Ti è mai capitato di digitare la stessa query su Google, su Gemini o su ChatGPT e trovare risposte completamente diverse?

Non è un caso, né un’impressione.

È il risultato naturale del fatto che questi sistemi funzionano in modo molto diverso e valutano i contenuti secondo logiche distinte. Anche con la stessa identica keyword, Google Search, Gemini, ChatGPT, Perplexity e gli AI Overview generano risultati che possono divergere radicalmente.

Ma come possiamo spiegare tutto questo, se molti sostengono che la SEO non è affatto morta e che la GEO sarebbe solo un modo elegante per descrivere una normale evoluzione semantica di pratiche che, in fondo, restano le stesse….

1. Se gli algoritmi sono davvero gli stessi, perché i risultati generati dai modelli AI sembrano appartenere ad un altro universo?
2. Perché Google premia un set di contenuti, mentre Gemini o ChatGPT ne selezionano uno completamente diverso?
3. Se la GEO è solo un’etichetta, come mai gli LLM scelgono fonti che non compaiono nemmeno nelle prime pagine della SERP?
4. Se il “posizionamento” è lo stesso di sempre, perché basta cambiare sistema di ricerca per ottenere risposte che non hanno alcuna correlazione con i risultati Google?
5. Che cosa valutano gli LLM che Google Search ignora, e viceversa?
6. Come può un contenuto essere invisibile in SERP, ma diventare improvvisamente la fonte principale negli AI Overview o in Perplexity?
7. Se davvero nulla è cambiato, perché improvvisamente parlano tutti di pertinenza semantica, chunk, entità e answerability?
8. Cosa significa davvero “essere rilevanti” per un LLM, e perché questo non coincide necessariamente con essere posizionati in alto su Google?
9. È ancora corretto parlare di “indicizzazione”, o dobbiamo iniziare a parlare di “selezione contestuale” da parte dei modelli generativi?
10. E soprattutto: come possiamo creare contenuti che funzionino contemporaneamente per la SERP tradizionale e per i sistemi di ricerca AI-first?

Il Sistema di risultati degli LLM considera il ranking della SERP come la conosciamo oggi per fornirci le risposte?

Non esitono fonti ufficiali ma non sembrerebbe esserci un collegamento tra #1 in SERP di conseguenza #1 negli LLM.
È molto probabile che, per generare le sue risposte, Google AI e sistemi simili prendano in considerazione un ampio insieme di documenti, non solo quelli visibili nella SERP tradizionale. Di conseguenza: non sempre “fare SEO classica” garantisce di essere selezionati come fonte dagli AI. Il sistema sembra guardare molto di più a contenuto, pertinenza e struttura, non solo ranking e link.

SIMULAZIONE LLM — Query: “tapis roulant per dimagrire velocemente”

SERP vs AI Overview

Aspetto	SERP tradizionale	AI Overview (LLM)
Origine dei contenuti	Pagine ordinate da ranking SEO	Documenti pertinenti + reranking contestuale
Numero contenuti considerati	10–15 visibili	50–300 recuperati + 3–10 finali
Tipo di risposta	Lista di link	Risposta diretta sintetica
Completezza	Variabile, spesso frammentata	Molto alta, integrata
Fonti	Solo quelle in SERP	Anche contenuti fuori SERP
Livello tecnico	Dipende dagli editori	Dipende dai documenti scelti
Utilità per l’utente	Richiede lettura e confronto	Subito utile, “chiavi in mano”
Criteri di selezione	SEO, backlink, domini	Pertinenza + rilevanza contestuale
Produzione	Documenti esistenti	Generazione basata su più fonti

Confronto tra 3 risposte LLM

Aspetto	Gemini-style	ChatGPT-style	Perplexity-style
Tono	Tecnico, strutturato	Bilanciato e pratico	Factual, diretto
Focus	Durata + pendenza	Intensità + calorie	Tecnica + cardio zone
Avvertenze	Deficit calorico	Dipende da persona	Dipende da metabolismo
Modalità	Allenamento lineare	HIIT + pendenza	HIIT + cardio zone
Dettaglio calorie	Medio	Chiaro (300–600 kcal)	Variabile
Obiettivo	Spiegare “come” agire	Guidare l’utente	Risposta rapida

L’esperimento mostra chiaramente che:

• La SERP tradizionale restituisce pagine frammentate e spesso generiche.
• Un AI Overview / LLM produce risposte più complete perché analizza molte più fonti e applica un reranking basato sulla rilevanza reale, non sulla SEO classica.
• Il contenuto che vince negli LLM non è quello meglio ottimizzato SEO, ma quello più rilevante, profondo, contestualizzato e con chunk chiari e ad alta densità informativa.

Come gli LLM percepiscono una ricerca e la trasformano in un risultato: il vero significato del flusso “Millions → Hundreds → A few → Answer”

Quando un utente scrive una query – per esempio “migliore tapis roulant per dimagrire velocemente” – i sistemi tradizionali e i modelli linguistici non la trattano allo stesso modo.
La SERP classica di Google nasce da un processo deterministico basato su ranking SEO, autorità dei domini, segnali comportamentali e ottimizzazioni on-page.
Un LLM, invece, segue una sequenza diversa, più vicina alla comprensione umana che al calcolo statistico.

Il flusso “Millions → Hundreds → A few → Answer” rappresenta esattamente come gli LLM – compresi quelli integrati nei motori di ricerca moderni – interpretano, selezionano e trasformano l’informazione in una risposta generativa.

1. Millions – Il modello percepisce l’intera conoscenza disponibile

Il punto di partenza è il corpus completo dei contenuti indicizzati: milioni di documenti tra pagine web, PDF, articoli, manuali, recensioni, guide tecniche e fonti strutturate.

Qui l’LLM “non cerca”, percepisce la query come un concetto, non come una serie di parole.
La frase viene convertita in un embedding, cioè una rappresentazione numerica che ne cattura il significato.

Per il modello, la query non è “tapis roulant per dimagrire”, ma:

• un’intenzione (dimagrire)
• un oggetto (tapis roulant)
• un contesto d’uso (allenamento cardio)
• un obiettivo (perdita di peso)

In questa fase l’LLM non valuta ancora i contenuti: comprende ciò che l’utente vuole ottenere.

2. Hundreds – Il recupero dei contenuti pertinenti (semantic retrieval)

Una volta compresa la query, il sistema passa alla fase di retrieval semantico, selezionando dai milioni di documenti solo quelli semanticamente vicini alla richiesta.
Questa fase non equivale alla SERP tradizionale: è più ampia e meno vincolata ai ranking SEO.

Il modello sceglie:

• contenuti che parlano di tapis roulant
• contenuti che parlano di perdita di peso
• guide cardio
• articoli tecnici sulla pendenza o sulla frequenza cardiaca
• pagine prodotto
• recensioni
• studi sull’esercizio fisico
• PDF di allenamento

Indipendentemente dalla posizione in SERP.

È la fase chiamata pertinenza semantica:
“Tra tutti i documenti che conosco, quali parlano dell’argomento della query?”

Questo produce un insieme di decine o centinaia di documenti: i “Hundreds”.

3. A few – Il reranking contestuale scelto dagli LLM (Ranking API)

Qui avviene la parte più importante e rivoluzionaria: la Ranking API.

Il sistema confronta ogni documento pertinente con il contesto reale della domanda:

• risponde davvero all’intento?
• spiega come scegliere un tapis roulant per dimagrire?
• dà informazioni complete?
• è accurato e coerente?
• offre indicazioni pratiche o solo descrizioni generiche?
• contiene entità rilevanti (inclinazione, programmi HIIT, calorie, pendenza)?
• è chiaro e leggibile dai modelli?

È la fase di rilevanza contestuale.

Questa fase non considera più:

• backlink
• autorità SEO
• CTR
• struttura HTML

Perché il modello non deve posizionare pagine: deve costruire una risposta corretta e utile.

Alla fine di questo processo, dei 100 contenuti pertinenti, ne rimangono pochi:
sono gli “A few”, quelli che il modello ritiene più rilevanti.

4. Answer – La generazione della risposta

L’LLM ora ha:

• la query come embedding
• un sottoinsieme ristretto di documenti rilevanti
• un contesto chiaro
• entità e concetti fondamentali per rispondere

Da qui costruisce la risposta finale.

La risposta non è copiata:
è una sintesi contestuale, costruita fondendo:

• le informazioni essenziali dai documenti selezionati
• la conoscenza linguistica del modello
• le relazioni semantiche tra concetti

Per l’utente è una risposta.
Per il modello è la conclusione di un processo di comprensione, selezione e ricostruzione.

La query compare due volte nel flusso perché guida due operazioni diverse:
prima identifica i contenuti pertinenti (Search API = pertinenza semantica), poi seleziona quelli che rispondono davvero all’intento dell’utente (Ranking API = rilevanza contestuale).
La pertinenza semantica è sempre stata parte della SEO, ma negli LLM diventa il primo filtro assoluto e indipendente dai segnali SEO tradizionali.
È per questo che contenuti non posizionati possono comunque entrare nelle risposte AI.

Questa è la distinzione fondamentale che separa la SEO tradizionale dall’ottimizzazione per gli LLM.

Dimensione	Search API (Pertinenza)	Ranking API (Rilevanza)
Funzione	Trovare	Scegliere
Domanda chiave	“Parli del tema?”	“Rispondi bene alla query?”
Output	100+ documenti	3–10 documenti
Livello	Semantico	Contestuale
Usata da	SERP (in parte)	AI Overview / LLM
Considera SEO?	Parzialmente	Zero

Quindi come dobbiamo valutare i contenuti per indicizzare le pagine sapendo che la query agisce sulla pertinenza semantica e anche sulla rilevanza in tutto il processo?

Per anni abbiamo ripetuto che “content is king”. Oggi quel principio non basta più: il contenuto rimane essenziale, ma a determinare davvero la visibilità — soprattutto negli LLM, negli AI Overview e nei sistemi di ricerca generativa — è la rilevanza contestuale. È questa la nuova forma di “king” che governa la selezione dei contenuti.

Comprendere la pertinenza semantica e la rilevanza contestuale .

La pertinenza semantica è sempre stata uno dei pilastri della SEO moderna. Già con Hummingbird, RankBrain e BERT, Google ha iniziato a interpretare non solo le parole chiave, ma il significato delle query, cercando pagine che trattassero realmente l’argomento richiesto. Nella SERP tradizionale, però, la pertinenza semantica è solo una parte del sistema: un contenuto può essere perfettamente pertinente ma non posizionarsi, perché il ranking dipende anche da fattori come autorevolezza del dominio, link, struttura tecnica e segnali comportamentali degli utenti.

Negli LLM, invece, la pertinenza semantica assume un ruolo completamente diverso. È il primo filtro assoluto con cui il modello seleziona, tra milioni di documenti, quelli che parlano davvero dell’argomento della query. Qui non contano backlink, dominio o ottimizzazione SEO: conta solo la similarità di significato calcolata sugli embedding.

È per questo che gli LLM recuperano spesso fonti che non compaiono nella prima pagina Google, e a volte nemmeno nella SERP visibile. La pertinenza semantica è così il punto di partenza del nuovo paradigma AI-search, e rappresenta il confine netto tra la logica della SERP e quella della generative search.

Gli LLM non lavorano come un motore di ricerca classico: non leggono il web “in ordine”, non scansionano tutte le pagine e non assegnano posizione in base a backlink o volume del testo.

Gli LLM selezionano il contenuto usando un processo diverso, composto da due fasi: recupero semantico e riordinamento basato sulla rilevanza contestuale. Prima identificano migliaia di documenti che “parlano dell’argomento”, poi li passano a un modello di ranking che valuta quali rispondono meglio alla query dell’utente. Solo i contenuti che superano questo secondo filtro finiscono in una risposta generativa, in un riepilogo di AI Overview, in una citazione di Perplexity o nel contesto con cui ChatGPT costruisce una risposta.

È qui che entra in gioco la rilevanza contestuale: non misura solo se un testo è semanticamente simile alla query, ma se risponde davvero all’intento, se è chiaro, accurato, completo e strutturato in modo leggibile per un modello. In altre parole, è la metrica che determina se un contenuto merita di essere usato dagli LLM come fonte autorevole.

Ottimizzare i propri contenuti per la rilevanza contestuale significa parlare la stessa lingua dei modelli linguistici. Significa produrre testi che vengono recuperati facilmente nella fase semantica e scelti dal reranker come “migliore risposta” nella fase contestuale. Ed è proprio questa capacità di essere scelti che oggi definisce la vera indicizzazione negli LLM.

Che cos’è la pertinenza semantica?

La pertinenza è la misura della somiglianza tra la query dell’utente e i contenuti presenti in un insieme di documenti.
Indica quanto un contenuto è semanticamente vicino alla domanda posta, indipendentemente dal fatto che risponda o meno in modo completo.

Che cos’è la rilevanza contestuale?

La rilevanza semantica è la misura del grado di vicinanza tra il significato della query e il significato di un contenuto.
Non valuta le parole esatte utilizzate, ma la somiglianza concettuale tra ciò che l’utente cerca e ciò che il documento comunica.
In altre parole:
un contenuto è semanticamente rilevante quando parla delle stesse cose, anche se usa parole diverse.

Vediamo all’atto pratico come sono strutturati sia la pertinenza semantica che la rilevanza contestuale e se possiamo intervenire su di essi per calibrare le informazioni agli LLM.

Come calcolare la pertinenza semantica e si può controllare?

La pertinenza semantica si calcola confrontando il significato della query con il significato dei documenti nel corpus.
Non si basa su parole uguali, ma su similarità concettuale.
Per farlo, i sistemi di AI moderna utilizzano due strumenti fondamentali:

1. Embeddings (la rappresentazione numerica del testo)
2. Misure di similarità (per confrontare query e documenti)

Il processo avviene in tre fasi principali.

Trasformazione del testo in embedding

La query e ogni documento vengono convertiti in un embedding, cioè un vettore numerico in uno spazio a molte dimensioni (spesso da 1536 fino a 4096 dimensioni, a seconda del modello).

Un embedding è una sorta di “firma semantica” del testo, che cattura:

• significato
• contesto
• relazioni concettuali
• sfumature linguistiche
• co-occorrenze
• entità implicite

Ciò permette al modello di riconoscere come simili frasi che usano parole diverse, ma significano la stessa cosa.

Esempio:
“correre in salita sul tapis roulant”
è semanticamente vicino a
“usare la pendenza per aumentare calorie”.

Confronto matematico tra vettori (similarità)

Una volta ottenuti gli embedding, il sistema calcola la distanza o la similarità tra:

• embedding della query
• embedding di ogni documento

I metodi più comuni sono:

• cosine similarity (il più usato)
• L2 distance
• dot product

La cosine similarity misura l’angolo tra i vettori:
più i vettori puntano nella stessa direzione → più sono semanticamente simili.

Valori tipici:

• 1 = identici
• 0 = non correlati
• <0 = concetti opposti

Selezione dei contenuti più simili (retrieval)

Il sistema ordina i documenti in base alla similarità calcolata e seleziona quelli che superano una soglia.
Di solito:

• da milioni di documenti → ne restano 50–300
  Essi costituiscono la fase Hundreds, cioè il “recupero dei contenuti pertinenti”.

Questi documenti non sono ancora i “migliori”:
sono semplicemente quelli che “parlano della stessa cosa”.

Successivamente, entreranno nella Ranking API, che sceglie tra questi solo i più rilevanti.

Un embedding rappresenta ogni elemento in uno spazio a n dimensioni con i numeri della rappresentazione in virgola mobile n (tipicamente in un intervallo da –1 a 1 o da 0 a 1).

Non possiamo manipolare direttamente la similarità semantica, perché è una proprietà matematica degli embedding. Tuttavia, possiamo influenzarla creando contenuti completi, coerenti, ricchi di entità e privi di rumore: è così che aumentiamo le probabilità di essere recuperati nella fase Hundreds degli LLM.

Come si calcola la rilevanza: reranker, bi-encoder e cross-encoder

La rilevanza — intesa come la capacità di un contenuto di rispondere davvero a una query, più che semplicemente “parlare dello stesso tema” — viene calcolata in genere con un approccio in più stadi, che combina velocità e precisione. I due modelli principali usati oggi sono il bi-encoder e il cross-encoder, con un ruolo diverso nel processo di retrieval + ranking.

Bi-Encoder: codifica separatamente la query e i documenti in vettori (“embeddings”). Quando un utente invia una query, il sistema calcola l’embedding della query e confronta rapidamente (per esempio con similarità coseno) con gli embedding pre-calcolati dei documenti. Questa architettura è molto veloce e scalabile, adatta a filtrare milioni di documenti in pochi millisecondi.

Cross-Encoder: invece di codificare separatamente, il modello riceve insieme la query e ogni documento candidato, concatenandoli e processandoli con un modello transformer che valuta interazioni token-per-token tra query e testo. Questo consente una valutazione molto più precisa e contestuale, perché tiene conto di negazioni, relazioni semantiche complesse, co-referenze, contesto e struttura frase per frase.

Aspetto	Bi-Encoder	Cross-Encoder
Come codifica query e documento	Separatamente	Insieme
Output	Vettori → similarità	Score di rilevanza
Velocità	Molto alto	Lento
Scalabilità	Milioni di documenti	Solo pochi candidati
Comprensione profonda	Bassa	Alta
Uso tipico	Retrieval (Hundreds)	Reranking (A Few)
Domanda a cui risponde	“Di cosa parla?”	“È utile per rispondere?”

A cosa serve il Reranker nel flusso?

Il reranker è il modello che trasforma la semplice pertinenza semantica in rilevanza contestuale.
È il passaggio critico tra:

Hundreds → A Few

Ed è decisivo perché determina quali contenuti verranno realmente usati dall’LLM per costruire la risposta.

L’indicizzazione negli LLM si basano sul reranker?

Sì, perché il reranker decide quali contenuti vengono usati nella risposta finale.

Il flusso è sempre questo:

Millions → Hundreds → A Few → Answer

• “Hundreds” = pertinenza semantica (bi-encoder)
• “A Few” = reranker (cross-encoder, scoring contestuale)
• “Answer” = LLM che genera la risposta

Se un contenuto:

• non supera la fase Hundreds → non esiste per l’AI
• non supera la fase A Few → non entra nella risposta
• non entra nella risposta → non ha visibilità AI

Quindi l’ottimizzazione LLM-first si basa sui criteri di reranker, perché è lì che si vince o si perde la visibilità.

A. Ottimizzazione per il retrieval (Hundreds)

→ Migliorare la pertinenza semantica
→ Essere trovati tramite embedding
→ Aumentare copertura semantica, entità, densità informativa

B. Ottimizzazione per il reranker (A Few)

→ Migliorare la capacità della pagina di rispondere realmente
→ Essere scelti come fonte finale della risposta
→ Struttura, chiarezza, contenuto utile, riduzione rumore, formati answer-first

È la seconda fase quella che determina:

• visibilità negli AI Overview
• citazioni nelle risposte
• traffico generato da sistemi di ricerca AI
• priorità della tua fonte rispetto ai competitor

ESPERIMENTI AI GEO MAMAGARI

All’attivo abbiamo per i nostri clienti analisi dati su keywords e domini per avere una visione dell’indicizzazione utile per i nostri clienti.

Conclusione – L’approccio GEO di MaMagari

L’evoluzione dei motori di ricerca verso modelli basati su LLM ha cambiato radicalmente il modo in cui i contenuti vengono selezionati, compresi e trasformati in risposte. Non è più sufficiente essere “pertinenti”: per ottenere visibilità negli AI Overview e nei sistemi di ricerca generativa bisogna superare il vero discriminante del nuovo paradigma, il reranker.

Ed è proprio su questo punto che si concentra il metodo GEO sviluppato da MaMagari.
Lavoriamo al contrario: analizziamo come gli LLM recuperano, valutano e classificano i contenuti esistenti, riproducendo nella maniera più fedele possibile il comportamento del reranker. Da questa analisi risaliamo alla qualità effettiva delle pagine, evidenziamo ciò che manca per ottenere uno score di rilevanza più alto e riscriviamo il contenuto affinché diventi la migliore fonte possibile per l’intento dell’utente — non solo per la SERP, ma soprattutto per i modelli che oggi generano le risposte.

Questo approccio permette di ottimizzare i testi non più “per Google”, ma per come gli algoritmi AI comprendono e selezionano le informazioni. È il passaggio strategico necessario per aumentare la visibilità nei contesti generativi, ottenere citazioni nei risultati AI e costruire una presenza solida nel nuovo ecosistema della ricerca.

MaMagari è oggi la prima agenzia in Italia specializzata in GEO (Generative Engine Optimization): un metodo avanzato, fondato sullo studio del reranker e sulla riscrittura semantica, progettato per posizionare brand e contenuti all’interno dei sistemi di ricerca di nuova generazione.

Chi vuole competere nella nuova era della ricerca deve andare oltre la SEO tradizionale: deve iniziare a ottimizzare per gli LLM. E noi lo facciamo già.

Fonti articolo:
Google DeepMind – “Generative AI in Search”

Google AI Studio – Ranking API (retrieve, rerank, answer)

OpenAI – Best Practices for RAG

Nils Reimers – Sentence Transformers (SBERT)

Cohere – ReRank

ColBERT – Stanford

Perplexity – How sources are selected

Milvus – Vector search fundamentals

Elastic – Hybrid search

Alessio Pomaro – Rilevanza contestuale (Italia)