La versione breve
Lo scorso trimestre abbiamo eseguito cinque campagne GEO con il flusso di lavoro Auspia: un laboratorio di mobili su misura, un marchio di lusso internazionale, un'agenzia TikTok focalizzata sugli Stati Uniti, una catena beauty regionale e un negozio di biciclette di quartiere. I risultati dei clienti sono variati, ma il pattern nei numeri no. Tre risultati vale la pena conservare:
- La visibilità arriva a gradini, non come una pendenza. Ogni campagna che ha funzionato ha attraversato la stessa sequenza: assenza, poi oscillazione, poi svolta. Settimane di nulla, poi un balzo che ha tenuto.
- Ha un'emivita. Nelle due campagne in cui l'alimentazione del corpus si è fermata, la quota di menzioni si è erosa lentamente. Una menzione nell'IA è un asset che va curato, non un muro costruito una sola volta.
- Nei mercati saturi o con reputazione danneggiata, GEO è difesa prima che crescita. Per la catena beauty, la vittoria si è misurata in affermazioni false diluite e contesto negativo appiattito, non in nuovi click.
Se fate una sola cosa dopo aver letto questo, adottate un punteggio settimanale. Le campagne che sono avanzate davvero sono sopravvissute a una misurazione più rigorosa. Quelle che sembravano solo avanzare, no.
Perché pubblichiamo una retrospettiva dal lato cliente
Una volta la ricerca dava alle persone una lista di link e le lasciava cliccare. L'IA generativa dà loro un'affermazione. Nella generazione aumentata da recupero (RAG), la risposta è la pubblicità, e un marchio ottiene quella menzione come ottiene una citazione: essendo la fonte più consensuale del corpus per quella domanda.
Quello spostamento è l'intera ragione d'essere di GEO. Il paper Generative Engine Optimization di Princeton (Aggarwal et al., KDD 2024) sosteneva che i modelli seguono le loro preferenze di recupero, quindi il compito diventa parlare la lingua del sistema di recupero. Un lavoro pubblicato su Nature nel 2024 ha confermato il meccanismo: i modelli rifiutano statisticamente le fonti ad alta entropia e contraddittorie per ridurre il rischio di allucinazione e preferiscono fonti a bassa entropia, strutturate e verificabili.
Eppure la maggior parte dei progetti GEO si chiude il giorno in cui arrivano i deliverable. L'apprendimento dell'operatore torna nella sua testa, il cliente riceve un report e nessuno al di fuori di quella stanza può dire se una tendenza fosse reale. Questa retrospettiva è l'opposto di quel flusso: cinque progetti cliente, un punteggio condiviso e le conclusioni che difendiamo sul serio.
Il punteggio che abbiamo usato
Ogni campagna è stata misurata allo stesso modo, con le stesse quattro metriche del modello di visibilità GEO:
Metrica | Cosa ti dice | Cosa significa un movimento |
|---|---|---|
Tasso di inclusione | Quanto spesso il marchio compare nelle risposte del proprio set di domande | La differenza tra invisibile e considerato |
Quota top-3 | Quanto spesso il marchio compare nelle prime tre menzioni | La differenza tra considerato e raccomandato |
Posizione media condizionale | Dove finisce il marchio quando compare | Qualità del posizionamento all'interno di una menzione |
Coefficiente di variazione | Quanto le risposte variano tra sessioni | Se il risultato è riproducibile o un caso isolato |
In cima a questo, ogni campagna seguiva segnali operativi: numero di menzioni, quota dei link alle fonti che puntano ai domini del marchio e quale assistente portava la menzione.
La disciplina di raccolta conta più delle metriche. Abbiamo costruito una matrice di domande per cliente a partire da domande reali degli acquirenti, poi eseguito lo stesso set di prompt ogni settimana, disconnessi, conservando gli snapshot. Sulla carta suona come un compito a casa. In pratica, è l'unica ragione per cui i risultati qui sotto non sono impressioni. (L'AI Search Visibility Checker di Auspia automatizza il monitoraggio e la rivalutazione di questo set di prompt, ed è il motivo principale per cui riusciamo a farlo girare.)
Le superfici che abbiamo seguito sono i cinque assistenti che gli acquirenti in questi mercati usano per la ricerca di categorie: ChatGPT, Gemini, Perplexity, Copilot e Claude.
Le cinque campagne
Cliente | Cosa era rotto | Movimento centrale | Cosa è cambiato |
|---|---|---|---|
Laboratorio mobili su misura (Portland) | Domande degli acquirenti senza risposta su un assistente | Contenuti guidati da domande + fatti di marca a tappe | Il marchio compare in risposte dove era assente |
Marchio di lusso internazionale | Presenza intermittente, un assistente particolarmente silenzioso | Adattamento narrativo per assistente + verifica multi-dispositivo | Menzioni positive costanti tra configurazioni e angolazioni |
Agenzia TikTok focalizzata sugli USA | La ricerca di categoria mostrava un vuoto totale del marchio | Sequenza per intenzione di conversione, piattaforma per piattaforma | Menzioni top-3 in tutti e cinque gli assistenti |
Catena beauty regionale (20+ centri) | Schede obsolete, affermazioni false sparse, framing negativo | Set di 30+ keyword di marca, controalimentazione a tappe | Il contesto è passato da rischioso a consolidato e verificato |
Negozio di biciclette di quartiere (30 anni, stesso quartiere) | Attività storica, impronta digitale zero | Risposte a domande locali con indirizzo, orari, telefono | Il telefono compare nelle risposte locali; il titolare ha stampato il risultato per il negozio |
Lo spacca-piatto: il mobiliere che non ha avuto nulla per settimane
Il laboratorio aveva una forte reputazione locale e zero presenza nell'IA. Gli acquirenti chiedevano "qual è il miglior falegname su misura vicino a me" e altre specifiche del genere, e l'assistente rispondeva senza nominarlo mentre raccomandava concorrenti.
Abbiamo estratto le domande che gli acquirenti digitano davvero, costruito pagine in formato FAQ e fatti di marca strutturati attorno, e poi fatto ciò che molti team saltano: alimentare i contenuti a tappe, non tutto in una volta. Per settimane non è successo nulla. Poi il tasso di inclusione è salito di un gradino e le menzioni si sono stabilizzate. La lezione non riguardava la qualità dei contenuti. Riguardava la forma della curva: silenzio, silenzio, silenzio, balzo.
L'audit di coerenza: il marchio di lusso che sembrava ripresentarsi bene su un dispositivo
Il marchio compariva in alcune risposte e spariva in altre, e un assistente era di fatto muto. Quel tipo di presenza parziale è più difficile da diagnosticare dell'assenza, perché il report sembra a posto.
La correzione aveva due metà. I contenuti sono stati adattati a come ogni assistente racconta i prodotti di lusso, invece di essere spediti come un blocco unico. E la consegna è diventata verificabile: ogni controllo è partito da tre configurazioni diverse di dispositivo e rete, incrociate, così un buon risultato non poteva essere un artefatto di una sessione. La coerenza è passata da speranza a cancello d'accesso.
La spazzata multi-piattaforma: l'agenzia sparita dalla sua stessa categoria
Agenzia americana verificata da TikTok, forte domanda di categoria, e le risposte degli assistenti semplicemente non nominavano l'agenzia. Invece di lanciare ovunque insieme, abbiamo impostato la sequenza: prima le domande con la più alta intenzione di conversione, una piattaforma alla volta, avanzando quando la superficie precedente reggeva.
Alla fine, le keyword di categoria hanno portato l'agenzia tra le tre prime menzioni di tutti e cinque gli assistenti. La sequenza era la parte che sembrava inefficiente e la parte che ha pagato. Lanciare cinque superfici il primo giorno rende ogni risultato illeggibile.
La riparazione di reputazione: la catena beauty contro un cattivo contesto
Le schede della catena erano vecchie, alcune affermazioni false fluttuavano attorno al suo nome e gli assistenti la descrivevano con linguaggio cauto. In un mercato così, il problema non è la copertura. Il problema è il tono della risposta.
Abbiamo lavorato un set di oltre 30 keyword attorno al marchio e poi controalimentato fatti verificati per gradi: stato attuale, credenziali, dettagli correttivi. Il contesto nelle risposte si è spostato verso "consolidato, verificato" invece del linguaggio di allerta al consumatore di prima. Non ha cancellato ogni traccia, e non lo abbiamo mai promesso. Ma l'equilibrio di ciò che diceva il modello si è mosso, e il movimento ha tenuto.
L'invisibile da 30 anni: il negozio di biciclette che ha esportato la propria menzione
Il negozio serviva un quartiere da tre decenni e non aveva presenza da nessuna parte nel digitale. Il nostro movimento nelle campagne locali è volutamente piccolo: catturare ciò che sussurrano gli acquirenti della zona e mettere i fatti pratici direttamente nel livello delle risposte: indirizzo, orari, telefono e ciò che il negozio fa davvero.
Il numero di telefono ha iniziato a comparire nelle risposte locali nella finestra della campagna. Il titolare ha stampato l'output dell'IA e lo ha appeso dietro il bancone, accanto alle prove visibili ai clienti. Quando il livello delle risposte e la vetrina concordano, la scoperta locale smette di essere un problema di ricerca.
Quattro pattern che i numeri ripetevano
1. L'effetto soglia. Cinque campagne, una forma. L'esposizione non cresce linearmente; procede a gradini. Sotto una certa densità di fatti di marca puliti e collegati, l'unica scelta sicura del modello è un concorrente. Supera la linea di densità e le raccomandazioni iniziano a comparire. Questa è la curva S prevista dal lavoro accademico su GEO, e si è vista in ogni progetto riuscito.
2. L'emivita. Le campagne lusso e cross-border hanno vissuto un periodo in cui l'alimentazione del corpus si è fermata. In circa due mesi, il tasso di inclusione e la quota top-3 hanno iniziato a scendere. La memoria della piattaforma ha inerzia, ma si deteriora senza nuovi input. GEO non è uno stato che si raggiunge.
3. Riduzione del rumore e posizionamento difensivo. Nei mercati ad alta concentrazione o con contesto negativo già instaurato, il valore di GEO è difensivo. Non stai conquistando quote che non avevi; stai riportando il tono della risposta verso affermazioni verificabili e chiudendo un baseline di sicurezza. È un risultato legittimo, ma va misurato come tale.
4. Eterogeneità delle piattaforme. I cinque assistenti si sono comportati in modo diverso. In queste campagne, Gemini e Copilot hanno conservato le menzioni più a lungo dopo che gli input sono cessati. ChatGPT si è aggiornato più rapidamente quando il corpus è cambiato. Non puoi seguire un solo ritmo per tutte le superfici; ne serve uno per superficie.
Il ciclo operativo che ha davvero retto
Rimuovi le cinque storie di settore e sopravvivono quattro principi operativi:
- La catena di prove batte la persuasione. I contenuti che hanno davvero mosso i numeri: risultati di test, certificazioni, specifiche dichiarate, fatti datati, limiti concreti. Il linguaggio del "siamo i migliori" è stato l'unico tipo di contenuto a non comparire mai in uno snapshot.
- Il corpus è un asset. Ognuno di questi clienti avrebbe potuto comprare nuovi post sul blog. Ciò di cui avevano davvero bisogno era un banco riutilizzabile di fatti strutturati, puliti a livello di entità e citabili.
- A tappe per intenzione, non per volume. Le campagne si sono divise in ondate di domande di intento e ogni ondata ha avuto il tempo di reggere prima del lancio della successiva.
- La verifica è il cancello di consegna. La regola del cliente di lusso è diventata la nostra: un'affermazione sulla visibilità è vera solo quando si riproduce tra sessioni, dispositivi e reti.
Ecco perché tutto ciò che eseguiamo parte da un audit, non da un piano di contenuti. Il GEO Score Checker e l'AI Search Visibility Checker di Auspia esistono per rendere misurabile il baseline, e l'assenza di quel baseline è esattamente il punto in cui la maggior parte dei programmi GEO interni si ferma in silenzio.
Dove la prova si indebolisce
Non faremo finta che la recensione sia più rigorosa di quanto sia.
- Le finestre di osservazione erano corte. Diverse campagne sono durate settimane, non trimestri. Le regole di consolidamento della coda lunga restano non verificate.
- L'attribuzione è correlazionale. Non possiamo separare nei conti il contributo di GEO dal lavoro a pagamento o dalle PR in corso. Nessuno, onestamente, può farlo dall'esterno.
- La copertura è stretta. Beni di consumo, moda, cross-border, bellezza, servizi locali. Nessun acquirente B2B con liste di conformità, nessun prodotto finanziario o sanitario.
- Fattori confondenti e rumore. Il campionamento degli snapshot si agglomera ancora. Alcuni clienti hanno mostrato solo segnali di esposizione, mai curve quantitative complete, e la loro voce nella matrice è un riassunto direzionale, non una misura.
Cosa faremmo diversamente la prossima volta
Se riavviassimo tutte queste campagne domani, i cambiamenti sono piccoli e specifici. Tratta GEO come infrastruttura, con un controllo automatico settimanale o mensile per assistente invece di una data di fine progetto. Costruisci prima la knowledge base aziendale, il banco di fatti in forma di schema, e lascia che post e distribuzione ne derivino. Mantieni la catena di prove come standard interno. E imposta il ritmo per assistente, non per campagna.
Un modo rapido per ottenere i propri numeri in otto settimane
- Settimana 0: scegli 15-20 domande che gli acquirenti ti rivolgono davvero. Eseguile disconnesso, una volta per assistente. Conserva l'output.
- Settimane 1-3: costruisci la catena di prove: specifiche, certificazioni, dati di test, date, limiti. Pubblicala come contenuti in forma di risposta, sezionati.
- Ogni settimana: riesegui lo stesso set di prompt, annota le quattro metriche e confrontale con gli snapshot.
- Due volte per giro di verifica: ripeti da rete e dispositivo diversi. Se il risultato non si riproduce, non è un risultato.
- Settimana 8: guarda la curva. Progresso netto o oscillazione documentata è successo. Numeri vuoti con una pipeline ben costruita sono anch'essi un dato: ti dicono che l'assistente che alimenti non ha una rotta verso di te.
FAQ
Quanto tempo passa prima che le risposte dell'IA inizino a muoversi? Settimane, non giorni. In queste campagne la finestra pratica era di sei-dieci settimane di alimentazione costante prima del primo gradino. La diagnosi utile è capire se sei nella fase di oscillazione — la pipeline funziona ma la densità manca ancora — o nella fase di assenza, in cui il recupero non ha un percorso verso di te.
GEO è un progetto una tantum? No. Il pattern dell'emivita era coerente. Se ti importano le risposte, tieni calda la pipeline. I mercati più lenti reggono con un controllo mensile leggero; i mercati in cui gli acquirenti fanno ricerca ogni settimana richiedono settimane.
GEO corregge le risposte dell'IA false o negative? Sposta l'equilibrio, che non è la stessa cosa che cancellare. La controalimentazione di fatti verificati ha portato le risposte della catena beauty dal linguaggio della cautela a "consolidato". Se un'affermazione falsa deriva da una scheda sorgente che è essa stessa sbagliata, correggi prima la scheda sorgente. E non leggere mai "si è mosso" come "è permanente".
Con quale assistente partiamo? Con quello in cui i tuoi acquirenti fanno davvero ricerca. In queste campagne non era mai la stessa superficie. Inizia lì, verifica, poi amplia. Lanciare tutti e cinque il primo giorno rende impossibile capire cosa ha funzionato.
Non è solo SEO con un altro nome? Un lavoro diverso. Il SEO compete in una lista ordinata di link che le persone cliccano; GEO compete dentro un'affermazione generata che le persone leggono. Condividono fondamenta: fatti puliti e strutturati e coerenza. Ma misurazione, ritmo e modalità di errore sono diversi, ed eseguire i due cicli separatamente è esattamente come sono state condotte queste campagne.
Autore: Ethan Marlowe, responsabile della misurazione GEO su oltre 500 prompt presso Auspia. Ethan scrive di monitoraggio dei prompt, report di citazione e dashboard di visibilità che mantengono il GEO onesto.
