Lo standard cinese elenca divieti concreti, ma il confine tra ottimizzazione lecita e manipolativa resta affidato all’intenzione

Immaginate un A/B test in cui ogni strumento di analytics dichiara un vincitore diverso. Nessun professionista della CRO porterebbe quel risultato in riunione. È però la situazione attuale della visibilità nelle risposte generative: secondo il report dell’Interactive Advertising Bureau “Measuring Visibility in theAI Era”, pubblicato ad agosto, più di 20 aziende vendono strumenti di AI visibility e ognuna usa una metodologia propria. Per lo stesso brand o lo stesso publisher, quindi, le risposte cambiano a seconda dello strumento. A metà settembre, più di un mese fa, il 中国商务广告协会 (China Commercial Advertising Association) ha pubblicatolo standard di settore T/CAACCHINA 001—2026, dedicato alla Generative Engine Optimization (GEO). Ora che la novità si è attenuata, si può guardare con più calma a cosa regola davvero.

Venti strumenti, venti verità sullo stesso brand

Il dato dell’IAB va letto per quello che è. Non dice che gli strumenti siano inaffidabili in assoluto. Dice che non sono confrontabili tra loro. Chi lavora sui test conosce bene il problema: se cambia la definizione della metrica, cambia il risultato, e senza una definizione condivisa non c’è baseline. Senza baseline non si calcola un effetto minimo rilevabile e non si capisce se un aumento è un segnale reale o rumore di misura. Su questa base già fragile, ogni regola che voglia separare l’ottimizzazione lecita da quella scorretta parte con un limite strutturale. Può descrivere le pratiche, ma fatica a verificarne gli effetti.

Lo standard cinese: un elenco di divieti e un aggettivo da riempire

T/CAACCHINA 001—2026 è un 团体标准, cioè uno standard di gruppo emesso da un’associazione di settore. Non è una norma di legge. Nella scheda ufficiale compaiono nomi come 利欧集团数字科技有限公司, 三六零科技集团有限公司 e 阳狮集团 (Publicis). La pagina però non chiarisce quale ruolo abbiano avuto nella stesura, ed è meglio non ricavarne più di quanto c’è scritto. Dalla scheda emergono anche due dettagli formali. Il primo riguarda la sequenza delle date: lo standard risulta implementato il 10 settembre 2026 e pubblicato il 14 settembre, quindi l’attuazione precede di quattro giorni la pubblicazione. Il secondo è che il testo dichiara di non contenere brevetti.

Nel merito, il documento ha due parti molto diverse. La prima è netta. Come riportato da un articolo pubblicato su Sina Finance il 16 settembre, lo standard stabilisce che non si deve interferire con l’output dei modelli attraverso prompt injection, keyword stuffing, false attribuzioni di autorevolezza, testo nascosto o altre tecniche black hat. È un elenco di comportamenti concreti e, almeno in linea di principio, osservabili. Un testo nascosto si trova, un’istruzione iniettata in una pagina si può documentare, un’attribuzione di autorevolezza falsa si può smentire.

La seconda parte è più sfumata. Lo standard chiede che la produzione di contenuti si basi su informazioni reali, fonti credibili e bisogni degli utenti, con un’ottimizzazione definita “positiva” (正向优化). Il principio è condivisibile, ma dal punto di vista sperimentale descrive soprattutto un’intenzione. Cosa rende “positiva” un’ottimizzazione? Il processo con cui è stata fatta, il risultato che produce o entrambi? Se un brand riscrive le schede prodotto per rispondere meglio alle domande reali degli utenti e la sua presenza nelle risposte AI cresce, l’intervento sembra lecito. Ma se la stessa crescita arriva da cento varianti di pagina quasi identiche, scritte ciascuna per una formulazione diversa della domanda, il confine diventa meno chiaro. I divieti sono verificabili. L’aggettivo “positiva”, invece, deve ancora essere riempito di contenuto.

Pechino e Mountain View tracciano la stessa linea

Quest’ultimo esempio non è casuale, perché coincide con una regola già in vigore nella ricerca occidentale. Nella sua guida all’ottimizzazione per le funzionalità AI, Google afferma che creare contenuti separati per ogni variazione di ricerca, con lo scopo principale di manipolare i ranking o le risposte AI generative in Google Search, viola la sua policy anti-spam sullo “scaled content abuse”. La formulazione è diversa da quella cinese, ma la logica è la stessa: il problema non è la tecnica in sé, è lo scopo manipolativo. In entrambi i casi il criterio di giudizio è l’intenzione di chi ottimizza, non un valore misurato.

La convergenza ha un aspetto rassicurante. Il confine etico della GEO si sta definendo in modo simile in contesti normativi e commerciali molto lontani. Resta però scoperto il confine misurabile. Le regole di Pechino e quelle di Mountain View dicono entrambe cosa non fare. Nessuna delle due indica come dimostrare che un miglioramento di visibilità derivi da un lavoro lecito sui contenuti e non da una forzatura del modello.

Qui il ragionamento torna al punto di partenza. Se più di venti strumenti non concordano su quanto un brand sia visibile, oggi nessuno è in grado di progettare in modo rigoroso l’esperimento più utile: confrontare un’ottimizzazione “positiva” con una manipolativa e misurare la differenza di effetto con una metrica condivisa e una significatività dichiarata. Finché manca questo, gli standard possono sanzionare le pratiche più evidenti, ma non possono certificare quelle che funzionano davvero. Per chi lavora sulla visibilità nelle risposte generative, quindi, il primo test da progettare riguarda lo strumento di misura. Solo dopo ha senso testare i contenuti.