Il markdown per le AI è solo la superficie, la selezione RAG è il vero campo di battaglia
Un aggiornamento silenzioso nei crawler delle AI generative ha riacceso una rincorsa che sa già di corsa al ribasso. Da settimane, nei forum e nelle chat di settore, si parla quasi solo di markdown: servono versioni “pulite” delle pagine per risparmiare token agli LLM? È una scelta tecnica sensata o l’ennesimo vicolo cieco?
La domanda è mal posta, e rischia di far perdere di vista una trasformazione molto più strutturale nel modo in cui i contenuti vengono selezionati, spacchettati e riproposti dalle AI.
La rincorsa al markdown e il paradosso dell’accessibilità
La miccia l’ha accesa Cloudflare, mostrando come la propria infrastruttura possa generare automaticamente file markdown per abbattere il consumo di token dei modelli linguistici. La notizia è rimbalzata in un contesto più ampio, quello della discussione sul markdown per l’AI SEO. Ed è emerso un dettaglio rivelatore: il crawler OAI-SearchBot di OpenAI stava già consumando pagine markdown. In pratica, mentre il dibattito si accendeva, i bot delle AI usavano già versioni ridotte dei contenuti.
Il vero cortocircuito, però, l’ha portato alla luce Stephanie Walter con un intervento su Bluesky raccolto da l’analisi di Search Engine Journal:
Sad truth: we are making the web accessible for AIs, not for people. Some sites now offer a text version for LLMs, but still skip real accessibility needs like proper heading structure, landmarks that screen reader users need.
Creiamo versioni alternative per le macchine, ma trascuriamo l’accessibilità reale per le persone.
John Mueller è intervenuto sullo stesso thread con una risposta che è già diventata un mantra per molti SEO:
A properly made website works well for AI agents … and search engines, and LLMs, and above all, for actual people. If you’re trying to fix accessibility issues by making a separate “agent-friendly” version, you are just building technical debt. You’ll have to redo it multiple times. Just fix it.
Parole che arrivano dalla posizione di Google sul markdown per AI. Mueller ha ragione, ma la sua osservazione inchioda un equivoco: stiamo guardando il dito invece della luna. Il vero scossone non è il formato, ma come i modelli decidono quali pagine leggere e citare.
Ciò che conta davvero: come la RAG seleziona i contenuti
La tecnica che sta ridisegnando la visibilità organica è la retrieval augmented generation (RAG): il processo per cui un LLM interroga un indice per recuperare informazioni aggiornate e contestuali prima di formulare la risposta. Non stiamo più parlando solo di posizionamento in SERP, ma di essere la fonte che il modello sceglie, spacchetta e cita.
La RAG non è un concetto teorico: è il meccanismo che fornisce ai modelli dati corretti e recenti per evitare allucinazioni, come spiega la guida alla RAG su Ahrefs. Si articola in tre fasi precise: Retrieval, Augmented, Generation. Le stesse fasi RAG chiariscono che la battaglia si gioca tutta nel primo passaggio: quali pagine vengono recuperate, e in base a cosa.
Qui entrano in gioco i segnali on-page più classici, quelli che conosciamo da anni ma che oggi pesano in una catena diversa. La ricerca di Dan Petrovic citata nella spiegazione dei fattori on-page per la RAG mostra che titolo, meta description/summary e URL determinano quale pagina viene letta per intero. E le fonti vengono selezionate in base a criteri precisi: pertinenza, autorevolezza, recenza e diversità di prospettiva, come riportato nella analisi dei criteri di selezione RAG.
Ma non è tutto. Il contenuto recuperato viene suddiviso in porzioni più piccole, i chunk, attraverso un processo descritto nella trattazione del chunking dei contenuti. Questo significa che la struttura del testo, la gerarchia delle informazioni e la densità semantica diventano decisive: se un concetto chiave finisce in un chunk poco rilevante, il modello può ignorarlo.
Nel frattempo, Jérôme Salomon ha trovato tracce di un indice di ricerca proprietario di ChatGPT, un vero e proprio archivio di contenuti cachati che il modello consulta. E non parliamo di una libreria piatta: esiste un canale preferenziale, un tier VIP di fonti “labrador” (Reuters, WSJ, Wikipedia e altri editori con licenza) che viene alimentato separatamente. Il divario tra chi sta dentro e chi resta fuori da quel circuito è già realtà.
Il cantiere aperto: markup semantico e fattori di ranking
Mueller è tornato sull’argomento in modo ancora più netto, sconsigliando versioni markdown dedicate per gli agenti AI: un sito ben progettato funziona naturalmente per AI, motori di ricerca, LLM e persone, secondo l’avvertimento di Mueller sul markdown. Aggiungere una versione “agent-friendly” separata genera solo debito tecnico che andrà rielaborato più volte, come sottolineato dallo stesso monito di Mueller.
Il punto operativo è questo: chi oggi produce file markdown paralleli ma non tocca heading, metadati, URL parlanti e gerarchia semantica del contenuto sta ottimizzando per il 2016. La RAG premia i siti che offrono un solo documento, solido, ben strutturato e immediatamente interpretabile da una macchina—senza bisogno di versioni alternative. Significa rimettere a posto l’accessibilità vera, quella che serve agli screen reader e agli indici delle AI. Significa presidiare i criteri di selezione: pertinenza, autorevolezza, recenza. Significa smettere di rincorrere il formato e iniziare a governare la sostanza.
