Scrivi in modo troppo complesso? L’AI fa più fatica a usare il tuo contenuto

Quando due fonti dicono la stessa cosa, l'AI preferisce quella scritta in modo più chiaro e diretto — non quella più lunga o più tecnica. La metrica che governa questa preferenza si chiama perplexity score. Ti spiego come scrivere contenuti che l'AI processa facilmente e perché la chiarezza è un vantaggio tecnico misurabile.

C’è una metrica che l’AI usa — spesso senza che tu ne sappia niente — per valutare quanto è facile lavorare con il tuo testo. Si chiama perplexity score. E se scrivi in modo contorto, con frasi lunghe, gergo inutile e struttura caotica, stai inconsapevolmente segnalando all’AI che il tuo contenuto è difficile da processare.

La conseguenza è concreta: quando due fonti dicono la stessa cosa, quella con perplexity più bassa — cioè quella più chiara, diretta, prevedibile — viene preferita. Non è una questione di stile. È un vantaggio tecnico misurabile.

Questo è il primo dei miei articoli dedicati alle metriche AI. Prima di parlare di log-probability, BLEU/ROUGE o Citation Accuracy, ha senso partire da qui: da come i modelli linguistici valutano e misurano il testo che incontrano. Perché capire questo meccanismo cambia il modo in cui scrivi — e quindi come vieni citato.

Il contesto: come l’AI cerca e valuta le fonti

Il panorama della ricerca è cambiato in modo strutturale. Come documenta uno studio recente, “the rapid adoption of generative AI-powered search engines like ChatGPT, Perplexity, and Gemini is fundamentally reshaping information retrieval” (Aggarwal et al., 2025, arxiv.org/abs/2509.08919).

Questo non è un cambiamento di interfaccia. È un cambiamento nel modo in cui le informazioni vengono selezionate, ponderate e restituite. I motori AI non restituiscono link: costruiscono risposte sintetizzando fonti. E per farlo devono valutare ogni fonte su più dimensioni — tra cui quanto è facile estrarla, riformularla e usarla senza introdurre errori.

La perplexity è una di quelle dimensioni.

Il punto di partenza, quindi, non è “come faccio a piacere all’algoritmo”. È: il mio contenuto è scritto in modo che un modello possa usarlo senza sforzo? Perché se la risposta è no, il modello userà il contenuto di qualcun altro. Il tuo brand non compare, non viene citato, non esiste nella risposta che l’utente legge. E questo accade indipendentemente da quanto sia accurato, completo o autorevole quello che hai scritto.

Cos’è la perplexity e cosa misura davvero

In statistica, la perplexity misura quanto un modello è “sorpreso” da una sequenza di testo. Come precisa la letteratura tecnica, “from a statistical perspective, Perplexity is inversely proportional to the likelihood function” (Zhu et al., 2024, arxiv.org/html/2404.09135v1). Più alta è la probabilità assegnata al testo, più bassa è la perplexity — e viceversa.

In pratica: un testo con struttura prevedibile, frasi chiare, progressione logica lineare ha bassa perplexity. Il modello “se lo aspetta”, nel senso che ogni parola segue con alta probabilità dalla precedente. Un testo con salti logici, gergo oscuro, subordinate annidate e ordine del discorso incoerente ha alta perplexity — il modello è continuamente sorpreso, deve fare più lavoro per costruire una rappresentazione interna coerente.

Faccio un esempio diretto. “La tokenizzazione converte il testo in unità numeriche” ha bassa perplexity. “Il processo tokenizzativo trasforma tramite suddivisione l’input testuale in rappresentazioni sub-lessicali codificate numericamente” dice la stessa cosa con alta perplexity. Per il modello, il primo testo è più facile da estrarre, citare e riformulare. Il secondo richiede più lavoro e ha più margine di errore.

Una precisazione necessaria: la ricerca più recente segnala che “perplexity can be unreliable, especially when input length varies” (Wang et al., 2026, arxiv.org/abs/2602.04099). Questo non invalidà la metrica — significa che non va usata come numero assoluto, ma come segnale relativo. A parità di lunghezza, tra due testi che dicono la stessa cosa, quello con perplexity più bassa viene processato meglio.

Perché questo si traduce in visibilità AI

Il collegamento tra perplexity e citazione non è diretto come un ranking factor SEO classico. È più sottile, e funziona su tre livelli.

Estrazione più precisa. I modelli recuperano informazioni suddividendo i documenti in chunk. Un chunk con linguaggio chiaro fornisce un’informazione precisa e isolabile. Un chunk con linguaggio contorto offre un’informazione embedded in rumore sintattico — il modello può estrarla, ma con meno certezza.

Riformulazione con meno distorsione. Quando il modello parafrasa una fonte, trasforma il testo originale in qualcosa di adatto alla risposta che sta costruendo. Un testo chiaro viene riformulato con meno rischio di perdere il significato originale. Un testo ad alta perplexity ha più probabilità di essere mal parafrasato, con conseguente perdita di attributo o — peggio — introduzione di un’imprecisione.

Segnale di qualità implicito. Durante il training con feedback umano (RLHF), i valutatori preferiscono risposte chiare e dirette. Il modello impara ad associare chiarezza con qualità. Da questo segue che, nel momento in cui sceglie tra fonti comparabili, tende a privilegiare quelle con caratteristiche linguistiche simili alle risposte che ha imparato a produrre.

Il paradosso è che molti professionisti scrivono in modo complesso convinti di apparire più autorevoli. Per l’AI è l’opposto: la complessità linguistica non necessaria è un segnale di bassa qualità, non di competenza.

C’è un secondo paradosso, più sottile. Le aziende che investono di più nella produzione di contenuti — lunghe guide, whitepapers, report settoriali — tendono a scrivere in modo più elaborato. Più il documento è formale, più la prosa si infarcisce di nominalizzazioni, passive e strutture burocratiche. Il risultato è che i contenuti più costosi da produrre sono spesso quelli con la perplexity più alta — e quindi quelli che l’AI fa più fatica a usare.

Come applicare questo ai tuoi contenuti

Non servono strumenti tecnici per misurare la perplexity. Servono criteri pratici per ridurla sistematicamente.

• Una frase, un concetto. Se una frase contiene due concetti distinti, spezzala in due. L’AI processa meglio testi con frasi corte e a struttura soggetto-verbo-complemento.

• Gergo solo quando aggiunge precisione. “Processo” è meglio di “processo operativo sistemico”. Il termine tecnico si giustifica quando il termine generico perderebbe precisione — non per apparire più esperto.

• Struttura prevedibile per ogni sezione. Introduzione al concetto → sviluppo → implicazione pratica. Il modello è addestrato su testi con questa struttura ricorrente: la riconosce, la processa, la estrae meglio.

• Forma attiva invece della forma passiva. “L’AI seleziona le fonti” ha perplexity più bassa di “Le fonti vengono selezionate dall’AI attraverso un processo di selezione”. La voce attiva è più prevedibile per il modello.

• Test della lettura ad alta voce. Ogni frase che richiede di essere riletta per essere capita ha perplexity troppo alta. Se devi tornare indietro, il modello fa lo stesso — con meno tolleranza di te.

Un audit pratico che puoi fare oggi

Prendi i tre contenuti del tuo sito che vuoi far emergere nelle risposte AI. Per ognuno, applica questo processo in quattro passi:

1. Leggi ogni sezione ad alta voce, frase per frase. Segna ogni frase che non scorre al primo ascolto.
2. Ogni frase che hai segnato: semplificala fino a quando non riesci a leggerla senza esitazioni.
3. Ogni paragrafo con più di tre concetti distinti: spezzalo in paragrafi separati, uno per concetto.
4. Ogni termine tecnico senza spiegazione immediata: aggiungi la spiegazione nella stessa frase o in quella successiva.

Dopo questo audit, i tuoi contenuti avranno una perplexity strutturalmente più bassa. Non perché li hai semplificati — ma perché li hai resi più processabili. C’è una differenza: un contenuto chiaro su un tema complesso è ancora un contenuto esperto. Un contenuto contorto su un tema semplice non lo diventa per questo.

La chiarezza è il requisito tecnico minimo per esistere nelle risposte AI. Le altre metriche — come la log-probability che approfondiremo nel prossimo articolo — lavorano su un testo che il modello riesce già a processare. Se la perplexity è alta, quelle metriche diventano irrilevanti.

Inizia da qui. Se lavori già con un consulente su strategia di contenuto o visibilità AI, chiedi di inserire un check della complessità sintattica nel processo di revisione — non come elemento stilistico, ma come requisito tecnico. Non è una variabile marginale: è il filtro d’ingresso attraverso cui passa tutto il resto.

Vuoi capire perché i tuoi contenuti non compaiono nelle risposte AI anche quando sei l’esperto riconosciuto nel tuo settore?