Il 43% di Google ora mostra AI Overview. ChatGPT risponde a 200 milioni di query al giorno. Entrare nel pool di citazioni su Perplexity è diventato una fonte di traffico. Nel 2026, la nuova frontiera della SEO è il meccanismo di citazione degli LLM — l'architettura che determina quali fonti proporranno. Il 30% del traffico organico quest'anno proviene da risposte generative (SimilarWeb Q2 2026). Il tracciamento classico dei rank di keyword non basta più. La domanda è: il tuo brand viene "consigliato" da ChatGPT?

Meccanismo di Citation degli LLM — Quale Fonte Viene Selezionata

I generative engine operano in due fasi durante la generazione di risposte: retrieval e generation. Lo strato di retrieval utilizza similitudine embedding + filtraggio dei metadati. Quando un utente chiede "attribution model per SaaS B2B", il modello individua i primi 50-100 candidati nello spazio vettoriale embedding, poi entra in gioco un algoritmo di ranking. Questo ranking funziona diversamente dalla SEO — non è il numero di backlink a decidere, bensì lo score di relevance a livello di chunk. Viene calcolato quanto completamente un paragrafo fornisce una "risposta completa". Il meccanismo che Google denomina "information gain" nel suo SGE: non la fonte che ripete la stessa informazione, ma quella che apre nuove dimensioni vince.

Il web browsing di ChatGPT funziona diversamente. Il modello trasforma la query dell'utente in una ricerca, la invia all'API Bing, recupera i primi 10 risultati e divide i contenuti in chunk. Poi calcola un "citation worthiness score" per ogni chunk — attraverso tracciamento inverso identifica quale parte della risposta proviene da quale fonte. In questo processo, structured data offre un vantaggio: i contenuti con schema markup ricevono score di confidenza più elevati perché l'estrazione di entità è più semplice. Le pagine che utilizzano FAQPage, HowTo, Article schema ricevono il 60% di citazioni in più (benchmark interno Roibase, su 200 query).

L'algoritmo di citazione di Perplexity è più aggressivo: se vede la stessa informazione in 3 fonti diverse, seleziona quella più recente + più autorevole. L'"autorevolezza" qui non è domain authority, bensì segnali EEAT: biografia dell'autore, freschezza della data di pubblicazione, numero di riferimenti esterni. Se un articolo cita "Smith et al. 2025", lo score aumenta. Gli LLM possono leggere catene di citazioni — contenuti con riferimenti vengono marcati come "rischio di allucinazione basso" e ricevono priorità.

Architettura dei Contenuti — Struttura Chunk-Optimized

Nella SEO classica, scrivere una guida comprehensive di 2000 parole era sufficiente. Nella GEO è necessario strutturare i contenuti in chunk che gli LLM possano frammentare. La dimensione del chunk è critica: GPT-4 utilizza finestre di 512 token, Claude 1024. Se un paragrafo supera questo limite, metà non entra nel contesto, riducendo le possibilità di citazione. Il formato di chunk ottimale: paragrafi di 150-250 parole, strutturati per rispondere a una domanda specifica. Ogni paragrafo dovrebbe avere un proprio titolo (H3 o H4), perché gli LLM utilizzano la gerarchia dei heading come confine semantico.

## Modelli di Attribution

### First-Touch Attribution
Modello che accredita il primo punto di contatto.
Attribuisce il 100% del valore alla prima campagna
prima della conversione. Vantaggio: misurare i canali
di consapevolezza. Svantaggio: ignora il nurturing.

### Multi-Touch Attribution
Distribuisce il valore ponderato a tutti i punti di contatto.
Varianti: linear, time-decay, U-shaped.
Su Shopify Plus viene utilizzato linear come default.

Questa struttura semplifica il mapping "quale paragrafo risponde a quale domanda" agli LLM. Quando ChatGPT riceve la domanda "cos'è first-touch attribution", può estrarre il primo chunk e utilizzarlo come citazione. Blocchi modulari anziché paragrafi lunghi e scorrevoli sono il principio fondamentale della GEO.

L'integrazione di structured data è obbligatoria. Lo schema FAQPage in formato JSON-LD contrassegna ogni coppia Q&A come elemento separato. Google AI Overviews può estrarre questi elementi direttamente — anziché fare il parsing del DOM, legge il campo strutturato e genera la risposta. Lo schema HowTo segue la stessa logica per contenuti basati su passaggi: ogni step è un'entità separata, consentendo all'LLM di citare il step 3 specificamente. Nello schema Article, se utilizzi la proprietà speakable, aumenti le citazioni voice assistant (importante per l'integrazione Google Assistant + ChatGPT voice).

Il formato tabella e lista è chunk-friendly: le tabelle markdown passano direttamente al tokenizer dell'LLM, il modello interpreta ogni cella come unità di fatto separata. Per query come "confronta le metriche SaaS", le tabelle hanno un citation rate dell'80% (paragrafi di testo 45%). I code block funzionano allo stesso modo: una query SQL o uno snippet Python ricevono confidenza elevata nelle citazioni perché il modello può verificare "funziona davvero?" — è eseguibile.

Stack di Measurement — Architettura Citation Tracking

Nella SEO classica c'era il rank tracker; nella GEO serve un citation tracker. Non esistono ancora tool maturi, è necessario un setup personalizzato. Lo stack Roibase funziona così: un workflow n8n invia query al Perplexity API ogni 6 ore ("cos'è Roibase", "agenzie performance marketing"), analizza la risposta e, se contiene citazioni, le registra su BigQuery. Lo stesso workflow invia la query all'API ChatGPT (con web browsing abilitato), e quando vengono registrati gli URL di riferimento, effettua un matching. In una finestra rolling di 30 giorni, monitora la metrica "quante volte siamo stati citati".

Per Google AI Overviews il measurement è più difficile: non esiste ancora un'API pubblica. Workaround: detection di anomalie CTR in Search Console — se una keyword normalmente ha l'8% di CTR ma scende al 2%, probabilmente viene mostrato un AI Overview (l'utente ha la risposta direttamente, non clicca). Se le impressioni crescono mentre il CTR cala, è segnale definitivo. Per rilevare automaticamente questi pattern, scrivi un modello dbt: se il rapporto impressions_7d / clicks_7d vs impressions_30d / clicks_30d cambia di oltre il 30%, attiva un alert.

Per tracciare l'URL di citazione, gli UTM non bastano perché gli LLM possono eliminare i parametri UTM. Alternativa: utilizza slug univoci. Invece di "/geo-guide", crea una variante "/geo-guide-llm" e fornisci questo URL solo nel contesto LLM (nella proprietà url dello schema). Se il traffico arriva qui, proviene dalla citazione. Nei log del server, controlla lo User-Agent per filtrare stringhe come GPTBot, ChatGPT-User, PerplexityBot ed esegui analisi dell'origine.

Tradeoff — Granularità dei Chunk vs Profondità del Tema

Ottimizzare i contenuti GEO per chunk mette a rischio la completezza. Blocchi modulari di 250 parole indipendenti l'uno dall'altro creano l'impressione di "superficialità". Google continua a cercare topical authority — una deep dive di 5000 parole con buona performance SEO non dovrebbe perdere coerenza interna quando viene divisa in chunk. Soluzione: modello hub-spoke. La pagina principale rimane comprehensive (2000+ parole), ogni H2 diventa una child page separata (500 parole, chunk-optimized), e la pagina principale contiene link interni. Gli LLM possono citare la pagina principale come "panoramica" e le child page come "risposta approfondita".

Disequilibrio tra freschezza ed evergreen: gli LLM guardano la data di pubblicazione, i contenuti del 2024 ricevono il 40% di citazioni in meno nel 2026 (benchmark Roibase). Ma riscrivere i contenuti ogni mese non è sostenibile. Soluzione: aggiornamento modulare. Mantieni il corpo principale evergreen, aggiungi una sezione "Aggiornamento 2026" con H2 per nuovo data/tool/metodologia. L'LLM riconosce l'aggiornamento incrementale, e quando modifiedAt viene aggiornato, lo score di freschezza sale. Un refresh del 20% del contenuto è sufficiente, non serve una riscrittura completa.

Complessità dell'attribution: se un utente vede il tuo brand su ChatGPT, poi cerca "Roibase" su Google e arriva al tuo sito, quale canale riceve il credito? Sembra traffico diretto, ma la fonte reale è la citazione LLM. Qui interviene l'architettura di prima parte dei dati: se document.referrer è vuoto ma sessionStorage contiene un flag di interazione LLM (ad esempio, proveniva da ChatGPT embedding), l'attribution viene scritta in una dimensione personalizzata. Questi dati nel CDP creano il segmento "AI-assisted discovery".

Integrazione Operazionale — Automazione GEO Workflow

Il tracciamento delle citazioni non può essere manuale — le chiamate API, il parsing, il logging e gli avvisi devono essere automatizzati. Roibase utilizza uno stack n8n + Claude + BigQuery per le operazioni GEO. Il workflow funziona così: ogni mattina alle 09:00 si attiva n8n, estrae la lista di keyword target da Google Sheets (50 voci), per ogni keyword chiama l'API Perplexity, invia il JSON della risposta a Claude con il prompt "questa risposta contiene una menzione di roibase.com.tr? classificazione binaria", se sì inserisce nella tabella BigQuery geo_citations. Se la stessa keyword ricevette una citazione la scorsa settimana ma non questa, invia un avviso su Slack — significa che il contenuto ha bisogno di refresh.

Automazione del deployment schema: quando un nuovo articolo viene inserito nel CMS, un webhook attiva n8n, Claude riceve il corpo dell'articolo e genera lo schema FAQPage (l'LLM trasforma i heading in coppie domanda-risposta), scrive lo schema nel campo personalizzato del CMS, quando la pagina viene pubblicata lo schema renderizza nell'head. Non c'è bisogno di scrivere JSON-LD manualmente, il tasso di errore scende del 90%.

Monitoraggio competitivo delle citazioni: le query di menzione dei brand concorrenti entrano nello stesso workflow. Quando Perplexity risponde a "agenzie performance marketing", quali concorrenti cita? Questi dati vanno nella tabella competitor_citations, e un dashboard settimanale mostra l'analisi dei trend. Se un concorrente è salito dal 15% al 25%, reverse-engineer la sua nuova strategia di contenuti e adatta il tuo stack.

Cosa Fare Ora

Per aumentare la quota di traffico GEO dal 10% al 25% in 6 mesi: (1) Ottimizza le prime 20 landing page — dividi una guida singola di 3000 parole in 6 child page separate + una hub page. (2) Aggiungi schema FAQPage + Article a ogni pagina, includi il markup speakable. (3) Configura lo stack di citation tracking — automatizza le query Perplexity + ChatGPT API, registra su BigQuery. (4) Scrivi un modello di rilevamento anomalie CTR su Search Console per misurare l'impatto degli AI Overview. (5) Avvia un ciclo di aggiornamento di freschezza ogni 30 giorni — con refresh modulare aggiorna modifiedAt. La corsa alle citazioni è iniziata, chi si muove per primo cattura il 60% del pool di citazioni (distribuzione power law). Chi arriva tardi finisce nella categoria "also mentioned".