La SEO per gli AI agent rischia di diventare il prossimo terreno fertile per checklist esotiche, nuovi file da aggiungere al server e presunti segnali capaci di sbloccare citazioni nei modelli generativi. La realtà tecnica è molto meno spettacolare: prima che un agente possa scegliere una pagina, citarla o utilizzare le sue informazioni per confrontare un prodotto, deve riuscire a raggiungerla, leggerla, estrarre i fatti importanti e trovare abbastanza evidenze per considerarli affidabili.

È il framework al centro dell’analisi pubblicata da NetContentSEO, sviluppata a partire dalla nuova guida di Semrush dedicata alla preparazione dei siti per gli AI agent. Il punto interessante è che l’agentic web non cancella la technical SEO: ne amplia il pubblico. Alle pagine non accedono più soltanto browser umani e crawler dei motori tradizionali, ma anche sistemi che recuperano informazioni per risposte live, costruiscono indici per la retrieval o operano su richiesta diretta dell’utente.

“AI crawler” è una definizione troppo generica

La guida pubblicata da Semrush il 2 settembre 2026 distingue tra crawler destinati all’addestramento, crawler di retrieval e fetcher attivati da una richiesta dell’utente. La differenza non è terminologica: determina ciò che un publisher dovrebbe decidere nel proprio robots.txt.

Un training crawler raccoglie materiale che può essere utilizzato per migliorare o addestrare modelli. Un retrieval crawler costruisce invece un indice dal quale un sistema può recuperare fonti quando deve generare una risposta. Un user-triggered fetcher visita una pagina perché una persona ha chiesto all’assistente di leggerla o utilizzarla in quel momento. Bloccare indiscriminatamente tutti i bot associati a un provider può quindi produrre conseguenze molto diverse dal semplice opt-out dal training.

OpenAI rende questa distinzione particolarmente concreta. Nelle proprie FAQ ufficiali per publisher e sviluppatori, l’azienda indica che i siti pubblici possono apparire nella ricerca di ChatGPT e raccomanda di non bloccare OAI-SearchBot se si vuole favorire la scoperta del contenuto, la sua inclusione nei riepiloghi e la possibilità di ricevere citazioni e link. Una policy robots pensata per impedire l’addestramento non dovrebbe quindi essere automaticamente estesa a ogni classe di accesso se l’obiettivo commerciale comprende anche la visibilità nell’AI Search.

Se l’agente non può recuperare la pagina, tutto il resto è irrilevante

Il primo livello della SEO per agenti è quasi banalmente tecnico: la pagina deve essere raggiungibile. Server instabili, errori HTTP, firewall, CDN configurate in modo troppo aggressivo, redirect problematici e contenuti disponibili soltanto dopo pesante rendering client-side possono ridurre le opportunità di retrieval prima ancora che qualità editoriale e autorevolezza entrino in gioco.

Semrush raccomanda di rendere il contenuto essenziale disponibile nell’HTML iniziale invece di dipendere interamente da JavaScript. Non tutti i crawler e i sistemi di retrieval dispongono infatti delle stesse capacità di rendering di un browser moderno. Una pagina perfettamente leggibile per una persona può presentarsi a un fetcher leggero come un documento quasi vuoto se informazioni fondamentali vengono inserite soltanto dopo l’esecuzione degli script.

È una continuazione naturale della technical SEO tradizionale. La domanda era: Googlebot può trovare, recuperare e comprendere la pagina? Ora bisogna aggiungerne un’altra: quali altre classi di machine visitor possono farlo in modo affidabile? Il principio resta identico, ma il numero degli attori aumenta.

Performance e affidabilità diventano vincoli di source selection

La velocità assume inoltre una sfumatura diversa quando il visitatore è un sistema automatico che sta assemblando una risposta sotto vincoli di tempo. Un utente particolarmente motivato può attendere una pagina lenta; un processo di retrieval può andare in timeout e utilizzare un’altra fonte. Per questo disponibilità e performance non sono soltanto elementi di user experience: possono incidere sul numero di occasioni nelle quali un sistema riesce materialmente a valutare il contenuto.

Semrush cita analisi secondo cui pagine frequentemente irraggiungibili o lente possono ricevere molte meno citazioni. È prudente non trasformare un singolo moltiplicatore osservato in una legge universale valida per ChatGPT, Claude, Perplexity o Google, ma il meccanismo ingegneristico è intuitivo. Una fonte non recuperata non può essere selezionata in quella sessione.

Questo crea una forma di competizione spesso ignorata nei discorsi sulla GEO: una pagina con ottime credenziali editoriali ma infrastruttura inaffidabile può perdere opportunità contro una fonte leggermente meno completa ma disponibile nel momento esatto in cui l’agente ne ha bisogno.

La struttura del sito rende visibile un corpo di competenze

Dopo l’accesso arriva la struttura. Architettura pillar-and-cluster, link interni descrittivi, sitemap XML aggiornate e assenza di orphan page sono raccomandazioni familiari a qualsiasi SEO. Nell’agentic search acquistano però un’altra funzione: aiutano i sistemi a interpretare le relazioni tra i documenti e a vedere il sito come un insieme coerente di conoscenze anziché come una collezione di URL isolati.

Un articolo ampio collegato a pagine specialistiche su aspetti specifici fornisce segnali espliciti sulla gerarchia informativa. Anchor text descrittivi chiariscono ciò che si trova nella destinazione. Una sitemap stabile offre un inventario degli URL canonici. Nessuno di questi elementi può creare autorevolezza se i contenuti sono mediocri, ma una buona architettura rende più facile scoprire e interpretare l’expertise che esiste realmente.

La distinzione è importante perché l’ottimizzazione per AI non dovrebbe trasformarsi in un esercizio di formattazione. La struttura organizza l’evidenza; non sostituisce l’evidenza.

Scrivere per l’estrazione non significa scrivere come un robot

Uno dei consigli più utili riguarda la costruzione delle sezioni. Un sistema di retrieval può avere bisogno di un passaggio specifico, non dell’intero articolo. Se la risposta a una domanda dipende da cinque paragrafi precedenti e da pronomi privi di referente fuori contesto, estrarla correttamente diventa più difficile.

Semrush suggerisce di aprire le sezioni con risposte complete e autosufficienti rispetto al relativo heading, lasciando poi ai paragrafi successivi il compito di aggiungere sfumature, prove ed eccezioni. È una tecnica vicina al bottom-line-up-front già utilizzato nel giornalismo e nella documentazione tecnica. Migliora la leggibilità per i sistemi, ma anche per le persone che scorrono rapidamente una pagina.

Questo non richiede di trasformare gli articoli in una sequenza artificiale di frasi isolate o bullet point. Il concetto corretto è la chiarezza semantica: ogni sezione dovrebbe avere un lavoro riconoscibile e ogni passaggio importante dovrebbe poter essere compreso senza ricostruire una quantità eccessiva di contesto.

Il chunking funziona quando ogni sezione ha un compito preciso

Nel retrieval, singoli passaggi possono essere valutati indipendentemente. Se una sezione mescola prezzi, sicurezza, funzionalità e casi d’uso senza una struttura chiara, il sistema deve separare concetti che l’autore ha lasciato intrecciati. Se invece un heading introduce una domanda precisa e i paragrafi sottostanti la sviluppano coerentemente, il passaggio diventa più facile da recuperare e riutilizzare.

Anche la terminologia stabile aiuta. Descrivere la stessa funzione con tre nomi diversi può rendere il testo stilisticamente più vario, ma aggiunge inferenza. Nei contenuti tecnici e commerciali la precisione spesso vale più della ricerca continua di sinonimi: se una feature ha un nome ufficiale, utilizzarlo coerentemente riduce ambiguità per lettori e macchine.

Gli agenti che confrontano prodotti hanno bisogno di fatti, non di superlativi

La differenza più evidente tra ricerca tradizionale e agentic search emerge nelle decisioni commerciali. Un assistente incaricato di confrontare software, hotel, prodotti o servizi deve trasformare diverse fonti in una shortlist. Per farlo ha bisogno di attributi confrontabili: prezzo, disponibilità, caratteristiche, limitazioni, destinatari e condizioni.

“Prestazioni leader di settore” offre poco materiale verificabile. Un prezzo di partenza, una quantità misurabile, un limite di piano o una funzionalità esplicitamente disponibile forniscono invece un fatto che può essere inserito in un confronto. L’ambiguità commerciale che in passato poteva servire a spingere il prospect verso una demo o una telefonata rischia così di diventare uno svantaggio se l’agente effettua la prima selezione prima che l’utente visiti il sito.

Questo non significa che ogni azienda debba necessariamente pubblicare ogni dettaglio economico. Significa che, quando un’informazione necessaria al confronto è assente, l’agente dovrà inferirla, cercarla altrove oppure escludere quella dimensione. Un competitor più trasparente diventa semplicemente più facile da rappresentare.

Le pagine comparative devono essere simmetriche

Lo stesso principio riguarda le pagine “X vs Y” e le alternative. Un confronto utile dovrebbe applicare criteri coerenti a entrambe le opzioni, dichiarare trade-off e limitazioni e collegare le affermazioni importanti a evidenze verificabili. Cambiare criterio ogni volta che serve a favorire il proprio prodotto produce una pagina persuasiva, ma informativamente fragile.

Un AI agent può consultare più fonti e incontrare rapidamente contraddizioni. La strategia più robusta non è quindi nascondere i limiti, ma rappresentarli correttamente e spiegare per quale tipo di utente l’offerta rimane preferibile. La verificabilità diventa parte della persuasione.

La fiducia non può essere costruita soltanto sul proprio dominio

Il terzo pilastro del framework è il trust. Qualsiasi azienda può dichiarare sul proprio sito di essere la migliore, la più veloce o la più affidabile. Un sistema che deve ripetere quell’affermazione a un utente ha più ragioni per fidarsi quando trova conferme indipendenti.

Informazioni di base come indirizzo, orari, prezzi e caratteristiche dovrebbero essere coerenti tra sito ufficiale, directory, piattaforme di recensioni e profili pubblici. Le discrepanze introducono incertezza. Menzioni editoriali credibili, backlink rilevanti, recensioni identificabili e fonti terze possono invece creare un footprint esterno che corrobora ciò che il brand dice di se stesso.

Non è una nuova versione della link building basata sulla quantità. Il punto è la concordanza delle evidenze. Un agente che trova la stessa informazione in fonti indipendenti dispone di una base più solida per utilizzarla rispetto a un’affermazione presente soltanto sulla landing page del venditore.

Autori reali e fonti primarie rendono le affermazioni verificabili

Byline chiare, biografie aggiornate e collegamenti diretti a studi, documentazione ufficiale o dati first-party aumentano la trasparenza editoriale. Una statistica senza attribuzione pubblicata da una pagina anonima offre poche possibilità di verifica; la stessa informazione collegata alla fonte primaria e a un autore identificabile crea una catena di provenienza molto più chiara.

Anche la freshness dovrebbe essere reale. Modificare automaticamente la data “ultimo aggiornamento” senza revisionare le informazioni non rende una pagina più affidabile. Per argomenti dinamici, aggiornare prezzi, specifiche, disponibilità e fonti è parte della governance editoriale, non un semplice trucco per comunicare freschezza.

Schema aiuta, ma non è un interruttore per le citazioni AI

I dati strutturati restano utili per descrivere informazioni in formato machine-readable e per le funzionalità tradizionali della ricerca. Tipi Schema.org consolidati come Article, Organization, BreadcrumbList e Product possono essere implementati correttamente quando pertinenti. Ma non esistono basi solide per presentarli come una scorciatoia universale verso le citazioni nei modelli generativi.

La guida ufficiale di Google all’ottimizzazione per le funzionalità di AI generativa è esplicita: non serve alcun markup Schema.org speciale per apparire in AI Overviews o AI Mode. Google invita inoltre a non prestare un’attenzione sproporzionata ai dati strutturati, pur raccomandandone l’uso corretto nell’ambito della SEO complessiva.

La stessa documentazione chiarisce anche un altro punto importante nel dibattito GEO: Google Search ignora llms.txt, quindi la presenza del file non aiuta né danneggia ranking e visibilità nelle sue funzionalità generative. Altri servizi possono scegliere comportamenti differenti, ma trasformare un file emergente in requisito universale per l’AI Search significa andare oltre le evidenze disponibili.

Google ribadisce che le fondamenta SEO continuano a valere

Nel 2026 Google ha rafforzato questa posizione. Le sue linee guida per AI Overviews e AI Mode indicano che le best practice SEO restano pertinenti: crawling consentito, contenuti importanti disponibili in forma testuale, link interni che rendano le pagine individuabili, buona page experience e dati strutturati coerenti con ciò che l’utente vede.

Non esiste quindi una separazione netta tra “vecchia SEO” e “SEO per AI”. L’agentic search aggiunge nuovi percorsi di retrieval e nuove modalità di utilizzo delle informazioni, ma molte delle condizioni necessarie per funzionare bene sono le stesse che rendevano un sito tecnicamente sano prima dell’arrivo degli LLM.

La misurazione deve seguire la catena accesso-struttura-trust

Anche il reporting deve cambiare. Referral e conversioni restano fondamentali, ma non descrivono completamente un ambiente nel quale un brand può influenzare una decisione senza ricevere il clic. È utile quindi osservare log dei crawler, citazioni, brand mention, URL utilizzati nelle risposte e prompt commercialmente importanti.

La sequenza diagnostica proposta da NetContentSEO è particolarmente pratica. Se i bot rilevanti non visitano il sito, il problema è probabilmente nel livello di accesso. Se visitano ma le pagine non vengono utilizzate, occorre analizzare struttura, rilevanza ed evidenze. Se il brand compare ma vengono recuperati URL sbagliati o informazioni obsolete, bisogna intervenire su architettura e freshness.

Questo modo di misurare evita un errore comune: attribuire ogni mancata citazione a un generico problema di “authority AI”. La visibilità può rompersi in fasi molto precedenti. Un firewall può bloccare il crawler; JavaScript può nascondere il contenuto; una pagina può essere troppo ambigua per il confronto; fonti esterne possono contraddire le informazioni ufficiali.

La SEO per AI agent è meno esotica di quanto sembri

Il messaggio più utile della nuova fase dell’AI Search è probabilmente il meno vendibile come trucco. HTML pulito, server affidabili, policy robots intenzionali, link interni logici, sitemap corrette, informazioni commerciali esplicite, autori identificabili, fonti primarie e dati coerenti sul web erano buone pratiche prima dell’agentic search. Oggi hanno semplicemente un’altra conseguenza: possono determinare se un sistema automatico riesce a considerare il brand quando agisce per conto dell’utente.

Accesso, struttura e fiducia formano quindi una gerarchia. L’accesso stabilisce se l’agente può vedere l’informazione. La struttura determina se può estrarla e confrontarla senza eccessiva inferenza. La fiducia decide se esistono abbastanza evidenze per ripeterla. Solo dopo ha senso discutere di tattiche più avanzate di GEO e AI visibility.

Per i brand la domanda strategica non dovrebbe essere “qual è il nuovo tag per farmi scegliere da un agente?”, ma qualcosa di molto più concreto: se un sistema dovesse oggi cercare, verificare e confrontare la nostra offerta senza assistenza umana, troverebbe informazioni accessibili, comprensibili e credibili? La SEO per gli AI agent comincia esattamente da lì.