C’era una volta la ricerca: dieci link blu e una competizione ventennale per il primo posto. Ora una parte crescente delle domande non produce più una lista da esplorare, ma una risposta da leggere. Chi possiede la risposta domina il mercato della domanda. La tesi di questo articolo è che l’ottimizzazione per i modelli linguistici — LLMO, Large Language Model Optimization — non sia la nuova sigla del marketing digitale, ma la disciplina che decide se un’organizzazione esiste nel luogo dove i suoi interlocutori hanno spostato le domande.
Il traffico non tornerà
I numeri descrivono una transizione, non una moda. Lo studio del Pew Research Center sulla navigazione reale degli utenti mostra che in presenza di una sintesi generata dall’IA il click su un risultato tradizionale scende dall’15% all’8% delle visite, e che i link interni alla sintesi vengono aperti nell’1% dei casi (Pew Research Center, 2025). La sessione, in un caso su quattro, termina sulla sintesi stessa.
E il fenomeno non riguarda solo i consumatori: con un’impresa europea su cinque che già utilizza tecnologie di IA secondo Eurostat (Eurostat, 2025), una quota crescente delle domande professionali — fornitori, partner, candidature — passa dagli stessi sistemi.
Per chi ha costruito la propria visibilità sul traffico, il segnale è scomodo: l’utente servito dalla risposta non visita, non naviga, non scopre. Ma l’implicazione strategica non è “difendere i click”: è spostare l’obiettivo. La nuova unità di misura della visibilità non è la posizione nella lista — è la presenza nella risposta.
Il SEO ottimizzava per essere scelti da un utente che vede dieci opzioni. Il LLMO ottimizza per essere scelti da un sistema che ne mostra una.
Come sceglie un modello
Un modello linguistico non “classifica” come un motore di ricerca: compone. Quando risponde, attinge a ciò che ha appreso e a ciò che recupera, e privilegia — con gradi diversi secondo il sistema — le fonti che riesce a interpretare, attribuire e riusare senza ambiguità.
Ne discendono i principi operativi della disciplina. Primo: la coerenza batte l’enfasi — descrizioni allineate ovunque (sito, profili, pubblicazioni, terze parti) rendono l’entità stabile agli occhi del modello; le versioni contraddittorie la rendono inaffidabile. Secondo: la struttura batte il volume — contenuti organizzati per domande, con fatti espliciti, definizioni nette e dati attribuiti, sono più riusabili di dieci pagine promozionali. Terzo: le fonti terze pesano — essere citati da soggetti che il modello considera autorevoli vale più dell’autodichiarazione, esattamente come nella reputazione classica.
Su questo impianto metodologico l’istituto ha un fondamento pubblico: “Fatti trovare da ChatGPT”, il primo libro italiano dedicato al LLMO, scritto dal nostro founder con AIPIA — il metodo completo è nelle nostre pubblicazioni.
Cosa misurare (e cosa lasciar perdere)
Il LLMO serio comincia dalla misurazione, non dalla produzione di contenuti. Un protocollo minimo: un paniere di domande rilevanti per il vostro mercato — commerciali, informative, comparative — poste periodicamente ai principali sistemi, nelle lingue dei vostri mercati. Tre metriche: presenza (veniamo nominati?), accuratezza (i fatti sono giusti?), attribuzione (le fonti citate sono nostre o di terzi?).
Da lasciar perdere: le promesse di “primo posto garantito nelle risposte dell’IA”. I sistemi cambiano, le risposte variano con la formulazione, e chi garantisce posizioni su un meccanismo non deterministico sta vendendo certezze che non possiede. La disciplina onesta lavora sulle probabilità: rendere i propri fatti più facili da trovare, interpretare e citare di quelli dei concorrenti.
Per le organizzazioni italiane c’è una circostanza favorevole che non durerà: nella maggior parte dei settori, quasi nessun concorrente sta facendo questo lavoro in modo sistematico. Le risposte dei sistemi in italiano si formano oggi su un vuoto relativo di fonti strutturate — il che significa che chi documenta bene i propri fatti ora occupa uno spazio che tra due anni andrà conquistato. Le finestre in cui la diligenza vale quanto il budget sono rare; questa è una.
Va detto con chiarezza anche il confine con la manipolazione: il LLMO che funziona nel tempo è documentazione impeccabile di cose vere. I tentativi di gonfiare la propria rappresentazione con contenuti artificiosi hanno vita breve e coda lunga — i sistemi migliorano nel riconoscerli, e la reputazione non perdona chi viene riconosciuto.
Il protocollo operativo, passo per passo
Per chi vuole partire questa settimana e non il prossimo trimestre, la sequenza minima ha cinque passi.
Uno: il paniere di domande. Venti-quaranta domande, costruite con chi sta sul mercato: le domande commerciali (“chi può aiutarci con X”), le informative (“cos’è X e chi ne sa”), le comparative (“X o Y?”), le reputazionali (“di chi fidarsi per X”). Le domande sbagliate sono quelle autocentrate — “parlami di [nostro brand]” misura la vanità, non la visibilità.
Due: la rilevazione. Le domande vanno poste ai sistemi che i vostri interlocutori usano davvero, nelle lingue dei vostri mercati, registrando le risposte integrali. Le risposte variano tra sessioni: più rilevazioni della stessa domanda danno la distribuzione, non l’aneddoto.
Tre: la diagnosi. Per ogni domanda: presenti o assenti? Corretti o distorti? Citati come fonte o raccontati da fonti altrui? La sintesi delle tre risposte, domanda per domanda, è la mappa del lavoro da fare — e di solito ribalta le priorità che il marketing avrebbe scelto da solo.
Quattro: l’intervento alla fonte. Prima le contraddizioni (le versioni discordanti della stessa informazione), poi le assenze (i fatti veri mai documentati in forma recuperabile), infine l’autorevolezza (le conferme di terzi sui punti che contano). In quest’ordine: correggere ciò che c’è rende più credibile ciò che si aggiunge.
Cinque: il ciclo. Rilevazione ripetuta a cadenza fissa, confronto con la baseline, revisione delle priorità. Il primo ciclo produce quasi sempre le correzioni più visibili; dal terzo in poi il lavoro diventa manutenzione — ed è lì che la disciplina paga, perché i concorrenti che hanno fatto il progetto una tantum stanno già scivolando indietro.
Chi deve avere il mandato
L’esperienza suggerisce una divisione dei ruoli precisa. L’esecuzione — rilevazioni, contenuti, correzioni — vive bene nelle funzioni di comunicazione e digitale. La titolarità no: le decisioni che il LLMO solleva (cosa dichiarare pubblicamente, quali errori correggere e come, quali fatti aziendali strutturare per la citabilità) toccano il posizionamento e il rischio, e richiedono un mandato che il marketing da solo non ha. Il formato che funziona: un owner direzionale, una revisione periodica in comitato, l’esecuzione dove stanno le competenze.
Un tema che precede il marketing
L’errore di inquadramento più comune è trattare il LLMO come un canale in più nel piano marketing. Viene prima: riguarda l’identità fattuale dell’organizzazione — chi siete, cosa fate, quali evidenze lo sostengono — così come i sistemi la ricostruiscono. È il fondamento su cui poggia la reputazione nei motori generativi, e per le decisioni che tocca — cosa dichiarare, cosa correggere, dove investire — risale rapidamente al vertice.
Per questo nel lavoro di AI Reputation & Search trattiamo la visibilità generativa come una grandezza strategica: si parte dall’audit della rappresentazione, si definiscono le priorità con la direzione, e solo alla fine si produce ciò che manca.
Cosa significa per chi decide
Tre mosse, in quest’ordine. Misurate prima di produrre: senza baseline, ogni investimento in contenuti è un atto di fede. Correggete prima di promuovere: un errore fattuale nelle risposte dei sistemi vale più di dieci articoli nuovi. Assegnate la titolarità: la presenza nelle risposte è un asset aziendale, e gli asset senza owner si deprezzano.
La ricerca ha impiegato vent’anni a diventare una funzione aziendale con budget e responsabili. Le risposte faranno lo stesso percorso in molto meno tempo. La differenza, questa volta, è che chi arriva tardi non perde posizioni: scompare dalla conversazione.