Cosa dice la ricerca accademica sul GEO

Il paper di riferimento più citato sull'argomento si intitola "GEO: Generative Engine Optimization", pubblicato nel 2024 da ricercatori affiliati a Princeton, Georgia Tech, l'Allen Institute for AI e IIT Delhi. Non fornisce una formula magica per essere citati da un'IA, ma una metodologia per testare e confrontare diverse tecniche di ottimizzazione dei contenuti di fronte a motori generativi simulati.

Il paper fondativo: "GEO: Generative Engine Optimization"

Questo lavoro è generalmente considerato uno dei primi a formalizzare il GEO come disciplina distinta dalla SEO, ponendo la seguente domanda: dato che i motori generativi sintetizzano risposte a partire da più fonti anziché limitarsi a classificarle, quali caratteristiche di un contenuto aumentano la probabilità che venga ripreso e messo in evidenza nella risposta generata? Per rispondere a questa domanda, gli autori hanno costruito un insieme di query che copre domini vari, pensato come benchmark riproducibile per confrontare diverse versioni dello stesso contenuto.

Perché questo paper ha segnato il campo del GEO

Prima di questo tipo di lavoro, la discussione sulla visibilità nelle risposte IA restava in gran parte aneddotica: osservazioni individuali, test non riproducibili, intuizioni derivate dalla SEO tradizionale applicate per analogia. Il contributo principale del paper non è quindi una tecnica specifica in particolare, ma il fatto stesso di aver proposto un quadro di valutazione sistematico e condiviso, che permette ad altri ricercatori di riprodurre, contestare o affinare i risultati. È questo tipo di metodologia aperta, più di qualsiasi cifra isolata in esso contenuta, a essere diventata un riferimento nelle pubblicazioni successive sull'argomento.

Come i ricercatori hanno valutato la visibilità generativa

Il metodo consiste nel sottoporre la stessa query a un motore generativo, osservare quali fonti vengono citate nella risposta prodotta e con quale importanza relativa, poi modificare il contenuto di una fonte secondo una data tecnica (aggiunta di citazioni, riformulazione, ecc.) prima di ripetere l'esperimento per vedere se la sua visibilità nella risposta generata cambia. Questo approccio si ispira ai metodi utilizzati nella ricerca sull'information retrieval per valutare la pertinenza dei risultati, adattato al caso in cui il risultato finale non è più un elenco di link ma un testo di sintesi.

Le grandi famiglie di tecniche testate

I ricercatori hanno studiato diverse categorie di modifiche apportate ai contenuti: l'aggiunta di citazioni e statistiche, l'inserimento di citazioni attribuite a figure riconosciute, la semplificazione del linguaggio, l'arricchimento con parole chiave pertinenti, o ancora il miglioramento generale della scorrevolezza e della struttura del testo. Il risultato centrale di questa ricerca è che alcune di queste tecniche hanno un effetto misurabile sulla visibilità di una fonte nella risposta generata, ma che questo effetto non è né uniforme né garantito: la sua entità varia a seconda del dominio testato (salute, diritto, tecnologia...), del motore utilizzato e della natura della query. In altre parole, l'esistenza stessa di leve di ottimizzazione misurabili è stabilita, ma nessuna tecnica funziona in modo universale e costante.

Dalla pubblicazione di questo lavoro iniziale, altri team di ricerca e diverse aziende del settore hanno pubblicato i propri studi o benchmark su questioni affini, con metodologie e conclusioni talvolta diverse. Questa diversità è piuttosto salutare per il campo: segnala che nessuno studio isolato, per quanto rigoroso, dovrebbe essere trattato come la verità definitiva sull'argomento. Un ricercatore o un professionista serio confronta più fonti tra loro piuttosto che affidarsi a un unico riferimento, per quanto spesso citato.

I limiti di questa ricerca

Questo lavoro presenta limiti importanti da tenere a mente. Riflette i motori generativi e i modelli così come esistevano al momento della pubblicazione nel 2024: i sistemi commerciali evolvono a un ritmo rapido, e i risultati ottenuti su una configurazione di test non si trasferiscono necessariamente in modo identico alle versioni attuali di ChatGPT, Perplexity, Gemini o Claude. Il numero di domini e query testati, per quanto pensato per essere rappresentativo, resta un campione limitato rispetto alla reale diversità degli usi. Infine, un ambiente di ricerca controllato differisce da un sistema di produzione commerciale, che può integrare partnership, filtri di sicurezza o logiche commerciali non documentate pubblicamente e assenti dal quadro sperimentale.

Cosa significa per la vostra strategia di contenuti

Questo tipo di ricerca accademica va letto come una conferma direzionale piuttosto che come un manuale di istruzioni preciso: stabilisce che l'ottimizzazione per i motori generativi non è un fenomeno casuale e che esistono leve misurabili, senza però fornire una formula del tipo "questa tecnica aumenta la visibilità di questa percentuale" che sarebbe valida per il vostro caso specifico. La buona pratica consiste nell'appoggiarsi sui grandi principi che essa conferma — l'importanza del sourcing, sviluppata nella lezione sulle citazioni, cifre e prove, e quella della credibilità percepita della fonte, trattata nella lezione sull'E-E-A-T — osservando al contempo direttamente, sui vostri contenuti e sulle vostre query, cosa funziona davvero, piuttosto che affidarvi a una cifra isolata, anche se proveniente da un paper di ricerca serio. Come per i dati di mercato affrontati nella lezione sui numeri del GEO, l'atteggiamento migliore resta consultare la fonte primaria prima di ripetere una conclusione. Prima di citare un risultato tratto da un paper di ricerca, prendete l'abitudine di leggere almeno l'abstract e la sezione metodologica piuttosto che il solo titolo o un articolo di stampa che ne parla: è spesso lì che si trovano le sfumature e i limiti che la riformulazione mediatica tende a cancellare.