Ottimizzare per Google AI Overview e ChatGPT: cosa cambia quando il lettore è una macchina (workflow 2026)

5 maggio 2026. Apro Search Console di giovanniliguori.it dopo una settimana di rientro. Le impressioni nei 28 giorni precedenti sono 1.350, in crescita rispetto al baseline di 540 di gennaio. Il dato che mi interessa è un altro: la curva del CTR sui post lunghi si è abbassata di circa il 22% rispetto al picco di marzo, mentre il numero di sessioni "zero-click" cresce.

Il sospetto si verifica in tre passaggi. Controllo le query brand: stabili. Le query informazionali sul cluster automazione AI: stesse impressioni, meno clic. Apro AI Mode di Google in italiano sulla query "come usare claude per automatizzare la SEO" e leggo la risposta che Google compone in automatico. Cita due fonti, una delle quali è un mio articolo. Il lettore ha la risposta dentro la SERP. Il clic è opzionale.

Questo articolo è il workflow operativo che uso da otto settimane per ottimizzare i contenuti di giovanniliguori.it in modo che Google AI Overview e ChatGPT (quando usa Bing come search backend) li citino come fonte. Non è una guida teorica: i numeri sono quelli sopra, lo snapshot AI Mode è del 12 maggio 2026, i tool elencati sono quelli che ho testato sul mio sito in produzione.

La SERP è cambiata, il workflow di ottimizzazione anche

Il modello mentale della SEO classica è semplice: ottimizzi per match keyword, struttura H1-H6, link interni, autorità del dominio. Il lettore è una persona che cerca, scrolla, clicca. La metrica chiave è il CTR sulla SERP.

AI Overview rompe questo modello in tre punti precisi.

Primo: il motore non legge l'articolo dall'alto al basso. Lo spezza in chunk semantici (frasi o paragrafi brevi) e li recupera in modo isolato. Un paragrafo di apertura ben fatto pesa più di un H2 ricco di keyword.

Secondo: il motore non valuta l'autorità del dominio in modo monolitico. Valuta l'autorità del singolo chunk rispetto a una query specifica. Un post lungo 5.000 parole che risponde superficialmente a tutto perde contro un post di 1.500 parole che risponde a una sola query con dati verificabili.

Terzo: il motore deve citare la fonte. Se la pagina è strutturata in modo che il chunk citabile sia ambiguo (claim senza numero, affermazione senza riferimento, opinione mascherata da fatto), il motore preferisce un'altra fonte.

In pratica: ottimizzare per AI Overview è un esercizio di compressione e chiarezza, non di volume. Il lettore primario non è più la persona che scrolla, è il modello che fa retrieval e generation. Le persone vedono il risultato dopo.

Come legge un articolo Google AI Overview (modello mentale)

Per progettare il workflow serve un modello mentale di come funziona retrieval e generation. Non ho i pesi del modello di Google. Ho otto settimane di test su giovanniliguori.it ed evidenze pubbliche da Search Central e da analisi di terze parti.

Il flusso ipotetico (da verificare caso per caso, è la mia best guess):

1. La query utente entra nel sistema di retrieval di Google. Il sistema decide se attivare AI Overview o no (dipende da intent, query type, posizione geografica, lingua).
2. Se AI Overview è attivo, il sistema fa retrieval su un pool di documenti candidati (probabilmente l'indice classico filtrato). Recupera passaggi (passage retrieval), non interi documenti.
3. I passaggi vengono passati a un LLM con un prompt di sintesi. L'LLM costruisce una risposta in linguaggio naturale e attacca le citazioni ai passaggi usati.
4. La risposta viene mostrata sopra ai blue link classici, con le citazioni visibili.

L'inferenza operativa: il singolo paragrafo è l'unità di citazione. Non l'articolo. Quindi ogni paragrafo deve poter rispondere a una micro-query in modo autonomo, con numero o claim verificabile dentro, senza dipendere dal contesto del paragrafo precedente.

Ho provato a verificare questa ipotesi guardando cosa cita AI Mode sui miei contenuti. Su 11 query di test che attivano AI Overview, 7 citano un paragrafo che contiene almeno un numero o una data specifica. 3 citano un paragrafo con un "claim secco" (frase tesi senza modificatori). 1 cita un paragrafo generico. Campione piccolo (N=11), il pattern è suggestivo, va validato su volumi maggiori.

Step 1: llms.txt, il file che dice all'LLM dove guardare

llms.txt è una proposta di standard nata nel 2024 (vedi llmstxt.org) per dare agli LLM una mappa leggibile del sito, in modo simile a come robots.txt la dà ai crawler classici. Non è uno standard ufficiale W3C, non è obbligatorio, ma Anthropic e Cursor lo usano. Vale la pena averlo perché costa 10 minuti e segnala professionalità.

Struttura minima che uso su giovanniliguori.it:

# Giovanni Liguori - AI Automation Architect

> Hub professionale di Giovanni Liguori, freelancer specializzato in automazioni AI per PMI e freelancer italiani.

## Risorse principali

- [Chi sono](https://giovanniliguori.it/chi-sono): profilo, stack tecnico, P.IVA.
- [Claude AI Guida Completa 2026](https://giovanniliguori.it/blog/claude-ai-guida-completa-2026): pillar article sull'uso di Claude per il business.
- [Claude Code Caso Studio SEO](https://giovanniliguori.it/blog/claude-code-seo-caso-studio): come automatizzare la SEO di un intero sito.
- [Claude Code Routines](https://giovanniliguori.it/blog/claude-code-routines-caso-studio-architettura-ibrida): architettura ibrida Cowork locale + Routines cloud.

## Servizi

- Audit automazione gratuito 30 min: https://giovanniliguori.it/prenota
- Claude Mastery (19 euro, manuale operativo): https://giovanniliguori.it/claude-mastery

## Optional

- [Quanto costa l'automazione AI per PMI](https://giovanniliguori.it/blog/quanto-costa-automazione-ai-pmi-italia-2026)

Lo salvi in public/llms.txt (in Next.js 15 con app router) e diventa servito a https://giovanniliguori.it/llms.txt. Verifica con curl -I https://tuosito.it/llms.txt che restituisca 200 OK.

Verdetto operativo: utile come segnale ordinato, non come moltiplicatore di traffico. Non aspettarti un cambio di posizionamento da llms.txt da solo. Pensalo come humans.txt con un caso d'uso più concreto. È un investimento da 10 minuti che funziona come hygiene factor, non come differenziatore.

Step 2: schema markup che sopravvive al chunking

Schema markup (JSON-LD) è la lingua franca per dire al motore "questo paragrafo è una FAQ", "questo è un passaggio HowTo", "questo è un articolo". È utile perché aiuta il modello a capire il ruolo del contenuto senza interpretazione.

Tre schema rilevanti per AI Overview, in ordine di ROI atteso.

Article con author, datePublished, dateModified. Il primo blocco da implementare. Dice al motore "questo è un articolo firmato, datato, di un autore con identità verificabile". Esempio minimo:

{
"@context": "https://schema.org",
"@type": "Article",
"headline": "Come Ottimizzare i Contenuti per Google AI Overview e ChatGPT",
"author": {
"@type": "Person",
"name": "Giovanni Liguori",
"url": "https://giovanniliguori.it/chi-sono"
},
"datePublished": "2026-05-15",
"dateModified": "2026-05-15",
"publisher": {
"@type": "Organization",
"name": "Giovanni Liguori",
"logo": {
"@type": "ImageObject",
"url": "https://giovanniliguori.it/logo.png"
}
}
}

FAQPage. Funziona benissimo per articoli con sezioni domanda-risposta. Il motore lo legge come un set di micro-query con risposta pronta. Marker per il passage retrieval. Esempio minimo:

{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [{
"@type": "Question",
"name": "Cos'è llms.txt?",
"acceptedAnswer": {
"@type": "Answer",
"text": "llms.txt è una proposta di standard per dare agli LLM una mappa leggibile del sito, simile a robots.txt per i crawler classici."
}
}]
}

HowTo per tutorial step-by-step. Permette di marcare i singoli step in modo che il motore li reciti in ordine. Utile soprattutto per pagine di setup tecnico (esempio: "come configurare schema markup su Sanity CMS").

Verdetto operativo: Article è obbligatorio nel 2026. FAQPage ha ROI alto su articoli informazionali. HowTo è una scommessa, va testato. Implementa Article su tutti i post, FAQPage sui post che hanno naturalmente una sezione FAQ, HowTo solo su tutorial veri e propri. Validation obbligatoria con Schema Markup Validator prima del deploy.

Step 3: scrivere blocchi che rispondono a una sola query

Questa è la regola che ha cambiato di più il mio workflow di scrittura. Ogni paragrafo deve poter rispondere a una micro-query in modo autonomo. Niente "vedi sopra", niente "come dicevamo", niente "ne parliamo nel prossimo paragrafo".

Pattern che funziona, testato su 23 articoli del cluster automazione di giovanniliguori.it:

1. Domanda implicita all'inizio del paragrafo (anche solo nella mente del lettore).
2. Risposta secca nella prima frase.
3. Numero o claim verificabile entro la seconda frase.
4. Contesto nelle frasi successive (massimo 3).
5. Chiusura che riformula la risposta in modo lievemente diverso.

Esempio applicato sull'argomento "quanto costa Claude Pro":

Claude Pro costa 20 dollari al mese per l'account singolo (prezzo aggiornato a maggio 2026, Anthropic non l'ha modificato dal lancio del piano nel marzo 2024). Include accesso al modello Sonnet con quota molto più ampia rispetto al free tier, accesso ad Artifacts e ai Projects. Per uso intensivo conviene rispetto al pay-per-token via API se passi le 50 conversazioni quotidiane. Sotto quella soglia, il piano free copre.

Quel paragrafo cita un numero (20 dollari), una data (marzo 2024), un parametro operativo (50 conversazioni), e si chiude con un consiglio actionable. È un chunk citabile in autonomia. AI Overview può prenderlo e usarlo senza dover leggere il resto.

Anti-pattern da evitare: paragrafi che iniziano con "Come abbiamo visto prima", "Vediamo ora", "Passiamo al prossimo punto". Sono colla narrativa per il lettore umano, ma rompono il chunk semantico. Toglili. Quando hai bisogno di una transizione, fai un salto secco con un nuovo H2 o H3, lascia che la struttura faccia il lavoro che la prosa farebbe per un lettore umano.

Step 4: entity linking e topic cluster

Il motore costruisce mappa di entità mentre indicizza. Se il tuo articolo cita "Claude Code" senza link, è un'entità debole. Se cita "Claude Code" con link interno alla guida pillar Claude AI Guida Completa 2026, è un'entità rinforzata.

Workflow operativo che applico sui post di giovanniliguori.it:

1. Ogni articolo nuovo deve avere almeno 3 link interni (V-09 hard block del mio sistema editoriale, ABORT publish se sotto soglia).
2. Almeno uno deve puntare a un pillar article del cluster di appartenenza.
3. Almeno uno deve puntare a un articolo "sibling" (stesso cluster, profondità simile).
4. Almeno uno deve essere un link contestuale dentro un paragrafo, non un blocco "leggi anche".
5. Anchor text deve essere descrittivo, non "clicca qui" o "scopri di più". L'anchor è un segnale di entity per il modello.

Il topic cluster è il livello successivo. Pillar article al centro, articoli satellite intorno che approfondiscono micro-temi e si linkano al pillar e tra loro. Non è SEO 2014: è entity graph building per il modello che fa retrieval.

Esempio cluster reale del mio sito:

• Pillar: Claude AI Guida Completa 2026
• Cluster satellite operativi: Claude Code per la SEO, Claude Code Routines architettura ibrida, Agenti AI con Claude
• Cluster satellite economici: Quanto costa automazione AI per PMI

Ogni satellite linka al pillar. Il pillar (su revisione bisettimanale) raccoglie e collega tutti i satellite. Il modello vede un grafo coerente. La densità di entity linking interna è il segnale strutturale più forte che puoi inviare a un sistema di retrieval generativo.

Step 5: monitorare cosa cita AI Overview

Non puoi ottimizzare cosa non misuri. Search Console non ti dice esplicitamente quali query attivano AI Overview e quali no (al momento, maggio 2026, Google non espone l'informazione in dashboard). Si può ricavarla con un workflow manuale, ripetibile.

Routine settimanale che uso il lunedì mattina, 15 minuti:

1. Estraggo le top 20 query per impressioni dal report Performance di Search Console (filtro: ultimi 7 giorni).
2. Apro Google in incognito su browser desktop, lingua italiana, posizione Italia. Cerco le 20 query una per una.
3. Per ogni query, segno se compare AI Overview (sì/no), se cita giovanniliguori.it (sì/no), quale paragrafo cita (copy/paste della frase visibile).
4. Salvo i dati in un foglio con cinque colonne: query, AI_overview_attivo, citato, paragrafo_citato, articolo_sorgente.
5. Confronto con la settimana precedente: nuove citazioni guadagnate, citazioni perse.

In otto settimane di tracciamento (15 marzo - 10 maggio 2026), ho costruito un dataset di 156 osservazioni. Numero di citazioni dirette guadagnate: 11 (su 7 articoli diversi). Citazioni perse: 2 (entrambe su un articolo poi aggiornato). Il pattern emerso: paragrafi con numero specifico nelle prime due frasi sono citati 3,2 volte più spesso dei paragrafi senza numero (N=156 osservazioni, intervallo 8 settimane, ipotesi da validare su volumi maggiori).

Cinque tool gratuiti testati con verdetto operativo

Ho testato una dozzina di tool free o freemium per il workflow GEO. Cinque sono in produzione, gli altri sono stati scartati. Lista con verdetto secco.

1. Google Search Console. Strumento ufficiale, dati limitati ma autorevoli. Non ti dice se una query attiva AI Overview. Ti dice impressioni, clic, CTR, posizione media. Il primo segnale di salute. Verdetto: imprescindibile, ma serve il check manuale settimanale su AI Mode per chiudere il gap informativo.
2. Bing Webmaster Tools. Bing è il search backend di Copilot e (parzialmente) di ChatGPT search. I dati Bing sono diversi da Google. Iscriviti, verifica il sito, leggi i report ogni 15 giorni. Verdetto: utile per capire la quota Copilot/ChatGPT, il volume IT è basso (10-15% del traffico organico nel mio caso). Vale comunque il setup di 20 minuti.
3. Schema Markup Validator (validator.schema.org). Validatore ufficiale schema.org. Incolli il JSON-LD o l'URL, ti dice se il markup è corretto e quali warning ci sono. Lo uso prima di pubblicare ogni articolo. Verdetto: zero alternative, è lo standard. Esecuzione obbligatoria in ogni ciclo di publish.
4. Google Rich Results Test. Aggiunge un layer sopra al validator: ti dice non solo se il markup è valido, ma se Google lo userà per Rich Results. Utile per capire il gap tra "valido" e "utilizzato". Verdetto: complementare al Schema Markup Validator, da usare insieme nello stesso pass.
5. AI Mode di Google in italiano. Non è un tool propriamente, è una feature consumer. È il modo più diretto per vedere cosa cita Google AI Overview oggi sulle tue query. Apri in incognito, cerca, leggi le citazioni. Verdetto: il check manuale settimanale di 15 minuti è la fonte di verità più alta che ho trovato. Nessun tool a pagamento finora batte questa routine.

Quattro tool che ho testato e scartato in otto settimane: GA4 per la quota AI (dati troppo aggregati per il segnale che cerco), un tracker AI Overview di un grosso vendor SEO (paid, in beta, dati IT scarsi a maggio 2026), un paio di startup di "GEO tool" che fanno solo scraping di AI Mode senza dataset proprietario consolidato. Quando ci sarà un tool con un dataset IT solido in tempo reale lo aggiungerò al workflow.

Snapshot AI Mode IT su giovanniliguori.it (12 maggio 2026)

Cinque query specifiche, snapshot del 12 maggio 2026 (ore 14:00 CEST, browser incognito, lingua italiana, geo Italia).

Query 1: "come usare claude per automatizzare la seo" AI Overview attivo. Fonti citate: 2. giovanniliguori.it citato come #2 con paragrafo dall'articolo Claude Code per la SEO caso studio. Frase visibile: "L'audit automatizzato ha generato 47 fix in 2 ore di lavoro umano, contro le 16 ore stimate del processo manuale".

Query 2: "quanto costa automazione ai pmi" AI Overview attivo. Fonti citate: 3. giovanniliguori.it citato come #1 con paragrafo dall'articolo Quanto costa automazione AI per PMI. Frase visibile: "Una PMI italiana che automatizza tre processi medi spende tra 4.000 e 12.000 euro per il setup iniziale, con ROI atteso tra 4 e 9 mesi".

Query 3: "claude code routines vs cowork differenze" AI Overview attivo. Fonti citate: 1. giovanniliguori.it NON citato in AI Overview (l'algoritmo ha scelto Anthropic docs). Pagina mia rilevante (claude-code-routines-caso-studio-architettura-ibrida) compare in posizione 3 dei blue link sotto AI Overview. Lezione: la presenza in AI Overview non è binaria, c'è un secondo livello di visibilità nei blue link sotto.

Query 4: "agente ai con claude guida" AI Overview attivo. Fonti citate: 2. giovanniliguori.it citato come #2 con paragrafo da Agenti AI con Claude. Frase visibile: "Un agente AI è un sistema che riceve un obiettivo astratto e decide autonomamente la sequenza di azioni per raggiungerlo, accedendo a strumenti esterni".

Query 5: "claude pro prezzo" AI Overview NON attivo (Google decide di non mostrarlo per questa query, mostra direttamente la SERP classica). Risultato organico: posizione 4. Lezione operativa: non tutte le query attivano AI Overview, il modello di Google sceglie. Sulle query transazionali (prezzo, acquisto) attiva meno, su quelle informazionali attiva di più.

Pattern emerso da questo snapshot e dai precedenti: AI Overview attivo sul 78% delle query informazionali del mio cluster, citazione diretta nel 64% dei casi quando attivo, posizione media nella citation list 1,8 (su massimo 3-4 citazioni mostrate). Campione cumulativo N=156, periodo otto settimane. Ipotesi: la presenza in AI Overview correla con la densità di numeri e date nei primi due paragrafi dell'articolo. Da validare con esperimenti A/B controllati nei prossimi cicli.

ChatGPT search e Copilot: cosa cambia rispetto a Google AI Overview

ChatGPT search (rilasciato fine 2024, stabile da inizio 2025) e Microsoft Copilot usano backend di search diversi da Google. Copilot poggia su Bing in modo nativo. ChatGPT search ha un partnership Bing per molte query, ma usa anche fonti proprie e crawler OpenAI. Capire il routing è importante perché cambia dove devi essere indicizzato.

Tre osservazioni operative dal mio tracking:

Primo, Bing Webmaster Tools è non opzionale se ti interessa il traffico ChatGPT/Copilot. Il volume IT è basso (10-15% del totale organico nel mio caso) ma in crescita. La penetrazione di Copilot dentro Edge e Office 365 spinge un traffico nuovo che 12 mesi fa non esisteva. Iscriviti e verifica il sito, costa 20 minuti.

Secondo, le citazioni ChatGPT search appaiono con un formato diverso rispetto a Google AI Overview. Sono sempre cliccabili, di solito 3-5 fonti per risposta, e la posizione conta meno (l'utente le vede tutte). Il vantaggio è che il "zero-click" è meno aggressivo: l'utente che usa ChatGPT search clicca sulle fonti più spesso del 30-40% rispetto al click-through di Google AI Overview (osservazione qualitativa dai miei dati GA4, da validare con dataset più ampio).

Terzo, il pattern di scrittura GEO descritto sopra funziona per entrambi. Chunk autonomo, numero verificabile, schema markup, internal linking. Le differenze tra Google e ChatGPT search sono di routing e di interfaccia, non di criteri di selezione delle fonti. Ottimizza per il pattern, non per il vendor.

Un caveat onesto: Perplexity, You.com, Brave Search hanno comportamenti leggermente diversi. Cito ChatGPT e Copilot perché coprono >90% del traffico AI-mediato che vedo sul mio sito. Sugli altri search engine generativi non ho abbastanza dati per dire qualcosa di solido, e quando un settore è giovane preferisco tacere piuttosto che inventare.

Anti-pattern che vedo regolarmente

Errori che noto sui siti che provano a ottimizzare per AI Overview senza un workflow strutturato.

Anti-pattern 1: tutto in JSON-LD, nulla nel body. Articolo con schema markup ricco di FAQ, body senza quelle FAQ in forma di paragrafo. Il motore preferisce il body strutturato + schema markup come overlay, non lo schema markup come finto contenuto. La FAQ deve esistere come testo leggibile dall'utente, poi essere marcata come FAQ con schema.

Anti-pattern 2: paragrafi che dipendono dal contesto. Frasi che iniziano con "Quindi", "Come dicevamo", "Per riassumere". Sono leganti narrativi che il motore non sa interpretare quando estrae il chunk in isolamento. Riscrivili per renderli autonomi.

Anti-pattern 3: claim senza numero. "Molti professionisti hanno notato un grande miglioramento dopo aver implementato l'automazione". Zero numeri, zero data, zero riferimento. Non citabile. Il pattern è ovunque, sui siti corporate è la norma. Sostituiscilo con claim verificabili.

Anti-pattern 4: keyword stuffing dei vecchi tempi. Ripetere la query target 12 volte nei H2 e H3. Il modello la depista come spam, non come autorità. La regola moderna: la keyword target nel titolo, una volta nel primo paragrafo, sinonimi e varianti nel resto. Stop.

Anti-pattern 5: contenuto generato AI senza editing umano specifico. Generare un articolo da prompt e pubblicarlo as-is. Il modello detecta lo stile generico AI con buona accuratezza nel 2026 e penalizza. La generazione è uno strumento, non l'output finale. L'editing umano vale ancora più di prima, perché distingue la firma dal rumore.

Il workflow operativo settimanale

Routine che applico sul mio sito, sintesi finale.

Lunedì: estrazione top 20 query da Search Console (10 min). Check manuale AI Mode IT su browser incognito (15 min). Aggiornamento dataset osservazioni (5 min). Identificazione articolo della settimana da pubblicare o aggiornare.

Martedì: scrittura articolo seguendo i 5 step del workflow GEO descritti sopra. Validation schema markup con Schema Markup Validator e Rich Results Test.

Mercoledì: pubblicazione articolo. Pre-flight check del mio sistema editoriale interno (almeno 3 link interni come markDefs, cover Editorial Paper renderizzata, headline che regge i 5 criteri di qualità editoriale).

Giovedì: monitoring indicizzazione (URL Inspection API). Se non indicizzato entro 48h, manual request indexing.

Venerdì: audit articoli pubblicati nelle ultime 4 settimane. Check citazioni AI Mode aggiornate, eventuali refresh paragrafi citati per rinforzarli.

Weekend: off, dati maturano.

Settimana successiva, ripeti. Otto settimane di routine consistente sono il minimo per vedere segnale fuori dal rumore. Quattro settimane non bastano, lo dico per esperienza diretta (avevo provato a interpretare i dati a 4 settimane e mi sono sbagliato sulla stima di lift di un fattore 2).

Quanto è cambiata la SEO da quando esiste AI Overview

Risposta secca: non è cambiata radicalmente. È cambiato il punto di leva. La SEO classica resta valida (technical SEO, indicizzazione, internal linking, autorità). Sopra a quella base, ora c'è un layer aggiuntivo di ottimizzazione che chiamiamo GEO (Generative Engine Optimization) o AEO (Answer Engine Optimization, termine usato da chi viene dal mondo voice search).

Cosa fa la differenza nel 2026: la densità di proof per paragrafo. Numero, data, riferimento esterno verificabile, citation interna a un altro tuo articolo che ne approfondisce un sotto-tema. Più questi elementi ci sono dentro un singolo chunk, più il chunk è citabile.

Cosa non fa più la differenza: lunghezza per la lunghezza. Un articolo di 8.000 parole pieno di filler perde contro un articolo di 2.500 parole pieno di dati. Il volume aiuta solo se ogni paragrafo aggiuntivo aggiunge un'unità di senso autonoma. Altrimenti diluisce e abbassa la densità media.

Su questo punto è interessante il post di Luca Pillitteri del 29 aprile 2026 ("Claude Code for SEO: The Complete Guide"). Pillitteri costruisce una guida molto ampia (sopra le 10.000 parole) con un approccio cluster massiccio. Il mio approccio è più chirurgico: meno articoli, più curati, ogni paragrafo blindato a passo di chunk citabile. Sono due strategie valide per due profili diversi, lui ha un team editoriale, io sono uno con automazioni che genera ed edita ma sempre con human-in-the-loop sulla qualità finale. Entrambi gli approcci stanno producendo citazioni AI Overview misurabili. La scelta dipende da budget e capacità di mantenimento.

Cosa fare ora se parti da zero

Tre azioni minime se vuoi iniziare il workflow GEO sul tuo sito questa settimana.

1. Aggiungi llms.txt nella root del sito. 10 minuti. Verifica con curl.
2. Implementa Article schema su tutti gli articoli del blog. Se sei su Sanity, Next.js, WordPress, qualsiasi CMS moderno: c'è un plugin o un componente. Validation con Schema Markup Validator.
3. Riscrivi i 3 articoli più trafficati seguendo il pattern "blocchi che rispondono a una sola query" (step 3 di questo workflow). Inizia dai primi tre per impressioni in Search Console.

Tre azioni che NON serve fare al primo passo, anche se le leggi consigliate in mezzo internet.

1. Comprare un tool GEO da 100+ euro al mese. Aspetta che maturi il segmento. I tool free coprono il workflow di base.
2. Riscrivere tutti gli articoli del blog in un colpo solo. Inizia dai tre più trafficati, vedi se il pattern funziona sul tuo sito, poi scala.
3. Ottimizzare per Google Bard, Perplexity, You.com separatamente. Il workflow GEO core è sostanzialmente lo stesso per tutti i generative engine. Le differenze sono marginali e cambiano ogni 3 mesi quando i tool mutano. Ottimizza per il pattern, non per il vendor specifico.

Quanto dura tutto questo

Un'ultima cosa onesta. AI Overview, AI Mode, ChatGPT search, Copilot. Sono tutti sistemi giovani, in evoluzione. Quello che funziona oggi (maggio 2026) può non funzionare nello stesso modo a fine anno. Il workflow GEO sopra è basato su otto settimane di osservazione diretta sul mio sito + evidenze pubbliche da Search Central. È la mia best guess operativa, non un dogma.

Quello che non cambierà: il valore della densità di proof. Numeri, date, claim verificabili, riferimenti incrociati. Quello rimane il segnale forte per qualsiasi sistema di information retrieval, classico o generativo. Costruire articoli con quella densità è un investimento che paga su entrambi i fronti.

Se il workflow ti torna utile, prova un ciclo di otto settimane sul tuo sito. Misura prima, misura dopo, decidi se mantenerlo. È così che ho deciso io di tenerlo in produzione.

Il sistema funziona. Tu fallo partire.