Schede prodotto e IA: perché il vostro catalogo è illeggibile
Le vostre schede prodotto sono macchine da conversione e da ranking per Google. Sono spesso illeggibili per gli LLM. I dieci criteri che cambiano le cose.
Una scheda prodotto è stata pensata per due lettori: il consumatore umano e il robot di Google.
Il consumatore umano guarda la foto, il prezzo, le recensioni, il nome. Il robot di Google indicizza il titolo, la meta, i dati strutturati Schema.org. Trent'anni di e-commerce hanno affinato questa alchimia. Le schede prodotto dei grandi e-commerce sono macchine da conversione e da ranking.
Sono spesso illeggibili per gli LLM.
Cosa leggono gli LLM — e cosa ignorano
I modelli di linguaggio elaborano testo. Non JavaScript. Non caroselli di immagini. Non tab in lazy loading. Non descrizioni nascoste dietro un "leggi tutto" che richiede un clic.
La struttura tipica di una scheda prodotto e-commerce è: un titolo H1, alcuni bullet point di caratteristiche, un blocco di descrizione condensata, immagini, un prezzo, una zona di recensioni clienti. Per un LLM che scansiona la pagina, il segnale utile è spesso sommerso nel rumore HTML.
La conseguenza diretta: quando un utente chiede a ChatGPT o Perplexity "qual è il miglior [prodotto] per [uso]", il modello utilizza fonti che parlano di questi prodotti in modo denso e strutturato — comparazioni, recensioni di esperti, guide all'acquisto. Raramente la scheda prodotto ufficiale del venditore.
L'e-commerce perde la raccomandazione. A volte a favore di un comparatore o di un media che parla del suo prodotto meglio di lui.
I dieci criteri che rendono una scheda prodotto leggibile per un'IA
Non è un mistero. Ma richiede un audit onesto.
1. Titolo descrittivo e preciso. Il titolo deve contenere gli attributi chiave (marca, modello, caratteristica principale, uso target). Un titolo vago come "Scarpa sportiva uomo" è inutilizzabile per un LLM che cerca di rispondere a "quale scarpa da running per trail principianti sotto i 100 euro".
2. Descrizione in prosa strutturata. I bullet point di caratteristiche tecniche non bastano. Una descrizione redatta che spiega a chi si adatta il prodotto, in quale contesto, e perché — è ciò che l'LLM può riformulare in una risposta.
3. Casi d'uso espliciti. "Ideale per..." non è un caso d'uso. "Progettato per escursioni di 2-5 giorni in montagna, con un carico inferiore a 15 kg" è un caso d'uso che l'LLM può utilizzare.
4. Confronti assunti con chiarezza. Le schede prodotto evitano accuratamente di confrontarsi con la concorrenza. Gli LLM, invece, adorano i confronti. Una scheda che posiziona chiaramente il prodotto rispetto alle alternative (senza denigrazione) fornisce ai modelli la materia per rispondere a domande comparative.
5. Dati misurabili. Peso, dimensioni, autonomia, resa, capacità, durata della garanzia. Gli LLM utilizzano i dati numerici nelle query comparative. Una descrizione solo qualitativa lascia il modello a cercare questi dati altrove — spesso da un concorrente.
6. Entità nominate correttamente. Marca, tecnologia, materiale, certificazione, partner — queste entità devono essere nominate esplicitamente nel testo, non solo nei metadati.
7. Formato accessibile senza esecuzione JavaScript. Se la descrizione principale è caricata in JS, il crawler LLM non la vede. Testare la leggibilità di una scheda prodotto con un crawler solo testo rivela spesso sorprese.
8. Assenza di contenuto duplicato generico. Le descrizioni copiate dal fornitore o generate in massa senza differenziazione vengono rilevate come rumore. L'LLM preferisce una fonte con un angolo proprio.
9. Recensioni integrate e accessibili. Le recensioni clienti contengono spesso le formulazioni più utili per un LLM ("perfetto per piedi larghi", "tiene bene in discesa", "ideale per iniziare"). Se sono caricate dinamicamente e invisibili al crawler, è segnale perso.
10. Link a contenuti contestuali. Una scheda prodotto isolata è un segnale debole. Una scheda prodotto collegata a una guida all'acquisto, un comparatore, un articolo di blog — è un nodo in una rete di contenuti che gli LLM valorizzano di più.
Il caso particolare del catalogo e-commerce
Il problema degli e-commerce con gli LLM non è solo una scheda prodotto mal strutturata. È la scala.
Un catalogo di 5.000 referenze significa 5.000 schede prodotto da rivalutare alla luce degli LLM. L'approccio manuale è impossibile. La riscrittura generica tramite IA, senza calibrazione sugli standard di leggibilità LLM, produce testi che sembrano leggibili per un umano ma restano mal strutturati per i motori generativi.
È esattamente ciò che Vurto affronta per gli e-commerce: una riscrittura del catalogo al volo in formato markdown, strutturata secondo i criteri di leggibilità LLM, con un'analisi di ogni scheda prodotto su dieci dimensioni prima e dopo la riscrittura. Il risultato non è una versione generica delle schede — è una versione calibrata affinché gli LLM possano elaborarla, comprenderla e raccomandarla.
Cosa cambia sulle vendite
È difficile misurare direttamente l'impatto di una scheda prodotto LLM-ready sul fatturato, perché il traffico proveniente dalle IA è ancora parzialmente opaco. Ma i segnali ci sono.
I riferimenti diretti da ChatGPT e Perplexity sono ora tracciabili tramite UTM e referrer. I brand che osservano questo traffico vedono che converte bene — l'utente arriva con un'intenzione qualificata, non solo curiosità. Ha già ricevuto una raccomandazione dall'IA prima di arrivare sulla scheda.
Essere la fonte citata in questa raccomandazione significa catturare un traffico ad alta intenzione che gli strumenti pubblicitari classici non raggiungono.
Il test in cinque minuti
Aprite ChatGPT. Fate questa domanda: "[nome del vostro prodotto di punta]: va bene per [caso d'uso principale dei vostri clienti]?"
Osservate la risposta. Se il modello cita la vostra scheda prodotto o il vostro dominio — perfetto. Se cita un comparatore esterno, un articolo di stampa, o peggio, un concorrente — sapete cosa dovete ancora affrontare.
Vurto analizza le schede prodotto secondo dieci criteri di leggibilità IA e le riscrive in markdown strutturato per massimizzare la visibilità nelle risposte degli LLM.