Il GEO locale, ovvero come la geografia torna a essere una leva di visibilità IA
Un artigiano a Lione digita «miglior idraulico vicino a me» su ChatGPT. Il SEO locale non scompare con gli LLM, ma la sua meccanica cambia: la geografia diventa un filtro semantico prima di essere un filtro di prossimità. Ecco come i motori generativi ricostruiscono il contesto locale, e cosa fa davvero la differenza per essere citati.
Un artigiano a Lione digita "miglior idraulico vicino a me" su ChatGPT. Un'espatriata cerca "dove mangiare vegano nell'11° arrondissement" su Perplexity. Un acquirente B2B chiede a Gemini quale integratore CRM con sede a Lille può intervenire entro 48 ore. Tre query, un elemento in comune: si aspettano una risposta ancorata a un territorio preciso.
Il SEO locale esiste da quindici anni. Scheda Google Business, recensioni dei clienti, citazioni NAP coerenti, pagine città. Tutto questo know-how non scompare con gli LLM. Ma la sua meccanica cambia. Un motore di ricerca classico incrocia la vostra posizione geolocalizzata con un indice di risultati vicini. Un LLM, invece, deve comprendere il contesto locale a partire dal testo, riformulare la query e scegliere fonti da citare. La geografia diventa un filtro semantico prima di essere un filtro di prossimità.
Perché la localizzazione torna alla ribalta con gli LLM
I motori generativi elaborano una query locale scomponendola. "Miglior idraulico vicino a me" diventa una serie di sotto-query: qual è il tipo di servizio richiesto, quale area geografica copre "vicino a me", quali criteri definiscono "migliore" (recensioni, disponibilità, tariffe, specializzazione). Questa scomposizione in fan-out queries favorisce le aziende il cui contenuto risponde direttamente a ciascuna di queste sotto-domande, piuttosto che quelle che si limitano a una scheda con l'indirizzo.
ChatGPT, Perplexity e Gemini non hanno tutti lo stesso livello di precisione geografica. Perplexity si basa molto su fonti web aggiornate e cita volentieri directory locali, articoli di stampa regionale, forum di quartiere. ChatGPT, quando attiva la ricerca web, privilegia pagine che esprimono chiaramente la propria area di riferimento nel testo, non solo nei metadati. Gemini, collegato all'ecosistema Google, sfrutta ancora il Business Profile e le recensioni, ma riformula la risposta con parole proprie, il che diluisce il collegamento diretto alla vostra scheda.
Risultato: un'azienda locale ben posizionata su Google Maps può rimanere invisibile in una risposta di ChatGPT se il suo sito non dice mai esplicitamente "interveniamo a Villeurbanne, Vénissieux e Caluire" in un testo leggibile da un'IA.
Come gli LLM ricostruiscono il contesto locale
Un LLM non sa dove vi trovate, a meno che l'applicazione non glielo indichi. Lavora quindi con ciò che la query e le fonti contengono come segnali geografici espliciti. Contano tre tipi di segnali.
Il primo sono le menzioni testuali di zona. Una pagina che elenca "Paris, Boulogne-Billancourt, Neuilly-sur-Seine" per esteso, in una frase normale, ha più probabilità di essere associata a queste città rispetto a una pagina che si limita a un codice postale nel footer.
Il secondo sono le fonti terze che confermano la presenza locale. Un articolo di stampa regionale, una scheda di directory professionale, una recensione Google datata e localizzata, una menzione su un forum tipo Reddit o un gruppo Facebook locale. Gli LLM danno più peso alla coerenza tra più fonti indipendenti che a un singolo sito che si autoproclama esperto locale.
Il terzo sono i dati strutturati. Lo schema LocalBusiness continua a essere letto dai motori generativi che eseguono il crawling dell'HTML grezzo, a condizione che la pagina non sia interamente renderizzata in JavaScript lato client. Un indirizzo, degli orari, un'area di servizio dichiarati in JSON-LD danno all'IA un segnale pulito, senza ambiguità di interpretazione.
Cosa fa davvero la differenza
Molte aziende locali pensano che basti una pagina per città. È un errore che è già costato caro nel SEO classico, e che costa ancora di più nel GEO. Una pagina "idraulico a Villeurbanne" che ricopia il contenuto di "idraulico a Vénissieux" cambiando solo il nome della città non apporta alcuna informazione nuova. Un LLM che confronta più fonti rileva questa duplicazione e privilegia una fonte che descrive un vero radicamento locale: un numero di telefono locale attivo, una testimonianza cliente nominata, un intervento recente raccontato con dettagli verificabili.
Il contenuto che funziona risponde a domande locali precise. Non "i nostri servizi di idraulica" ma "quanto costa una disostruzione di tubature a Lione nel 2026" o "qual è il tempo medio di intervento di un idraulico nel 6° arrondissement". Questo livello di granularità corrisponde a ciò che le fan-out queries degli LLM cercano di colmare.
La stampa locale e le directory specializzate svolgono un ruolo sproporzionato. Un articolo su Le Progrès che menziona la vostra azienda pesa spesso di più, agli occhi di un LLM, di una pagina del vostro sito ottimizzata per la parola chiave. La ragione è semplice: una fonte terza indipendente è percepita come più affidabile di un'autodichiarazione. Le aziende che investono in relazioni con la stampa locale e in partnership con directory di settore costruiscono, senza saperlo, un capitale GEO locale.
Ecco come le due discipline si sovrappongono e divergono:
| Leva | SEO locale | GEO locale |
|---|---|---|
| Scheda Google Business | Segnale di ranking diretto in Maps | Segnale secondario, riutilizzato soprattutto da Gemini |
| Recensioni dei clienti | Influenza il ranking e il tasso di clic | Fonte di prova sociale citata nella risposta generata |
| Pagine città duplicate | Tollerato se leggermente differenziato | Penalizzante, rilevato come contenuto vuoto |
| Stampa locale e directory | Utile per il netlinking | Fonte terza che l'LLM cita per dare credibilità |
| Dati strutturati LocalBusiness | Opzionale, aiuta il rich snippet | Segnale chiave se il sito è leggibile senza JavaScript |
| Prossimità geografica reale | Fattore di ranking diretto (IP, GPS) | Assente, a meno che l'app non trasmetta la posizione all'IA |
Le trappole da evitare
La prima trappola è credere che la scheda Google Business basti ancora a coprire tutto. Rimane indispensabile per Maps e per Gemini, ma non viene letta allo stesso modo da ChatGPT o Perplexity, che si basano maggiormente sul web aperto.
La seconda trappola è la sovra-ottimizzazione per città. Generare cinquanta pagine automatiche per cinquanta comuni limitrofi produce un contenuto che gli LLM identificano come spam programmatico. Meglio dieci pagine che raccontano una realtà locale precisa che cinquanta pagine vuote.
La terza trappola è dimenticare che la freschezza conta. Una recensione vecchia di tre anni, un articolo del 2021, un indirizzo cambiato senza aggiornamento: gli LLM che privilegiano fonti recenti scartano questi segnali a favore di concorrenti più aggiornati, anche se modesti.
L'ultima trappola è trattare il GEO locale come un progetto una tantum. La visibilità nelle risposte generative si costruisce nel tempo, per accumulo di menzioni coerenti sul web: sito proprio, stampa, directory, recensioni, social network locali. Un audit unico non basta. Serve un monitoraggio che verifichi, query dopo query, come ciascun LLM restituisce la vostra presenza locale.
Vurto monitora esattamente ciò che ChatGPT, Gemini, Perplexity e Claude rispondono sulla vostra azienda, città per città, e segnala le aree in cui la vostra presenza locale resta invisibile agli occhi delle IA.