L’architettura della Synthetic Search

Visibilità, transazione e dato nell’era dell’AI search. Una breve guida per chi deve decidere adesso.

In tre cifre

Il search non è più un canale di traffico granitico e garantito. È diventato un’infrastruttura di risposta con sue regole e dinamiche in perpetua evoluzione. Quello che cerco di fare di seguito è individuare quei trend emergenti per aiutare nelle decisioni critiche che ci attendono nei prossimi mesi.

I dati confermano una biforcazione: il traffico organico tradizionale si contrae, mentre cresce l’interazione “Zero-Click” — l’utente ottiene la risposta senza mai visitare un sito.

Tuttavia, non dobbiamo cadere nel determinismo tecnologico. Google non distruggerà il proprio modello economico (advertising) per favorire l’AI gratuita. Assisteremo a un’evoluzione ibrida in cui la visibilità si paga in due valute: budget media (per i click residui) e dati strutturati (per la citazione nelle risposte AI).

La strategia per il 2026 non è abbandonare il vecchio per il nuovo. È costruire un sistema a doppia tenuta: ottimizzare per l’AI dove l’utente cerca risposte rapide, e costruire asset proprietari difendibili dove l’utente cerca valore ed esperienza.

L’investimento infrastrutturale che questo report propone — audit dei dati strutturati, completamento dei feed prodotto, implementazione di Schema.org avanzato — migliora le performance sia nel search tradizionale sia nel nuovo ecosistema AI. Il valore non dipende da un singolo scenario: questi interventi producono risultati in ogni configurazione futura del search. Anche se l’Agentic Commerce dovesse ritardare di due anni, o se Google facesse un rollback parziale delle AI Overviews, un dataset strutturato e un’autorità basata su entità rimangono asset proprietari che migliorano le performance su qualsiasi canale, inclusi Paid Search e Social.

Non stiamo proponendo di sperimentare con l’AI. Stiamo proponendo di bonificare l’infrastruttura dati.

1. Il contesto: cosa sta succedendo al search

La biforcazione

Google controlla ancora oltre il 90% della quota di mercato search globale [1]. Ma il significato di “search” è cambiato. Oggi il search è un sistema a due strati: il motore tradizionale (link blu, annunci, snippet) e uno strato generativo (AI Overviews, AI Mode, ChatGPT, Perplexity) che si sovrappone al primo.

I due strati coesistono, ma producono esperienze utente radicalmente diverse. Nel primo, il motore indica dove trovare l’informazione e l’utente visita il sito. Nel secondo, il motore sintetizza la risposta e l’utente spesso non ha motivo di cliccare.

I numeri

Ahrefs ha confrontato il CTR della posizione organica #1 prima e dopo l’introduzione delle AI Overviews sulle stesse keyword informazionali: dal 7,6% di dicembre 2023 all’1,6% di dicembre 2025 [4]. Chi ottimizzava per “essere primo su Google” sta ottimizzando per una posizione che rende un quinto di due anni fa.

Il contrappunto

Lo studio Semrush di fine 2025 introduce una sfumatura: il tasso di zero-click per le keyword con AI Overview è in realtà calato nel corso dell’anno [5]. Le AI Overviews hanno raggiunto un picco di circa il 25% delle query a luglio 2025, per poi scendere al 15,69% a novembre. E il 76,1% degli URL citati nelle AI Overviews si posiziona anche nella top 10 organica tradizionale [7]. Il SEO tradizionale non è irrilevante — resta il fondamento. Ma il fondamento da solo non basta più.

Il SEO tradizionale (…) resta il fondamento. Ma il fondamento da solo non basta più.

Gartner aveva previsto nel 2024 un calo del 25% dei volumi di ricerca tradizionale entro il 2026 [8]. È una previsione da prendere con cautela. Ma la direzione è coerente con i dati: il search tradizionale non sta scomparendo. Si sta restringendo come percentuale dell’ecosistema di discovery.

Quanto è esposta la vostra revenue

Una domanda che vale la pena porsi adesso: qual è la percentuale del vostro fatturato digitale che dipende da traffico organico non-branded?

Se il 40% del vostro traffico e-commerce arriva da ricerche organiche non-branded, e il CTR medio sulle vostre keyword informazionali si riduce del 58% per effetto delle AI Overviews, non state perdendo posizioni — state perdendo il meccanismo che convertiva posizioni in visite. Non serve un calcolo esatto. Serve identificare la quota di revenue che dipende da un funnel che sta cambiando forma, per dimensionare l’urgenza degli interventi.

Revenue-at-Risk = Rorg-nb × %Kaio × Δctr

2. La tesi: il sistema a doppia tenuta

La risposta strategica alla biforcazione del search non è scegliere tra il vecchio e il nuovo. È costruire un sistema che tenga su entrambi i fronti.

Primo fronte: ottimizzare per l’AI dove l’utente cerca risposte rapide. Query informazionali, confronti prodotto, domande su specifiche e disponibilità. Qui l’AI sintetizza e l’utente non clicca. L’obiettivo non è il traffico — è la citazione. Servono dati strutturati, contenuto modulare e fact-dense, autorità semantica.

Secondo fronte: costruire asset proprietari difendibili dove l’utente cerca valore. Configuratori avanzati, esperienze personalizzate, contenuto esclusivo, community, consulenza, supporto, esperienze premium/community. Qui l’AI non può sostituire il sito, perché il valore è nell’interazione, non nell’informazione. Questi sono i “fossati difensivi” — le ragioni per cui l’utente torna sul sito anche quando l’AI gli ha già dato la risposta.

La doppia tenuta non è un compromesso. È una strategia in cui il primo fronte genera visibilità e credibilità nell’ecosistema AI, e il secondo fronte protegge il margine e la relazione con il cliente. Chi investe solo sul primo fronte diventa visibile ma commodity. Chi investe solo sul secondo diventa irrilevante per l’AI e progressivamente invisibile nella fase di discovery. Servono entrambi.

3. Agentic Commerce: esporre le API, proteggere il margine

Il meccanismo

L’agentic commerce è un modello in cui agenti AI autonomi ricercano, confrontano e acquistano prodotti per conto dell’utente, interagendo con i siti e-commerce attraverso API e protocolli standardizzati — non attraverso interfacce grafiche progettate per esseri umani.

Due protocolli, due modelli di business

L’ecosistema agentic commerce si sta consolidando attorno a due protocolli concorrenti, con implicazioni diverse per chi vende.

OpenAI: Agentic Commerce Protocol (ACP). Protocollo open source co-sviluppato con Stripe, licenza Apache 2.0. Alimenta l’Instant Checkout in ChatGPT: l’utente conversa, l’agente presenta il prodotto, il checkout avviene dentro la chat. Oggi supporta acquisti da venditori Etsy US, con oltre un milione di merchant Shopify in arrivo [30]. Il merchant resta titolare della relazione cliente (merchant of record), inclusi fulfillment, resi e assistenza. OpenAI agisce come intermediario conversazionale, non come marketplace.

Dal 9 febbraio 2026, OpenAI ha iniziato a testare annunci pubblicitari all’interno di ChatGPT per gli utenti US dei tier Free e Go [31], con un modello cost-per-view. Il CPM iniziale è di circa $60, con un commitment minimo di $200.000 per gli advertiser in fase pilota [32] — un posizionamento premium che limita l’accesso a brand enterprise. Più di 30 client Omnicom partecipano al pilota [33]. L’implicazione: ChatGPT sta diventando contemporaneamente un canale di discovery conversazionale, un canale transazionale e un canale media. Chi lo tratta come un singolo touchpoint sta sottovalutando la convergenza.

Google: Universal Commerce Protocol (UCP). Protocollo open source presentato al NRF di gennaio 2026, co-sviluppato con Shopify, Etsy, Wayfair, Target, Walmart e oltre 20 partner tra cui Mastercard, Visa, American Express, Adyen [34]. UCP è progettato per coprire l’intero percorso di acquisto — dalla discovery al checkout al post-vendita — attraverso un linguaggio comune per agenti AI, merchant e payment provider [35]. La differenza chiave: UCP si innesta sull’infrastruttura Google esistente. I merchant possono usare i feed di Google Merchant Center già attivi per rendere i prodotti disponibili all’acquisto tramite AI Mode e Gemini [36]. Questo abbassa drasticamente la barriera d’ingresso — chi ha già un feed Shopping è a metà strada. Ma introduce anche il rischio che Google diventi il layer dominante tra il brand e il consumatore: i prodotti vengono confrontati e acquistati all’interno dell’ambiente Google, con il retailer che fornisce il prodotto ma la piattaforma che controlla l’interazione [37].

L’impatto per chi deve decidere

La scelta non è “o l’uno o l’altro”. La logica modulare di entrambi i protocolli consente l’implementazione parallela. Ma le priorità di investimento sono diverse: chi ha già Merchant Center attivo parte da UCP con effort marginale. Chi vuole presidiare il canale conversazionale investe in ACP.

Le proiezioni e i dati misurati

McKinsey stima tra 3.000 e 5.000 miliardi di dollari di commercio mediato da agenti AI entro il 2030 [13]. Morgan Stanley prevede che quasi metà degli acquirenti online userà agenti AI entro il 2030, per circa il 25% della spesa [14]. Secondo eMarketer, le piattaforme AI genereranno $20,9 miliardi di spesa retail nel 2026, quasi quadruplicando il 2025 [45]. Sono range estremamente ampi — il che implica alta incertezza. Ma i dati misurati nel 2025 danno concretezza alla direzione.

Siamo all’inizio della curva di adozione nei mercati occidentali. L’influenza dell’AI sulle decisioni è già misurabile. L’esecuzione autonoma della transazione è ancora marginale — ma la Cina sta già mostrando volumi di scala. L’infrastruttura si sta costruendo adesso.

La curva di adozione: commodity e B2B prima, esperienziale dopo

L’agentic commerce non avrà la stessa velocità di adozione in tutti i segmenti. La variabile discriminante non è la dimensione del mercato — è il tipo di decisione d’acquisto.

Commodity e acquisti ripetitivi (adozione rapida). Detersivi, prodotti per la casa, cancelleria, materiali di consumo. Qui il valore dell’agente AI è massimo: elimina la fatica cognitiva, confronta prezzo e disponibilità in millisecondi, esegue il riordino senza intervento umano. Per acquisti a bassa considerazione dove la convenienza conta più dell’esperienza, l’automazione completa è il modello naturale [38].

B2B e procurement (adozione potenzialmente più rapida del B2C). Cicli di acquisto ripetitivi, esigenze prevedibili, strutture di approvazione codificate. Gartner prevede che entro il 2027 gli agenti AI avranno un ruolo significativo nel procurement B2B [39]. I “Big 3” dell’eProcurement (SAP Ariba, Coupa, Amazon Business) stanno già investendo in capacità agentiche. Il B2B ha un vantaggio strutturale: le specifiche di prodotto sono già parametriche, i cataloghi sono già strutturati per Punchout, i flussi di approvazione sono già digitali. L’infrastruttura è più pronta di quanto lo sia nel B2C.

Retail ed e-commerce (adozione differenziata). Per acquisti a bassa considerazione e alta ripetitività, l’agente AI eccelle. Per acquisti brand-driven, il valore dell’interazione umana con il prodotto (visual merchandising, storytelling, prova virtuale) resta dominante. Solo il 34% dei consumatori americani si fida attualmente a delegare acquisti all’AI, ma il dato sale a oltre il 70% tra la Gen Z per acquisti di routine [40]. La fiducia cresce dove la decisione è parametrica; resta bassa dove è emotiva.

Travel. Prodotti intrinsecamente parametrici (date, destinazione, prezzo, classe). L’agente AI gestisce combinazioni multiple meglio di un comparatore. Prerequisito: API con disponibilità e pricing real-time, politiche di cancellazione machine-readable. Ma il Trust Gap è significativo: l’utente non si fida ancora a delegare un pagamento da 2.000€ a un’AI. Per i pacchetti esperienziali (resort di lusso, safari, crociere), la decisione resta profondamente emotiva e sensoriale — l’agente può filtrare, ma il cliente vuole “sentire” la destinazione prima di comprare.

Finance e Insurance. Prodotti confrontabili su parametri espliciti (massimale, franchigia, tasso). Ma la regolamentazione introduce complessità: chi è responsabile del consiglio dell’agente AI? Per le commodity finanziarie (RC Auto, conto corrente) l’adozione sarà rapida. Per i prodotti complessi (vita, investimenti, mutui) l’interazione umana o semi-assistita resterà centrale.

La regola operativa: più la decisione è parametrica e ripetitiva, più veloce sarà l’adozione dell’agentic commerce da parte dei player. Più la decisione è emotiva, esperienziale e ad alto coinvolgimento, più lenta sarà la curva. Ma anche per i prodotti esperienziali, la fase di discovery e shortlisting passerà dall’AI — è la fase di conversione che resterà umana più a lungo.

La Commodity Trap: il rischio nascosto dell’agentic commerce

C’è un rischio che il consenso di mercato sull’agentic commerce sottovaluta. Se esponete solo prezzo e specifiche tecniche via API, l’agente AI vi confronterà matematicamente con i competitor. Il risultato è una guerra al ribasso dove vince chi ha il prezzo più basso — non chi ha il prodotto migliore.

Questo è il Commodity Trap: rendere il proprio catalogo perfettamente leggibile dall’AI senza differenziazione significa diventare una riga in una tabella di confronto.

La contromisura: arricchire i dati strutturati con attributi non comparabili numericamente. Garanzia estesa, supporto post-vendita dedicato, policy di reso superiore, certificazioni, sostenibilità verificata, esperienze proprietarie incluse. L’AI può confrontare “prezzo: 149€ vs 159€”. Fa più fatica a confrontare “garanzia a vita con sostituzione immediata” vs “garanzia standard 24 mesi”. Gli attributi qualitativi e le policy di servizio sono il terreno dove il brand può differenziarsi anche in un contesto di confronto automatico.

Nella logica della doppia tenuta: il primo fronte (API leggibili, dati strutturati) vi rende visibili all’agente AI. Il secondo fronte (attributi soft, esperienza proprietaria, servizio) vi protegge dalla commoditizzazione.

Il test operativo

Avere un feed per Google Shopping non equivale ad avere un feed pronto per l’AI.

Se il vostro feed attuale copre solo la colonna sinistra, il gap è nella colonna destra.

Dove il modello si rompe: la fiducia

Quasi l’80% dei leader di istituzioni finanziarie intervistati da Accenture si aspetta un aumento delle frodi legato all’agentic commerce [18]. La governance, l’audit trail e i protocolli di sicurezza sono ancora in fase di definizione. Prepararsi è necessario. Farlo con consapevolezza dei limiti di sicurezza lo è altrettanto.

4. Dal SEO al GEO: dal ranking alla probabilità di citazione

Il cambio di paradigma

Nel SEO tradizionale, il motore indica dove trovare l’informazione e l’utente visita il sito. Nella ricerca generativa, il motore sintetizza la risposta e — se va bene — cita la fonte. La metrica non è più il ranking. È l’inclusione nella sintesi.

Ma c’è una differenza ancora più profonda. Il SEO è deterministico: per una data keyword, esiste una classifica stabile. La GEO è probabilistica: non esiste una “Posizione 1” garantita, ma una probabilità di citazione che varia per ogni utente, per ogni sessione, per ogni formulazione della query.

Un dato da SparkToro di gennaio 2026 lo conferma: la probabilità che ChatGPT restituisca la stessa lista di brand in due risposte successive alla stessa domanda è inferiore all’1% [19].

Questo cambia radicalmente la conversazione con il cliente. Non possiamo promettere il “controllo” della visibilità AI. Possiamo promettere la minimizzazione dell’errore: fare in modo che i dati, i contenuti e l’identità semantica del brand siano così completi e coerenti che l’AI abbia la massima probabilità di citarci correttamente — e la minima probabilità di allucinare o di ignorarci.

I dati della decorrelazione

Uno studio Surfer SEO su oltre 170.000 URL ha rilevato che il 68% delle pagine citate nelle AI Overviews non figurava nella top 10 organica tradizionale [20]. Solo il 12% degli URL citati da ChatGPT si posiziona nei primi dieci risultati Google [21].

Il contrappunto: il 76,1% degli URL citati nelle AI Overviews di Google si posiziona anche nella top 10 organica [7]. La contraddizione si spiega così: le AI Overviews di Google pescano prevalentemente da fonti già autorevoli nel ranking tradizionale. ChatGPT e Perplexity no. La correlazione tra ranking e citazione AI dipende dalla piattaforma. Ottimizzare solo per Google organico copre parzialmente le AI Overviews, ma lascia scoperti ChatGPT e Perplexity.

Dall’ottimizzazione keyword all’ottimizzazione entità

L’AI non “cerca” keyword. Espande la query in sotto-query (query fan-out), recupera contenuti semanticamente adiacenti, li sintetizza. Se il vostro brand non è un nodo riconosciuto nel grafo semantico dell’AI per quel topic, non verrà citato.

Retail: non posizionarsi per “migliori scarpe running” — fare in modo che il prodotto sia descritto con attributi espliciti (peso, drop, superficie, distanza) che l’AI possa confrontare quando l’utente chiede “scarpa running leggera per mezza maratona su asfalto”.

Travel: costruire contenuto granulare che risponda a query composite: “resort Maldive all-inclusive con barriera corallina per famiglia con bambini sotto 6 anni”. L’AI decompone la query in sotto-entità e cerca contenuti che coprano ciascuna.

Finance/Insurance: descrivere il prodotto con parametri (massimale, franchigia, esclusioni, target, copertura geografica), non con claim (“la protezione che meriti”). Le query assicurative sono tra le più sensibili a errori dell’AI.

L’audit semantico: correggere prima di costruire

Un punto operativo che viene spesso trascurato: prima di investire in nuova visibilità AI, verificate cosa l’AI ha già associato al vostro brand. Testate le query strategiche su ChatGPT, Perplexity e Google AI Mode. Se l’AI restituisce informazioni errate — prezzi sbagliati, specifiche obsolete, associazioni semantiche fuorvianti — il primo investimento non è in nuovi contenuti. È in correzione.

L’audit semantico è l’equivalente di un check-up prima di iniziare un allenamento. Non ha senso costruire autorità su fondamenta in cui l’AI vi descrive male.

La frizione con gli stakeholder

Il 60% dei team marketing pianifica di riallocare parte del budget SEO verso l’ottimizzazione per AI search entro il 2026 [22]. Ma la conversazione è difficile: state chiedendo di investire in un canale dove la visibilità è probabilistica, il risultato non è un click ma una menzione, e gli strumenti di misurazione non sono maturi.

L’approccio: non presentare il GEO come sostituto del SEO. Presentarlo come il secondo fronte della doppia tenuta. Il SEO porta traffico. Il GEO costruisce autorità nel layer dove l’utente prende decisioni senza cliccare. Condividono l’infrastruttura — dati strutturati, contenuto autorevole, architettura semantica. Il costo marginale del GEO, se l’infrastruttura SEO è solida, è significativamente più basso che partire da zero.

5. Ingegneria dei dati ad alta densità e sovranità del dato

Le sezioni precedenti hanno spiegato perché i dati strutturati contano. Questa spiega come stanno messi i vostri, e introduce una scelta strategica che dovrete affrontare: quanti dati dare all’AI, e quali trattenere.

Lo stato dell’adozione

Solo circa il 30% delle pagine web usa markup Schema.org [23]. Circa 45 milioni di domini hanno implementato dati strutturati, pari a circa il 12,4% dei domini registrati [24]. Eppure l’impatto è documentato: GPT-4 passa dal 16% al 54% di risposte corrette quando il contenuto si basa su dati strutturati [25]. Le pagine con markup strutturato ottengono circa il 30% di click in più nei risultati tradizionali [26]. I LLM ancorati a knowledge graph raggiungono un’accuratezza tre volte superiore rispetto a quelli basati su dati non strutturati [27].

“Sto già facendo Schema.org” — ma a quale densità?

Molte organizzazioni hanno Schema.org in versione minima: Organization, Breadcrumb, qualche FAQ. La differenza tra “avere Schema.org” e “avere Schema.org ad alta densità” è la differenza tra essere tecnicamente presenti e essere utilizzabili dall’AI.

Schema.org base (quello che probabilmente avete):

{
  "@type": "Product",
  "name": "Scarpa Running Pro X",
  "brand": "BrandName",
  "offers": {
    "price": "149.99",
    "priceCurrency": "EUR",
    "availability": "InStock"
  }
}

Schema.org ad alta densità (quello che serve all’AI):

{
  "@type": "Product",
  "name": "Scarpa Running Pro X",
  "brand": { "@type": "Brand", "name": "BrandName" },
  "category": "Road Running Shoes",
  "weight": { "@type": "QuantitativeValue", "value": 200, "unitCode": "GRM" },
  "additionalProperty": [
    { "name": "Drop", "value": "4mm" },
    { "name": "Upper Material", "value": "Engineered Mesh" },
    { "name": "Outsole", "value": "Carbon Rubber" },
    { "name": "Intended Use", "value": "Half Marathon to Marathon" },
    { "name": "Surface", "value": "Road / Asphalt" },
    { "name": "Arch Support", "value": "Neutral" }
  ],
  "audience": { "@type": "PeopleAudience", "suggestedGender": "Unisex" },
  "size": "36-48 EU",
  "offers": {
    "price": "149.99",
    "priceCurrency": "EUR",
    "availability": "InStock",
    "shippingDetails": {
      "deliveryTime": { "minValue": 1, "maxValue": 2 }
    },
    "hasMerchantReturnPolicy": {
      "returnPolicyCategory": "FreeReturn",
      "merchantReturnDays": 30
    }
  },
  "aggregateRating": { "ratingValue": "4.6", "reviewCount": "1283" }
}

Nel primo caso, l’AI sa che esiste un prodotto a €149,99. Nel secondo, l’AI può confrontare peso, drop, materiale, superficie ideale, politica di reso — e inserire il prodotto in una raccomandazione specifica.

La Low-Data Density non vi rende solo invisibili. Vi rende vulnerabili

Il rischio allucinazioni

Se non fornite voi i dati strutturati, l’AI li inferirà da fonti terze — review, comparatori, forum — con margini di errore. La Low-Data Density non vi rende solo invisibili. Vi rende vulnerabili: il brand perde il controllo sulla propria rappresentazione nell’ecosistema AI.

La scelta strategica: Data Negotiation

C’è una tensione strutturale che questo report deve esplicitare. Fornire dati strutturati completi e gratuiti all’AI migliora la vostra visibilità — ma addestra anche il modello che poi trattiene l’utente sulla propria interfaccia (Zero-Click). In un certo senso, rischiate di diventare “manutentori non pagati” dell’infrastruttura di Google e OpenAI: investite risorse per produrre dati strutturati che queste piattaforme usano per dare risposte senza mandare traffico al vostro sito.

La strategia di Data Negotiation propone un approccio selettivo: fornire all’AI i dati necessari alla visibilità e alla citazione, ma trattenere i dati proprietari ad alto valore dietro esperienze proprietarie o login.

In pratica:

Dati da esporre (primo fronte — visibilità): specifiche prodotto, prezzo, disponibilità, policy di reso, attributi tecnici, FAQ strutturate. Tutto ciò che serve all’AI per citarvi e raccomandarvi. Questo è il costo di ingresso nell’ecosistema AI — non è negoziabile.

Dati da proteggere (secondo fronte — fossato difensivo): configuratori complessi (es. personalizzazione prodotto), recensioni verificate esclusive, contenuto premium, strumenti di calcolo personalizzati (es. simulatore mutuo, calcolatore premio assicurativo), dati di esperienza d’uso proprietari. Questi asset vivono sul vostro sito, dietro interazione o login, e danno all’utente un motivo per venire da voi anche dopo aver ricevuto la risposta dall’AI.

Pro e contro della Data Negotiation

Il contrappunto onesto

La Data Negotiation non è una strategia priva di rischi. Google ha storicamente favorito i contenuti liberamente accessibili e penalizzato le tattiche di cloaking o gating aggressivo. Se la protezione dei dati proprietari viene implementata in modo che impedisce il crawling, il risultato potrebbe essere una penalizzazione nel ranking organico tradizionale — vanificando il primo fronte della doppia tenuta.

La linea di equilibrio è questa: i dati strutturati e il contenuto informativo restano aperti e machine-readable (è il prezzo della visibilità). L’esperienza proprietaria — il configuratore, lo strumento interattivo, la consulenza personalizzata — è il layer che vive sul sito e non può essere replicato dall’AI. Non state nascondendo informazioni. State creando valore che esiste solo nel vostro ambiente.

Il prerequisito organizzativo

L’implementazione richiede che il team creativo e il team tecnico lavorino sullo stesso deliverable. Il copywriter produce il testo per la pagina prodotto, lo sviluppatore implementa il template tecnico. Nessuno dei due è tipicamente responsabile del markup strutturato. Il primo passo non è assumere un “GEO specialist”. È creare un processo in cui ogni scheda prodotto viene verificata sia per la qualità del contenuto destinato all’utente sia per la completezza dei dati strutturati destinati all’AI.

6. Paid search e advertising nell’era dell’AI search

Questo report si concentra sulla visibilità organica e sull’infrastruttura dati. Ma l’investimento advertising nel search è spesso il 50-70% del budget digital, e i segnali di cambiamento sono già misurabili.

La compressione del real estate

Il meccanismo è fisico, prima che economico. Quando un’AI Overview appare in SERP, occupa la parte superiore dello schermo — spesso l’intero above-the-fold su mobile. I risultati organici vengono spinti in basso. E soprattutto: dove prima c’erano 4 slot premium per gli annunci, ora possono essercene solo 2 sopra l’AI Overview [41]. Su mobile il problema è ancora più acuto: in settori come Healthcare e Gaming, gli annunci finiscono sotto l’AI Overview quasi la metà delle volte, diventando invisibili senza scroll [42].

Il risultato è una compressione dell’inventario: meno spazi disponibili, stessa (o maggiore) domanda da parte degli advertiser. La conseguenza è meccanica: i CPC salgono.

I numeri

Skai riporta nel Q3 2025 che i CPC del paid search hanno raggiunto il livello più alto degli ultimi sei anni [43]. I dati Seer Interactive su 25,1 milioni di impression confermano: il CTR paid è calato del 68% sulle query con AI Overview, passando dal 19,7% al 6,34% [29]. Su base annua, i CPC sono aumentati del 10-25% a seconda del vertical [41].

Fonti: Seer Interactive, 2025 [29]; Ahrefs, 2026 [4]; AdsNord/Varos, 2026 [41]; Skai, Q3 2025 [43].

La cascata è questa: AI Overview occupa il real estate → meno slot ads visibili → più advertiser competono per meno spazi → CPC sale → CPA/CPL sale → il budget media rende meno a parità di investimento.

Per i brand che dipendono dal paid search per la lead generation o l’e-commerce, non è un problema futuro. È un problema attuale.

Anche ChatGPT diventa un canale media

Il dato nuovo di febbraio 2026: OpenAI ha iniziato a testare annunci in ChatGPT [31], con un modello cost-per-view. Le implicazioni per i media buyer: un nuovo canale di inventory conversazionale, con un CPM iniziale premium (~$60, vs i $3-30 del display Google e i <$20 di Meta) e un commitment minimo elevato ($200.000) [32]. Per ora è un canale per enterprise. Ma se il test scala, diventa un terzo fronte di investimento media accanto a Google Search e Social.

Il contrappunto

Un dato che bilancia il quadro: i brand citati nelle AI Overviews ottengono un CTR organico del 35% superiore e un CTR paid del 91% superiore rispetto ai non citati sulle stesse query [44]. L’AI Overview non è solo un problema per il paid — è anche un’opportunità, se il brand è nella citazione. L’infrastruttura dati che serve al GEO serve anche al paid: i feed prodotto ad alta densità che vi rendono citabili dall’AI sono gli stessi che migliorano la rilevanza dei vostri Shopping Ads nel contesto generativo.

Cosa fare adesso

Monitorare l’evoluzione dei formati ads nelle AI Overviews e in AI Mode, testando le beta quando disponibili. Verificare che i feed prodotto per Shopping Ads siano già completi e ad alta densità — i feed che alimentano le campagne Shopping sono gli stessi che l’AI utilizza per le raccomandazioni generative. Segmentare il budget paid tra query transazionali ad alto intento (dove il click ha ancora valore) e query informazionali (dove l’AI Overview cattura l’attenzione e il click si rarefà). Valutare il test ChatGPT Ads se il budget e il vertical lo giustificano. E iniziare a ragionare su modelli di attribuzione che includano la visibilità non-click.

7. Competitive intelligence nell’AI search

Monitorare la vostra visibilità nelle risposte AI è necessario. Monitorare quella dei competitor è altrettanto importante — e per molti aspetti più urgente, perché vi dice dove state perdendo terreno prima che l’impatto arrivi ai numeri di business.

Perché la competitive intelligence cambia

Nel SEO tradizionale, la competizione è visibile: aprite Google, cercate la vostra keyword, vedete chi è sopra di voi. Nella ricerca generativa, la competizione è opaca. Non sapete chi viene citato nella risposta AI al posto vostro. Non sapete con quali attributi il competitor viene descritto. Non sapete se l’AI sta raccomandando il competitor come alternativa al vostro prodotto.

La probabilità che ChatGPT restituisca la stessa lista di brand in due risposte successive alla stessa domanda è inferiore all’1% [19]. Questo rende il monitoraggio più complesso — ma non meno necessario.

Come strutturare il monitoraggio

1. Definire il set di query strategiche. 30-50 query che rappresentano i momenti decisionali chiave. Non keyword generiche (“scarpe running”), ma query composite che riflettono l’intento reale (“scarpa running ammortizzata per runner pesante su asfalto, budget 120-160 euro”).

2. Testare sistematicamente su più piattaforme. Per ogni query: ChatGPT, Perplexity, Google AI Mode, Google AI Overviews. Registrare: brand citato sì/no, posizione nella risposta, attributi menzionati, competitor citati. Ripetere su campionamenti multipli per catturare la variabilità probabilistica.

3. Analizzare il gap semantico. Se un competitor viene citato e voi no, la domanda non è “come salgo in ranking” — è “cosa ha il competitor nel suo contenuto o nei suoi dati strutturati che io non ho?”. Spesso: attributi prodotto più completi, contenuto più granulare, menzioni più frequenti su fonti autorevoli (review, Reddit, pubblicazioni verticali).

4. Monitorare le fonti citate dall’AI. Le piattaforme AI citano fonti specifiche. Se i competitor appaiono su fonti che l’AI privilegia (Reddit, pubblicazioni verticali, siti di review) e voi no, il gap non è sul vostro sito — è sulla vostra presenza nell’ecosistema informativo che l’AI usa come input.

5. Cadenza mensile. L’AI search non è statico. Modelli aggiornati, fonti che cambiano peso, risposte che evolvono. Il monitoraggio trimestrale non basta.

Template operativo

Dopo 3-4 mesi di compilazione su 30-50 query, emergono pattern: topic dove siete costantemente assenti, competitor che vi sostituiscono, attributi che mancano alla vostra scheda prodotto.

8. Misurazione e attribuzione: il nodo finanziario

Il rischio maggiore di questa strategia non è tecnico. È finanziario. Se investite in GEO e il traffico al sito cala (perché l’AI risponde all’utente senza click), come giustificate il budget?

Non possiamo più misurare il successo solo con sessioni e last click. Servono metriche proxy difendibili in sede di business review.

Tre metriche per il nuovo ecosistema

Share of Model (SoM). Quante volte il vostro brand viene citato nelle risposte sintetiche per le query strategiche, rispetto ai competitor. È l’equivalente della Share of Voice nel search tradizionale, ma misurato sulle citazioni AI. Si costruisce con il monitoraggio competitivo descritto nella sezione 7: testate sistematicamente le query strategiche, contate le citazioni, calcolate la percentuale rispetto ai competitor citati.

Branded Search Correlation. Se la strategia GEO funziona, il volume di ricerche branded su Google dovrebbe crescere: l’utente si informa tramite l’AI, poi cerca il brand su Google per comprare o approfondire. Questo dato è misurabile con strumenti esistenti (Google Search Console, Google Trends) e crea un ponte tra visibilità AI e comportamento utente tracciabile.

Marketing Mix Modeling (MMM). Valutare l’impatto della visibilità AI sulle vendite totali, svincolandosi dal tracciamento del singolo click. L’MMM analizza la correlazione tra investimenti per canale e outcome di business su base aggregata. Se la visibilità AI (misurata come SoM) cresce e le vendite crescono, l’MMM può isolare il contributo — anche senza click diretti da tracciare.

La conversazione con il board

Non state chiedendo budget per sperimentare con l’AI. State chiedendo budget per bonificare l’infrastruttura dati. La proposta si difende su due livelli:

Il primo livello è l’investimento a doppia valenza: dati strutturati completi, feed prodotto ad alta densità, contenuto fact-dense migliorano le performance nel search tradizionale oggi — più rich snippet, migliore CTR, migliore qualità del traffico. Questo è misurabile con le metriche esistenti.

Il secondo livello è la protezione della revenue futura: la stessa infrastruttura prepara il brand per l’ecosistema AI search — GEO, agentic commerce, nuovi formati paid. Questo è misurabile con le metriche proxy (SoM, branded search correlation, MMM).

La domanda per il board non è “quanto costa fare questo”. È “quanto costa non farlo, se il 58% delle vostre keyword informazionali sta perdendo il 58% del CTR”.

9. Framework operativo: cosa fare, in che ordine

Matrice delle priorità

Nota sulle dipendenze organizzative

I tempi indicati si riferiscono al lavoro tecnico. L’allineamento tra team (Product, Dev, Marketing, E-commerce) è tipicamente la variabile dominante e può moltiplicare la timeline di 2-3 volte. Prima di avviare: mappate chi possiede i dati di prodotto, chi gestisce il CMS, chi ha accesso al PIM o all’ERP, chi approva le modifiche al feed. Se le risposte coinvolgono 4 team con priorità diverse, il collo di bottiglia non è tecnico — è organizzativo. Affrontatelo prima.

Declinazione per vertical

Timeline

Entro 90 giorni (Q2 2026): audit semantico (cosa l’AI già dice di voi), audit dati strutturati, chiusura gap critici nel feed prodotto, implementazione Schema.org ad alta densità sulle pagine a più alto impatto, attivazione monitoraggio competitivo. Queste azioni migliorano le performance anche nel search tradizionale.

Entro 6 mesi (Q3 2026): integrazione requisiti GEO nel processo editoriale. Consolidamento monitoraggio citazioni AI e benchmarking competitivo. Definizione KPI di visibilità AI (SoM, branded search correlation) e integrazione nel reporting. Assessment Data Negotiation: identificazione asset proprietari da proteggere. Test beta formati ads AI Overviews. Valutazione ChatGPT Ads se il vertical lo giustifica.

Entro 12 mesi (Q1 2027): valutazione readiness agentic commerce. UCP come priorità per chi ha già Merchant Center; ACP per presidiare il canale conversazionale ChatGPT. Implementazione del fossato difensivo (esperienze proprietarie, configuratori, contenuto premium). Prima iterazione di MMM con inclusione della variabile visibilità AI.

10. Quali trend tenere monitorati in corso d’opera

Cinque punti delicati da sorvegliare:

La biforcazione potrebbe essere meno netta del previsto. I dati Semrush mostrano che il zero-click rate per keyword con AI Overview è in calo nel 2025 [5]. La forte correlazione residua tra ranking e citazioni AI Overviews (76,1%) suggerisce che il SEO tradizionale potrebbe restare dominante più a lungo del previsto. Se così fosse, l’urgenza del GEO si riduce — ma non si annulla per ChatGPT e Perplexity.

L’agentic commerce potrebbe restare di nicchia nel B2C esperienziale. Lo 0,82% di referral da ChatGPT è piccolo. Le proiezioni McKinsey hanno intervalli amplissimi. Nel B2B e sulle commodity la curva sarà più ripida, ma per gli acquisti ad alto coinvolgimento emotivo l’adozione potrebbe restare marginale per anni. In questo scenario, la priorità 9 (API agentic) potrebbe essere prematura per alcuni vertical. Le priorità 1-6, però, restano valide in ogni scenario.

L’assenza di strumenti di misurazione potrebbe bloccare il budget. Se i proxy di misurazione non maturano, i team marketing investiranno in un canale che non sanno rendicontare. Il gap esiste e non sarà chiuso nel 2026. Ma chi aspetta lo strumento perfetto arriverà tardi e dovrà riconquistare posizioni che detiene storicamente

La Data Negotiation potrebbe ritorcersi. Se Google penalizza i contenuti protetti, o se l’AI privilegia sistematicamente le fonti più “aperte”, la strategia di protezione selettiva potrebbe ridurre la visibilità anziché proteggerla. La calibrazione tra dati esposti e dati protetti richiederà sperimentazione e iterazione — non esiste una formula universale.

La frammentazione dei protocolli potrebbe rallentare l’adozione. ACP e UCP sono entrambi open source ma non interoperabili. Se il mercato si frammenta tra più standard senza convergenza, l’effort di implementazione per i merchant si moltiplica e l’adozione rallenta. La Linux Foundation Agentic AI Foundation [12] lavora sull’interoperabilità, ma il risultato non è garantito.

What’s next?

Se il 93% delle sessioni in AI Mode si chiude senza un click, se il 17% degli ordini e-commerce del Thanksgiving 2025 è stato influenzato da AI e agenti, se ChatGPT sta testando annunci pubblicitari a $60 CPM, e se la probabilità di ricevere la stessa risposta da ChatGPT due volte è inferiore all’1% — chi, nelle vostre organizzazioni, sta ridefinendo i modelli di attribuzione per leggere questo nuovo funnel? E con quale mandato?

Note e reference