentiment del brand nelle risposte dell’IA, della presenza dei concorrenti, della qualità delle fonti, della coerenza delle entità, delle politiche relative ai crawler e delle procedure di correzione delle informazioni.

La domanda che dovrebbe porsi il management è molto concreta: quando i sistemi di intelligenza artificiale descrivono il nostro mercato, siamo presenti? Veniamo citati? Siamo rappresentati correttamente? Stiamo costruendo oggi il patrimonio informativo che i modelli futuri utilizzeranno per apprendere?

Il piano operativo dovrebbe partire da un audit iniziale e da una chiara attribuzione delle responsabilità.

Le pubbliche relazioni devono rafforzare i segnali esterni autorevoli.

L’ingegneria deve rendere il sito tecnicamente accessibile e ben strutturato.

Il team di prodotto deve creare contenuti che rispondano alle domande reali dei clienti.

I team SEO e dati devono costruire l’infrastruttura semantica.

Il management deve trasformare la visibilità nei sistemi di intelligenza artificiale in un indicatore di performance monitorato con continuità.

La percezione che i futuri modelli avranno di un’azienda dipenderà dalle prove pubbliche costruite oggi. Per questo le imprese che iniziano ad agire fin da ora avranno molte più probabilità di essere riconosciute, raccomandate e descritte correttamente dai sistemi di intelligenza artificiale.

Il tuo brand deve diventare un’entità leggibile dall’IA

Nell’era della ricerca basata sull’intelligenza artificiale, non basta più esistere online, bisogna esistere come entità.

È il filo conduttore che attraversa ogni risposta di Emilia, dal ruolo dell’internal linking secondo WebKnoGraph fino ai controlli per intercettare un Knowledge Graph Poisoning. Un’azienda può avere contenuti ottimi, un sito veloce, articoli aggiornati, ma se le macchine non riescono a collegare quel nome a un’organizzazione precisa, con prodotti, persone, sedi e relazioni chiare, resta comunque invisibile agli occhi dei sistemi che oggi mediano sempre più ricerche.

È qui che, secondo me, molti imprenditori sbagliano prospettiva. Continuano a chiedersi come scalare posizioni in classifica, quando la domanda giusta è un’altra: la mia azienda è comprensibile a una macchina prima ancora che a un utente?

I dati strutturati, la coerenza delle fonti esterne, la struttura semantica del sito non sono dettagli tecnici da delegare, sono il modo in cui oggi si costruisce fiducia agli occhi dell’IA.

Il punto più prezioso di questa intervista è che i sistemi di intelligenza artificiale hanno bisogno di prove concrete e riutilizzabili, non di dichiarazioni. Non conta cosa dici di essere, conta cosa le macchine possono verificare su di te.

Per te che guidi un’azienda, la vera domanda è una sola: stai costruendo l’identità che ti permetterà di essere trovato?

Un grazie sincero a Emilia Gjorgjevska per il suo tempo e per la precisione con cui ha condiviso il suo lavoro con noi. Interviste come questa sono molto importanti per noi: dense di sostanza, chiare nell’esposizione di concetti tutt’altro che semplici, e capaci di offrire spunti applicabili da subito.

Un contributo prezioso, che sono certo apprezzerai tanto quanto lo abbiamo apprezzato noi. L’appuntamento con SEO Confidential è per la prossima settimana con un’altra conversazione illuminante, a lunedì prossimo!