L’incremento derivava da query informative temporaneamente non assorbite dall’AI Overview

L’ultimo test multivariato che abbiamo lanciato su un ecommerce con due milioni di sessioni al mese aveva un vincitore netto in termini di clic organici: +12% sul landing page report di GA4. Le conversioni da quegli stessi utenti, però, sono rimaste piatte per quattro settimane, con una significatività statistica del 99% e un MDE fissato al 5%. Il traffico aggiuntivo c’era, ma non comprava.

Abbiamo scavato nei segmenti e scoperto che la crescita veniva da una nicchia di query informative che l’AI Overview aveva smesso di assorbire solo temporaneamente, per un aggiornamento del modello. Era rumore algoritmico, non un miglioramento del funnel.

Quando il report costa più dell'ottimizzazione che dovrebbe guidare

Avinash Kaushik ha messo nero su bianco un conto che la maggior parte dei team enterprise conosce ma non ha mai avuto il coraggio di presentare al CFO: la reportistica si mangiava quasi un terzo del valore di una commessa SEO. Oggi l'incidenza del reporting nei contratti SEO può contrarsi del 60% perché gli strumenti con interfacce AI spiegano l’accaduto in autonomia. Lo stesso Kaushik stima che il carico di lavoro complessivo possa ridursi dell’80%, visto che segmentazione e targeting vengono gestiti direttamente dagli algoritmi di piattaforma — un dato che la stima di Avinash Kaushik sulla riduzione dei costi traduce in un’opportunità concreta di rinegoziazione. Eppure vedo ancora team trascorrere il venerdì a compilare slide con grafici di Search Console che non hanno potere predittivo sulle conversioni.

La visibilità AI è liquida: 1.500 prompt per due risposte uguali

Il nodo non è la scomparsa dei dati, ma la categoria sbagliata di dati che continuiamo a osservare. Le proiezioni sul tasso di zero-click del 2026 indicano che il 68% delle ricerche si chiuderà senza alcun clic. In quello spazio, misurare la presenza solo con i click-through è come valutare un negozio fisico contando chi suona il campanello, ignorando chi è già entrato da una porta scorrevole automatica.

Il prompt tracking, che molti strumenti stanno vendendo come la nuova metrica di visibilità, non regge un test di ripetibilità. Jono Alderson lo ha definito “un copia-incolla del rank tracking dentro una cosa nuova”, osservazione riportata da l'analisi critica sul monitoraggio dei prompt. Rand Fishkin ha quantificato la portata del problema: servono in media 1.500 esecuzioni dello stesso prompt per ottenere due risposte identiche dallo stesso modello, come documentato da i test di replicabilità condotti da SparkToro. Se la metrica oscilla per ragioni stocastiche, non può guidare una decisione di investimento.

Anche la correlazione tra citazione e raccomandazione è debole. Kevin Indig ha trovato che il 91% delle URL citate compare in un solo motore AI, una frammentazione descritta da l'analisi di sovrapposizione delle citazioni negli AI engine. Lily Ray ha rilevato che su 323 listicle auto-promozionali usati come fonte dalle AI, il brand era assente dalle raccomandazioni nel 69% dei casi, come evidenziato da il campione di listicle analizzato da Lily Ray. Jeff Oxford ha misurato una correlazione statistica tra citazioni e raccomandazioni di appena 0,4, in base a lo studio di correlazione di Visibility Labs. Essere citati non significa essere scelti. E essere scelti non significa aver generato un clic.

Nove ricerche per ogni domanda: il fan-out è il ranking del futuro

La vera architettura di visibilità nelle AI generazionali non sta nelle SERP tradizionali né nei report di Search Console. Sta in una pipeline a otto fasi che Google ha brevettato pezzo per pezzo. AI Mode esegue in media nove ricerche diverse per ogni domanda, generate da un LLM in parallelo; la scomposizione tecnica del query fan-out lo mostra con chiarezza.

«AI Mode uses our query fan-out technique, breaking down your question into subtopics and issuing a multitude of queries simultaneously on your behalf»: è la definizione ufficiale riportata da la guida tecnica al meccanismo di fan-out.

I sei brevetti che descrivono l’intero processo — dall’interpretazione iniziale fino alle citazioni per reasoning step — non sono teoria accademica ma documenti operativi. Il brevetto WO2024064249A1 descrive come l’LLM genera sotto-query diverse tra loro, mentre il brevetto US11663201B2 introduce un “control model” che valuta la qualità delle varianti e decide se produrne altre, con un tetto di 20 iterazioni; entrambi sono dettagliati all’interno. L’intera pipeline — contestualizzazione, fan-out, retrieval parallelo, custom corpus, ranking passage-level a coppie, selezione modelli e sintesi — è descritta in modo esplicito. E Google stessa dichiara ufficialmente che non servono ottimizzazioni speciali per apparire in AI Overviews o AI Mode, nota riportata da la documentazione ufficiale integrata nella guida.

Ecco perché il 90% delle pagine citate da ChatGPT si posiziona oltre la posizione 21 per la query principale — un dato che emerge dall'analisi sulla distribuzione del ranking delle fonti AI. Non si vince presidiando una keyword. Si vince fornendo una risposta chirurgica a decine di sotto-query generate in tempo reale, in un contesto dove il ranking avviene a livello di passaggio testuale, non di URL.

Se il controllo delle sotto-query e il ranking passage-level sono gli unici segnali che governano l’apparizione nelle risposte AI, ha ancora senso budgettare un test A/B sul meta tag title basandosi sulla variazione di clic da Search Console? O stiamo misurando un ecosistema già morto mentre quello nuovo passa attraverso una porta che nessun report standard sta ancora tracciando?