Il 43% delle ricerche di Google mostra ormai AI Overviews. ChatGPT risponde a 200 milioni di query al giorno. Ottenere un posto nel pool di citazioni di Perplexity è diventato una fonte di traffico. Nel 2026, la nuova frontiera della SEO è il meccanismo di citazione dei modelli linguistici — l'architettura che determina quali fonti verranno consigliate. Il 30% del traffico organico proviene ormai da risposte generative (SimilarWeb Q2 2026). Tracciare i ranking delle parole chiave classiche non basta più. La domanda è: il tuo marchio viene citato da ChatGPT?

Meccanismo di Citazione LLM — Come viene Selezionata la Fonte

I motori generativi eseguono due fasi durante la produzione di una risposta: retrieval e generation. Lo strato di retrieval utilizza somiglianza embedding + filtraggio dei metadati. Quando un utente chiede "attribution model per SaaS B2B", il modello trova i primi 50-100 candidati nello spazio vettoriale embedding, quindi un algoritmo di ranking entra in gioco. Questo ranking funziona diversamente dalla SEO tradizionale — non è il numero di backlink a essere decisivo, ma il punteggio di rilevanza a livello di chunk. Viene calcolato quanto completamente un paragrafo "risponde la domanda". Il meccanismo che Google chiama "information gain" in SGE: non è la fonte che ripete la stessa informazione a vincere, ma quella che apre una nuova prospettiva.

La navigazione web di ChatGPT funziona diversamente. Il modello trasforma la query dell'utente in una ricerca e la invia all'API di Bing, recupera i primi 10 risultati e divide i contenuti in chunk. Quindi, per ogni chunk, calcola un punteggio di "citation worthiness" — usa il tracking inverso per determinare quale parte della risposta proviene da quale fonte. In questo processo, i dati strutturati offrono un vantaggio: i contenuti contrassegnati con schema markup ottengono punteggi di confidenza più elevati perché l'estrazione di entità è più semplice. Le pagine che utilizzano FAQPage, HowTo e 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 la più recente + la più autorevole. L'"autorevolezza" qui non è domain authority, ma segnali EEAT: biografia dell'autore, freschezza della data di pubblicazione, numero di riferimenti esterni. Se un articolo cita "Smith et al. 2025", il suo punteggio grezzo aumenta. Gli LLM riescono a leggere catene di citazioni — il contenuto con riferimenti viene contrassegnato come "rischio di allucinazione basso" e riceve priorità.

Architettura dei Contenuti — Struttura Ottimizzata per i Chunk

Nella SEO classica era sufficiente scrivere una guida completa di 2000 parole. Nella GEO occorre strutturare i contenuti in chunk che l'LLM possa analizzare. La dimensione del chunk è critica: GPT-4 utilizza una finestra di 512 token, Claude 1024. Se un paragrafo supera questo limite, metà non entra nel contesto e le possibilità di citazione diminuiscono. Il formato ottimale è: paragrafi di 150-250 parole, strutturati per rispondere a una singola domanda specifica. Ogni paragrafo dovrebbe avere un suo titolo (H3 o H4), perché gli LLM utilizzano la gerarchia dei titoli come confine semantico.

## Modelli di Attribution

### Attribution del Primo Contatto
Attribuisce credito al primo punto di contatto.
Assegna il 100% del valore alla prima 
campagna prima della conversione. 
Vantaggio: misurare i canali awareness. 
Svantaggio: non tiene conto del nurturing.

### Attribution Multi-Touch
Distribuisce il valore ponderato su tutti 
i punti di contatto. Ha variazioni come 
linear, time-decay, U-shaped. In 
Shopify Plus viene utilizzato linear 
per impostazione predefinita.

Questa struttura facilita all'LLM il mapping "quale paragrafo risponde a quale domanda". Quando ChatGPT riceve la domanda "cos'è il first-touch attribution?", può estrarre il primo chunk e usarlo come citazione. I blocchi modulari invece di paragrafi lunghi e fluidi sono il principio fondamentale della GEO.

L'integrazione di dati strutturati 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 — legge i campi strutturati invece di parsare il DOM e genera la risposta. Lo schema HowTo segue la stessa logica per contenuti passo dopo passo: ogni step è un'entità separata, permettendo all'LLM di citare lo step 3. In Article schema, se utilizzi la proprietà speakable, aumenti la citazione per gli assistenti vocali (importante per l'integrazione con Google Assistant + ChatGPT voice).

I formati tabella e lista sono ottimizzati per chunk: una tabella markdown passa direttamente al tokenizer dell'LLM, il modello vede ogni cella come un'unità di fatto separata. In query come "confronta metriche SaaS", il tasso di citazione della tabella è dell'80% (paragrafo testo 45%). I blocchi di codice seguono lo stesso principio: una query SQL o uno snippet Python ricevono confidenza alta nella citazione perché sono eseguibili — il modello può fare una verifica "questo funziona?".

Stack di Misurazione — Architettura per il Tracciamento delle Citazioni

Se nella SEO tradizionale usavi rank tracker, nella GEO hai bisogno di un citation tracker. Non esiste ancora uno strumento maturo, occorre una configurazione personalizzata. Lo stack di Roibase funziona così: un flusso di lavoro n8n invia ogni 6 ore una query di brand mention all'API di Perplexity ("cos'è Roibase", "agenzie di performance marketing"), analizza la risposta e se contiene una citazione la scrive su BigQuery. Lo stesso flusso invia la query all'API ChatGPT (con web browsing abilitato), registra quali URL vengono referenziati e fa un matching. In una finestra rolling di 30 giorni traccia "quante volte abbiamo ricevuto una citazione".

Per Google AI Overviews la misurazione è più difficile: non esiste ancora un'API pubblica. Il workaround è il rilevamento di anomalie nel CTR di Search Console — se una parola chiave normalmente ha l'8% di CTR ma scende al 2%, probabilmente viene mostrato un AI Overview (l'utente ha avuto la risposta diretta, non ha cliccato). Se il numero di impression aumenta mentre il CTR diminuisce, è il segnale definitivo. Per rilevare automaticamente questo pattern, crea un modello dbt: se il rapporto impressions_7d / clicks_7d vs impressions_30d / clicks_30d cambia più del 30%, genera un avviso.

Per tracciare l'URL della citazione, i parametri UTM non bastano perché gli LLM possono eliminarli. Alternativa: utilizzare slug univoci. Invece di "/geo-guida" crea una variante "/geo-guida-llm", 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 GPTBot, ChatGPT-User, PerplexityBot e analizza l'origine.

Trade-off — Granularità dei Chunk vs Profondità dell'Argomento

Ottimizzare i contenuti GEO per i chunk mette a rischio la completezza. Blocchi modulari di 250 parole indipendenti l'uno dall'altro possono dare l'impressione di "superficialità". Google continua a cercare topical authority — se una guida approfondita di 5000 parole performa bene nella SEO tradizionale, quando la dividi in chunk non deve perdere coerenza interna. La soluzione è il modello hub-spoke. La pagina principale rimane completa (2000+ parole), estrai ogni H2 in una pagina figlia separata (500 parole chunk-optimize), collega dalla pagina principale. L'LLM può citare la pagina principale come "overview" e le pagine figlie come "risposta approfondita".

Lo squilibrio tra freschezza e contenuto evergreen: gli LLM controllano la data di pubblicazione, il contenuto del 2024 riceve il 40% di citazioni in meno nel 2026 (benchmark Roibase). Ma riscrivere i contenuti ogni mese non è sostenibile. Soluzione: aggiornamento modulare. Il corpo principale rimane evergreen, aggiungi una sezione H2 "Aggiornamento 2026" alla fine, inserisci qui nuovi dati, strumenti, metodologie. L'LLM riconosce l'aggiornamento incrementale, il metadato modifiedAt aumenta il punteggio di freschezza. Un refresh del 20% è sufficiente, non occorre una riscrittura completa.

Complessità dell'attribution: se un utente vede il tuo marchio in ChatGPT, poi digita "Roibase" su Google e arriva al sito, quale canale riceve il credito? Sembra traffico diretto, ma la sorgente reale è la citazione LLM. L'architettura dei dati first-party entra in gioco: se document.referrer è vuoto ma sessionStorage contiene un flag di interazione LLM (ad esempio, provenienza da embedding ChatGPT), l'attribution viene assegnata alla dimensione personalizzata. Questi dati nel CDP creano il segmento "AI-assisted discovery".

Integrazione Operazionale — Automazione del Flusso GEO

Il tracciamento delle citazioni non può essere fatto manualmente — le chiamate API, il parsing, la registrazione e gli avvisi devono essere automatizzati. Roibase utilizza uno stack n8n + Claude + BigQuery per le operazioni GEO. Il flusso funziona così: ogni mattina alle 09:00 n8n si attiva, legge l'elenco di parole chiave target da Google Sheets (50 elementi), per ogni parola chiave chiama l'API Perplexity, passa la risposta JSON a Claude con classificazione binaria "roibase.com.tr è menzionato?", se sì inserisce in BigQuery la tabella geo_citations. Se una parola chiave ha ricevuto una citazione la settimana scorsa ma non questa settimana, invia un avviso su Slack — significa che occorre un refresh dei contenuti.

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

Monitoraggio delle citazioni competitive: anche le query di menzione di brand competitor entrano nel flusso di lavoro. Quando viene posta una domanda su "agenzie di performance marketing", quale competitor viene citato da Perplexity? Questo dato va nella tabella competitor_citations, il dashboard settimanale mostra l'analisi dei trend. Se un competitor sale dal 15% al 25%, reverse-engineer la sua nuova strategia di contenuti e adattala al tuo stack.

Cosa Fare Subito

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