Intelligenza artificiale per la SEO: cosa automatizzo davvero

Ogni guida italiana sull’intelligenza artificiale per la SEO che ho letto quest’anno elenca gli stessi tool e gli stessi prompt, e nessuna dice quanto quelle cose reggano davvero dopo il primo mese. Questo pezzo prova a fare il contrario: apro la cassetta degli attrezzi che uso sui siti che seguo, dico cosa fa ogni pezzo, dove gira il codice e quando mi ha fatto perdere tempo invece di farmene guadagnare.

La cosa che mi ha sorpreso quando le ho contate: delle automazioni che ho in produzione oggi, due sole chiamano un modello linguistico. Tutto il resto rimane codice normale, deterministico, che fa sempre la stessa cosa e non ha bisogno di essere convinto.

⚠️ Le due intelligenze artificiali che la SEO continua a confondere

Quando un cliente mi chiede se uso l’AI per la SEO, la domanda contiene già un equivoco, perché mette insieme due cose che non si somigliano.

La prima è l’AI che produce testo: scrive la bozza, riscrive la scheda prodotto, genera le FAQ. È quella di cui parlano tutti, ed è anche quella che espone al rischio più grande, perché un contenuto sbagliato pubblicato è un danno che resta online. Su questo la mia posizione la trovi già scritta per esteso nel pezzo su cos’è l’AI slop: il problema non è l’origine del testo, è la sua qualità e il fatto che qualcuno se ne prenda la responsabilità.

La seconda è l’AI che esegue lavoro tecnico ripetibile: legge log, confronta liste, controlla che una pagina rispetti una regola. Qui il rischio è quasi nullo, perché l’output lo verifica una macchina o lo verifico io in dieci secondi, e il guadagno di tempo è reale.

Usare l’intelligenza artificiale per la SEO significa quasi sempre la seconda cosa, ed è anche l’unica di cui si possa parlare con dei numeri accanto. La differenza pratica sta tutta in una domanda: se questa cosa sbaglia, me ne accorgo? Se la risposta è sì e in tempi brevi, l’automazione conviene. Se la risposta è no, come per un testo che finisce online senza rilettura, allora quello che stai risparmiando in ore lo stai spendendo in rischio. È lo stesso criterio con cui in automazione dei processi in una PMI distinguo cosa dare a uno script, cosa a un modello e cosa lasciare a una persona: quella griglia vale per qualunque processo, questa pagina la applica a un mestiere solo.

🛠️ Le automazioni SEO che raccolgono e decidono al posto mio

Questa è la metà “in ingresso” del sistema: serve a sapere cosa succede nel settore e sui siti, senza passare le giornate a guardare.

Monitorare fonti SEO automaticamente: 24 sorgenti, un solo modello coinvolto

Ogni sera alle 21:30 un processo apre le sitemap e i feed di 24 fonti del settore, di cui 21 attive in questo momento, confronta gli URL trovati con quelli già visti in un database locale e mi manda una notifica sul telefono solo con quello che è nuovo. Il codice non è complicato: uno script Python, un file di configurazione con le fonti, un database SQLite per la memoria e un archivio mensile per ricostruire la storia. Un controllo separato verifica che il processo sia girato nelle ultime 26 ore, perché la cosa peggiore di un watcher è che smetta di funzionare senza dirtelo.

Quanto tempo mi fa risparmiare? Zero, e questa è la risposta onesta: prima quel controllo non lo facevo. Aprivo qualche blog quando mi capitava, e le cose le scoprivo in ritardo o non le scoprivo affatto. Il conto va fatto al contrario: rifare a mano ogni sera quello che fa lo script, cioè aprire ventuno fonti, confrontare gli indirizzi con quelli già visti e tenerne memoria, costerebbe almeno otto ore a settimana, che è esattamente il motivo per cui non lo faceva nessuno.

Questa è la parte che nelle guide non si legge mai, perché rovina la promessa del risparmio di tempo: l’automazione che vale davvero di solito non sostituisce un lavoro che facevi, rende possibile un lavoro che non facevi. Vale identico nelle aziende dove intervengo: il controllo settimanale delle giacenze o dei prezzi dei fornitori non veniva svolto male, non veniva svolto e basta.

Il modello entra in un punto solo di tutta questa catena. Una delle 21 fonti pubblica anche articoli di archivio vecchi di anni insieme ai nuovi, e dal solo URL non si distinguono: lì un modello legge il titolo e dà un voto da 0 a 10 su quanto valga la pena oggi, e sotto la soglia di 6 la voce non arriva nemmeno nella notifica. Il resto delle fonti non passa da nessun modello. Una scelta di progetto che conta: se il modello non risponde, il sistema lascia passare la notizia invece di scartarla. Preferisco un falso positivo in più che perdermi qualcosa perché un servizio era offline.

Il triage editoriale: una rubrica, non un parere

Quando una fonte nuova merita attenzione, la valutazione non è “chiedo all’AI se è interessante”, che è il modo più veloce per farsi dire di sì su tutto. È una rubrica scritta, con cinque criteri e un punteggio: quanto il tema è nelle mie corde, quanto è fresco, se posso portarci esperienza diretta, se contiene un fatto verificabile che un motore possa citare, quanto si differenzia da come lo tratterebbe un’agenzia. Sotto 6 su 10 non si scrive niente e la valutazione viene comunque registrata, così a distanza di mesi posso rileggere perché avevo scartato un tema.

L’output non è mai un articolo: è una scheda con l’angolo, le keyword candidate e le fonti primarie da leggere. La differenza sembra sottile e invece è tutta la partita, perché la scheda mi obbliga a passare dalle fonti originali invece che dal riassunto di un divulgatore.

Un modello che decide cosa merita attenzione va bene. Un modello che scrive quello che poi firmo, no. In mezzo c’è la differenza fra farsi aiutare e farsi sostituire.

Keyword research automatica: zero AI, tutta pazienza

Questo è il pezzo che smentisce meglio la narrazione corrente, perché è l’automazione che uso di più per la SEO e non contiene nemmeno una chiamata a un modello. È un browser vero, pilotato da codice, che apre le pagine di una suite di keyword research con la mia sessione già autenticata e raccoglie i dati che quella suite mostra a schermo, senza consumare crediti API.

La parte interessante non è la raccolta, è il ritmo. Le pause fra una richiesta e l’altra hanno una mediana di quattro secondi con una variazione casuale, ogni venticinque lavori il processo si ferma per una pausa lunga, e c’è un tetto giornaliero di 300 richieste oltre il quale si ferma da solo. Non è cortesia: un crawler che va troppo veloce viene bloccato, e un crawler bloccato vale zero. Tre quarti del lavoro di scrittura di questo tipo di automazioni consiste nel farle andare piano nel modo giusto.

I dati raccolti sono poi interrogabili dall’assistente con cui lavoro, ma con una regola precisa: le operazioni di lettura sono libere, quelle che scrivono passano da una conferma esplicita. È lo stesso principio del punto precedente, applicato al contrario: la macchina propone, la scrittura la autorizzo io.

✅ I controlli automatici prima della pubblicazione di un articolo

Questa è la metà “in uscita”, ed è quella che mi ha risparmiato più figure. Sono tutti controlli che girano da soli quando compilo il sito: se uno fallisce, il sito non si costruisce e la pagina non parte.

Il controllo sugli accenti nasce da un difetto specifico dei testi passati da una tastiera sbagliata o da un modello: la copula senza accento. Distingue i casi veri dai casi legittimi guardando il contesto, ignora quello che sta dentro le stringhe di codice e azzera gli URL prima di analizzarli, perché dentro un indirizzo web le parole senza accento sono normali. Sembra una pignoleria: è il controllo che fa fallire il mio build più spesso di tutti gli altri messi insieme, compreso mentre scrivevo questa pagina.

Il controllo di cannibalizzazione fra keyword, quello che i plugin non fanno

Il controllo sulle keyword confronta ogni articolo con una scheda che dichiara la keyword principale e le correlate, poi verifica dieci zone della pagina, dal title all’attributo alt delle immagini, e segnala tre stati per ogni chiave: presente, presente in variante, assente. Calcola la densità e la tiene in una forbice fra 0,4% e 2,5%, ma soprattutto fa una cosa che i plugin SEO in genere non fanno: controlla la cannibalizzazione fra articoli diversi, cioè mi avvisa se sto scrivendo il quarto pezzo che punta alla stessa query. Le schede oggi sono 32 su 30 fra articoli e casi studio, e quel numero è la ragione per cui il controllo funziona: senza una dichiarazione esplicita di cosa deve rankare una pagina, nessuno strumento può dirti che ti stai facendo concorrenza da solo.

La pubblicazione a data non è un plugin, sono venti righe di codice: la data nel frontmatter fa da programmazione, una pagina con data futura resta invisibile ovunque, elenchi e sitemap compresi, e diventa pubblica al primo aggiornamento del sito dopo quella data. Le immagini di anteprima per i social vengono generate al momento della compilazione da un modello grafico vettoriale, quindi non esiste il passaggio “ricordarsi di fare la cover”. Il rilascio è un unico comando che si occupa di quattro tipi di progetto diversi, si blocca da solo se ne stai già lanciando un altro e reinstalla le dipendenze soltanto se sono cambiate davvero.

Nessuno di questi cinque controlli usa un modello. Tutti insieme fanno più lavoro di qualunque prompt io abbia scritto quest’anno.

📊 Il blocco AI: far leggere la pagina a chi risponde al posto di Google

Qui il lavoro cambia natura, perché il destinatario non è più un motore che indicizza ma un sistema che risponde. Il test che faccio per primo su una pagina è banale e dice molto: la do in pasto a un modello e gli chiedo che cosa ha capito, chi la firma e quale sarebbe la risposta a tre domande che quella pagina dovrebbe coprire. Se il riassunto è vago o attribuisce il contenuto a qualcun altro, il problema non è di ranking, è che la pagina non si lascia leggere.

Da lì il lavoro tecnico è quello che ho descritto nella pillar su cos’è la GEO e, per il caso e-commerce, in GEO per e-commerce PrestaShop: risposte nette in apertura di sezione, fatti verificabili con la fonte accanto, dati strutturati coerenti col testo visibile. Su quest’ultimo punto vale la pena ricordare che i dati strutturati non spostano il ranking e servono a un altro scopo, cioè a rendere la pagina interpretabile senza ambiguità.

La misurazione, invece, resta il punto debole di tutto il settore, mio compreso. Quello che si può leggere con onestà in Search Console, incluse le impressioni dentro le risposte generate e il perché i clic non seguono le impressioni, l’ho scritto nel pezzo su come leggere il report Rendimento. Chiunque ti venda un numero preciso di “citazioni AI guadagnate” ti sta vendendo una stima travestita da misura.

Un dato non mio, che vale la pena riportare perché viene da un campione serio: nella sua rassegna sugli usi dell’AI nel marketing Ahrefs racconta di aver aggiunto FAQ generate con un modello a 21 articoli esistenti, con un aumento del 32% del traffico su quelle pagine, e di aver analizzato 460 prompt per capire quali formati vengano citati più spesso. Sono numeri loro, su un dominio con un’autorità che non è quella di un sito di provincia: prendili come indicazione di direzione, non come promessa di risultato.

⚠️ Cosa si è rotto: quattro modi in cui l’automazione mi ha fregato

Questa è la sezione che non troverai nelle guide, e secondo me è l’unica che vale il tempo di lettura. Sono episodi veri, tutti degli ultimi due mesi, tutti annotati il giorno stesso.

Il modello che inventa i numeri. Chiedendo un parere sulla grafica di copertina di un articolo, mi sono tornati indietro due dati specifici sul progetto del cliente, la dimensione del catalogo e il peso del file di esportazione, che nessuno aveva fornito e che erano semplicemente inventati. Numeri plausibili, del giusto ordine di grandezza, formattati con sicurezza. Questo spiega perché ogni numero che finisce nei miei articoli deve avere accanto la sua fonte primaria: non per pedanteria accademica, ma perché la cifra inventata sembra identica alla cifra vera.

L’attribuzione che scivola. In una revisione di inizio agosto, un passaggio scritto a partire da uno studio di terzi era arrivato in bozza in prima persona, come se l’esperienza fosse mia, e conteneva una percentuale che la fonte originale non riportava affatto. Due errori nella stessa frase: uno di onestà e uno di fatto. Nella stessa settimana un’altra bozza citava un comando da terminale che semplicemente non esiste in quel software. Se avessi pubblicato, il primo lettore tecnico avrebbe capito in tre secondi che quella procedura non l’avevo mai eseguita.

Il controllo che non controlla. Il verificatore automatico degli accenti, quello che uso da mesi come rete di sicurezza, per un lungo periodo non ha bloccato assolutamente nulla: un difetto nella scrittura del suo output lo faceva terminare in silenzio con esito positivo, e per giunta il tipo di file su cui scrivo gli articoli non rientrava nemmeno nell’elenco di quelli sorvegliati. Passava tutto. Un controllo rotto rimane peggio di un controllo assente, perché ti fa abbassare la guardia. Da allora la prima cosa che faccio quando scrivo una verifica automatica è provarla con un caso che deve fallire.

Il controllo che grida al lupo. Il rovescio esatto: lo stesso verificatore ha bloccato una pubblicazione per una parola senza accento che stava dentro l’indirizzo di un articolo di una testata straniera, dove essere senza accento era corretto. Un’altra regola, all’opposto, mi ha fatto pubblicare per un periodo link interni verso articoli ancora programmati, che per i lettori erano pagine inesistenti finché l’articolo di destinazione non usciva: un errore che nessuna macchina segnalava, perché in locale quei link funzionano benissimo.

La domanda giusta prima di automatizzare non è “quanto tempo mi fa risparmiare”, è “se sbaglia, chi se ne accorge e dopo quanto”.

✅ Cosa non delego, e la mappa completa

Non delego tre cose, e non per principio: perché ho provato e non ha funzionato. La scelta di cosa scrivere, perché un modello ottimizza su quello che esiste già e il valore sta quasi sempre in quello che manca. Il giudizio su un cliente, cioè capire se un problema vale l’intervento o va lasciato dov’è. E la responsabilità finale su ogni numero pubblicato: se un dato in queste pagine è sbagliato, la colpa è mia, e questa frase ha senso solo se prima li ho ricontrollati uno per uno.

Sette righe su nove senza modello. Se dovessi rifare tutto da capo, comincerei esattamente da quelle sette: sono più noiose da raccontare in una presentazione e sono quelle che reggono.

Il criterio viene prima dello strumento

Se da questa pagina porti via una cosa sola sull’intelligenza artificiale per la SEO, che sia questa: prima di scegliere il tool, guarda il processo e chiediti se sbaglia in modo visibile o in modo silenzioso. Gli errori visibili si automatizzano con tranquillità, anche in modo grezzo, perché il sistema ti avvisa quando si rompe. Gli errori silenziosi vanno automatizzati con una verifica sopra, oppure non vanno automatizzati affatto.

Il secondo criterio è la frequenza. Un lavoro che fai una volta al trimestre non merita uno script, anche quando lo script sarebbe facile: lo scriverai, lo dimenticherai, e alla terza esecuzione sarà rotto per un cambiamento a monte che non hai seguito. Le automazioni che sopravvivono sono quelle che girano abbastanza spesso da farti accorgere subito quando smettono di funzionare.

Il terzo, il meno tecnico e il più importante: automatizzare un processo sbagliato lo rende soltanto più veloce. Prima di dare in pasto a una macchina la generazione di trecento descrizioni prodotto, la domanda vera è se servono trecento descrizioni o se il problema del catalogo sta altrove. Se vuoi che questo tipo di ragionamento lo faccia qualcuno che poi mette anche le mani nel codice, qui trovi come lavoro e da lì puoi scrivermi.