Prendi il controllo della narrativa del tuo brand in ChatGPT e nella AI Search

Ecco un numero che dovrebbe farti ripensare l'intera strategia dei contenuti: l'80% degli URL citati da ChatGPT 5.5, Gemini 3.1 e Copilot non compare nei primi 100 risultati di Google per la stessa query. Non nei primi 10 — nei primi 100. Ahrefs ha analizzato 15.000 query long-tail e ha rilevato che solo il 12% delle citazioni degli LLM si sovrappone ai risultati nella top-10 di Google per lo stesso prompt (Ahrefs, agosto 2025).

Se la tua strategia di brand narrative è costruita sull'assunto che il ranking su Google equivale alla visibilità AI, è costruita su fondamenta sbagliate. La pipeline è diversa, i segnali sono diversi, e in alcuni casi — questa è la parte che sorprende davvero la maggior parte dei team — ciò che aiuta il tuo ranking su Google penalizza attivamente il tasso di citazione AI.

Non si tratta di un problema di marketing soft. È un problema di infrastruttura e content engineering. Quanto prima il tuo team lo tratta come tale, tanto prima potrai costruire un vantaggio duraturo e cumulativo sui concorrenti che lo stanno ancora affrontando come una campagna.

Perché la AI search funziona in modo così diverso — e perché è importante

Per capire perché la visibilità del brand nella AI search si comporti in modo così diverso dalla ricerca tradizionale, è necessario comprendere una distinzione architetturale che governa tutto il resto. Ogni AI answer engine opera con due archivi di conoscenza separati.

La memoria parametrica è la conoscenza incorporata nei pesi del modello durante il training — statica, legata alla data di cutoff del training, e impossibile da aggiornare senza riaddestrare il modello. La Retrieval-Augmented Generation (RAG) è un meccanismo live: al momento della query, il modello interroga un indice, recupera documenti o passaggi e li inietta nel contesto del prompt prima di generare una risposta.

Per il tuo brand, questa distinzione è fondamentale. Le informazioni archiviate solo nella memoria parametrica si degradano nel tempo, possono essere oggetto di allucinazioni (il modello genera fatti plausibili ma falsi interpolando i pattern di training), e non possono essere corrette senza riaddestrare il modello. Le informazioni che entrano nella pipeline di retrieval al momento della query sono aggiornate, citabili e — aspetto cruciale — influenzate da ciò che pubblichi e da come lo pubblichi.

L'obiettivo ingegneristico non è quindi influenzare direttamente i dati di training di un modello. È massimizzare la recuperabilità nella pipeline RAG live. Questi obiettivi sono accoppiati — i contenuti ad alta recuperabilità entrano eventualmente nei corpus di training — ma la leva che controlli realmente è il layer di retrieval.

Come funziona davvero la pipeline di retrieval

Quando qualcuno chiede a ChatGPT 5.5 "qual è il miglior strumento di data pipeline per l'enterprise," viene eseguita all'incirca questa sequenza: la query viene classificata per determinare se è necessario un retrieval live; la query grezza viene riscritta in stringhe di ricerca ottimizzate; l'indice di Bing più l'indice crawlato da OpenAI restituiscono URL candidati; il browsing agent recupera da 3 a 10 pagine; vengono estratti i chunk rilevanti; l'LLM sintetizza una risposta con citazioni numerate.

Perplexity esegue una pipeline documentata in cinque fasi: scomposizione della query in sotto-query, retrieval parallelo dall'indice proprietario di Perplexity e dall'API Bing, ranking tramite il modello Sonar (che valuta rilevanza della fonte, densità fattuale, freschezza, credibilità, corroborazione e diversità), selezione di 3–4 fonti da citare, e sintesi finale. Google AI Overviews e AI Mode usano una tecnica chiamata query fan-out — una singola query utente viene espansa in 8–12+ sotto-query eseguite in parallelo sull'indice web di Google, sul Knowledge Graph e sullo Shopping Graph, prima della sintesi a livello di passaggio.

Tre scoperte che dovrebbero ribaltare la tua roadmap dei contenuti

1. Il divario con il ranking di Google è strutturale, non casuale

La statistica dell'80% non è una peculiarità di un singolo studio o di un periodo specifico. Riflette una divergenza strutturale nel modo in cui i sistemi di retrieval AI sono costruiti. L'analisi cross-engine delle citazioni di ZipTie.dev ha rilevato che solo l'11% dei domini citati compare sia in ChatGPT 5.5 che in Perplexity per la stessa query, e il 71% delle fonti citate è esclusivo di una piattaforma — compare su esattamente una piattaforma (ZipTie.dev, 2026). Google AI Mode e AI Overviews mostrano solo il 13,7% di sovrapposizione di URL anche tra loro stessi, nonostante condividano lo stesso indice web di base.

L'implicazione pratica è immediata: un brand che detiene la top-3 su Google per una query di categoria potrebbe essere completamente invisibile in ChatGPT 5.5 e Perplexity. Al contrario, un brand con solide citazioni earned media nella stampa di settore e nei forum di community potrebbe essere citato in modo prominente nei motori AI nonostante posizioni SERP modeste. L'ottimizzazione per un singolo motore non è più una strategia praticabile. Un footprint diversificato delle fonti è un requisito ingegneristico, non un optional.

2. L'architettura delle piattaforme crea preferenze di fonte sistematicamente diverse

I diversi motori AI hanno comportamenti di citazione nettamente differenti, e quelle differenze sono prevedibili dalla loro architettura. Perplexity mostra il bias di freschezza più pronunciato: i contenuti citati da Perplexity sono circa il 25,7% più recenti rispetto ai contenuti citati dai motori di ricerca tradizionali (Ahrefs). Seer Interactive ha rilevato che l'85% delle citazioni degli AI Overview è stato pubblicato negli ultimi due anni, e i contenuti aggiornati di recente compaiono 4,3× più frequentemente. I contenuti più vecchi di 60–90 giorni perdono attivamente terreno su Perplexity, a meno di non essere aggiornati o nuovamente citati da altre fonti.

ChatGPT 5.5 si affida all'indice di Bing, rendendo la qualità dell'indicizzazione specifica per Bing una leva diretta per la visibilità in ChatGPT — una leva che la maggior parte dei team di engineering non ha ancora attivato. Google AI Mode, attivato da query esplorative multi-sfaccettate, include in media 3,3 menzioni di brand per risposta, contro 1,3 degli AI Overview — riflettendo un orientamento di ricerca più approfondito in cui fonti di nicchia, di community e autorevoli emergono più frequentemente rispetto al formato più stretto e navigazionale degli AI Overview.

Tra tutte le piattaforme, Perplexity mostra la correlazione più alta con i risultati nella top-10 di Google: circa 1 citazione su 3 di Perplexity punta a un risultato nella top-10 di Google per la stessa query. Per ChatGPT 5.5, Gemini 3.1 e Copilot, quella cifra scende al 12% (Ahrefs, agosto 2025). La SEO classica si trasferisce meglio a Perplexity che a qualsiasi altro motore AI — un'informazione utile quando si priorizza lo sforzo di ottimizzazione cross-platform.

3. Il keyword stuffing ora ti penalizza attivamente

Questa è la scoperta che genera maggior sorpresa — e maggior resistenza — nei team che ne vengono a conoscenza. Il keyword stuffing — un pilastro della SEO tradizionale — ha un effetto quasi nullo o negativo sulla probabilità di citazione AI. Si tratta di una scoperta strutturale, non di un caso limite, e proviene dall'unico studio su larga scala peer-reviewed in questo dominio: lo studio GEO di Aggarwal et al. (arXiv:2311.09735, accettato all'ACM KDD 2024).

La ragione è architetturale. Nel retrieval BM25/TF-IDF, la frequenza dei termini è un segnale positivo diretto — più occorrenze della keyword target migliorano il punteggio del documento. Nel retrieval basato su embedding, l'intero passaggio viene codificato in modo olistico in un singolo vettore ad alta dimensionalità. La ripetizione innaturale di keyword non spinge un passaggio più in alto nello spazio vettoriale; distorce la densità semantica dell'embedding, che tipicamente ottiene un punteggio più basso. Il modello che ottimizza per linguaggio naturale e denso di informazioni è, in senso ristretto ma significativo, un lettore migliore di quello che ottimizza per la densità di keyword.

Cosa muove davvero l'ago: le prove empiriche del GEO

Lo studio GEO di Aggarwal et al. (arXiv:2311.09735, ACM KDD 2024) ha costruito un benchmark di 10.000 query diverse su 10 domini di contenuto, ha applicato nove metodi di ottimizzazione dei contenuti e ha misurato la frequenza con cui i contenuti di ciascuna fonte comparivano nelle risposte sintetizzate dall'AI — validato su Perplexity.ai reale su 200 query. I risultati rappresentano la base di evidenze più rigorosa disponibile per le decisioni di ottimizzazione delle citazioni AI.

Una scoperta strutturale dello studio GEO dovrebbe ridefinire le tue priorità sui contenuti al di là delle percentuali di titolo. Per un sito web classificato 5° nella SERP, il metodo Cite Sources ha ottenuto un aumento della visibilità nelle citazioni AI del 115%. Per un sito classificato 1°, lo stesso metodo ha ottenuto circa il 30%. La AI search livella parzialmente il campo da gioco — premiando gli attributi di qualità dei contenuti rispetto al rank di autorità del dominio. Una pagina ben strutturata e densa di evidenze da un dominio di medio livello può ottenere tassi di citazione AI più alti di una pagina mal strutturata da un leader di categoria.

Questo è confermato in modo indipendente dall'analisi Ahrefs di 75.000 brand in Google AI Overviews: le menzioni web del brand correlano con la visibilità negli AI Overview a r = 0,664, circa 3 volte più predittivo dei backlink (r = 0,218). Il link graph su cui la SEO ha ottimizzato per decenni è un segnale secondario nel retrieval AI. Le menzioni earned nella stampa di settore, nei forum del settore, nelle discussioni di community e nelle recensioni di terze parti pesano di più.

L'effetto combinato

Sovrapporre metodi compatibili supera qualsiasi singola tattica di oltre il 5,5% nel benchmark GEO. La migliore combinazione testata — Fluency Optimization + Statistics Addition sul set di validazione Perplexity di 200 fonti — ha superato il miglior metodo singolo. Cite Sources ha la più alta sinergia di combinazione: amplifica l'effetto di ogni altro metodo con cui è accoppiato, anche nei casi in cui sottoperforma come strategia autonoma (lift medio in combinazione +31,4%).

L'implicazione pratica per la produzione di contenuti: non ottimizzare una sola dimensione ignorando le altre. Una pagina che aggiunge citazioni di esperti ma nessuna statistica citata e una struttura di frase mediocre cattura solo una frazione del guadagno disponibile. La combinazione completa — affermazioni citate, statistiche verificabili con metodologia, citazioni di esperti nominati, struttura answer-first, prosa naturale — moltiplica questi effetti.

Lo strato di infrastruttura tecnica

Accesso dei crawler: il problema di configurazione invisibile

Prima della strategia dei contenuti, c'è l'infrastruttura. Circa il 27% dei siti B2B SaaS ed e-commerce blocca accidentalmente i principali crawler di retrieval AI a livello CDN o WAF — rimuovendosi silenziosamente dalle risposte della AI search senza rendersene conto. L'errore di configurazione si trova di solito a livello CDN (Cloudflare, Fastly, Akamai), che può bloccare gli user agent a monte prima ancora che il robots.txt del server di origine venga valutato. Verifica a livello dei log del server di origine, non solo con i tool di test del robots.txt.

I crawler AI si dividono in due categorie con implicazioni di policy completamente diverse. I crawler di retrieval costruiscono l'indice di ricerca live: OAI-SearchBot (ChatGPT 5.5 Search), ChatGPT-User (browsing in tempo reale), PerplexityBot, Perplexity-User, Claude-SearchBot. I crawler di training raccolgono dati per il retraining del modello: GPTBot, ClaudeBot, Google-Extended, CCBot. Un brand che vuole visibilità nella AI search senza contribuire i propri contenuti al training dei modelli dei concorrenti dovrebbe autorizzare i crawler di retrieval e bloccare quelli di training.

Secondo la documentazione ufficiale di OpenAI: i siti che non autorizzano OAI-SearchBot non vengono mostrati nelle risposte di ChatGPT Search — non si tratta di una riduzione parziale della visibilità, ma di un'esclusione completa.

# Indice ChatGPT Search — bloccare questo = invisibile nelle risposte di ChatGPT
User-agent: OAI-SearchBot
Allow: /

User-agent: ChatGPT-User
Allow: /

# Perplexity
User-agent: PerplexityBot
Allow: /

User-agent: Perplexity-User
Allow: /

# Claude (Anthropic — solo ClaudeBot e Claude-SearchBot sono attivi nel 2026)
User-agent: Claude-SearchBot
Allow: /

User-agent: Claude-User
Allow: /

# Crawler di training — blocca se non vuoi che i tuoi contenuti vengano usati per il training
User-agent: GPTBot
Disallow: /

User-agent: ClaudeBot
Disallow: /

User-agent: Google-Extended
Disallow: /

User-agent: CCBot
Disallow: /

Schema markup: la scheda informativa leggibile dai sistemi AI

I dati strutturati JSON-LD forniscono ai sistemi di retrieval AI una descrizione esplicita e leggibile dal sistema dell'entità brand. Il meccanismo chiave è l'entity linking: le proprietà @id e sameAs creano una connessione a grafo tra l'URL canonico del brand, il suo identificatore nel Knowledge Graph e i suoi profili di autorità esterni. Quando un sistema di retrieval recupera una pagina e trova questo grafo, può ancorare l'entità brand con certezza — riducendo la probabilità di allucinazioni e migliorando la coerenza fattuale nelle risposte generate dall'AI.

I tipi di schema a più alto rendimento per il controllo dell'entità brand: Organization con sameAs che collega a Wikidata QID, Wikipedia e LinkedIn; FAQPage — i sistemi AI estraggono direttamente il testo acceptedAnswer, rendendolo il tipo di schema a più alto rendimento per l'estrazione di risposte; Article con Person @id dell'autore collegato, che stabilisce la catena E-E-A-T dell'autore.

// Inietta tramite <script type="application/ld+json"> nel <head>
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://example.com/#organization",
      "name": "Example Inc.",
      "url": "https://example.com",
      "logo": "https://example.com/logo.png",
      "foundingDate": "2015",
      // sameAs è la proprietà più importante per il grounding dell'entità AI
      "sameAs": [
        "https://www.wikidata.org/wiki/Q12345",
        "https://en.wikipedia.org/wiki/Example_Inc",
        "https://www.linkedin.com/company/example"
      ]
    },
    {
      "@type": "WebSite",
      "@id": "https://example.com/#website",
      "publisher": { "@id": "https://example.com/#organization" }
    }
  ]
}

Wikidata: l'ancora di grounding delle entità AI

Wikidata contiene oltre 120 milioni di entità con più di 1,65 miliardi di statement ed è la principale fonte di dati leggibile dai sistemi per il Knowledge Graph di Google. Un Wikidata QID (es. Q12345) è un identificatore stabile, globalmente univoco e indipendente dalla lingua. Quando un sistema di retrieval AI incontra il nome del tuo brand e quel brand ha un Wikidata QID collegato tramite schema, risolve l'entità con certezza su tutte le fonti di dati — riducendo drasticamente la probabilità che l'AI confonda la tua azienda con un'altra entità o generi fatti falsi per interpolazione.

A differenza di Wikipedia, Wikidata non ha requisiti generali di notabilità. Un elemento può essere creato per qualsiasi organizzazione reale con statement verificabili. Proprietà minime da popolare: P31 (instance of: business), P856 (sito web ufficiale), P571 (data di fondazione), P17 (paese della sede). Dopo aver creato l'elemento, collega l'URL del QID nell'array sameAs dello schema Organization. Aggiorna l'elemento Wikidata quando cambiano fatti rilevanti — i fatti obsoleti su Wikidata si propagano direttamente nel Knowledge Graph e nelle risposte AI nel giro di giorni.

Architettura dei contenuti per il retrieval

Il principio answer-first

La scoperta più consistente nei sistemi di retrieval RAG — dai pattern di estrazione dei passaggi dello studio GEO, al ranking Sonar di Perplexity, alla generazione degli AI Overview di Google — è che il primo paragrafo sostanziale di una sezione ha un peso sproporzionato. I sistemi di retrieval a livello di passaggio estraggono il chunk di apertura più denso di informazioni; il sistema di sintesi usa quel chunk come ancora per la risposta generata.

Il pattern di implementazione: la frase di apertura di ciascuna sezione dovrebbe essere una risposta completa e diretta alla domanda implicita nel titolo. Il contesto di supporto, gli esempi e le avvertenze seguono. Per la maggior parte delle convenzioni di scrittura marketing e accademica, questo rappresenta una rottura strutturale significativa — quei formati costruiscono il contesto prima di consegnare la conclusione. Il retrieval AI premia l'inverso.

Subottimale: "La storia dello sviluppo del nostro prodotto è iniziata nel 2011, quando il nostro fondatore, dopo aver lavorato nel settore per 15 anni, ha identificato un gap nel mercato per..." — seppellisce il fatto. Ottimale: "[Prodotto] è uno strumento di [categoria] lanciato nel 2011 che [valore unico]. È stato fondato da [Nome], che..." — chi/cosa/quando è immediatamente accessibile al sistema di retrieval e al motore di sintesi.

La lunghezza ottimale del passaggio: 134–167 parole

Lo studio empirico Wellows su 2.400 citazioni di AI Overview ha stabilito una lunghezza ottimale di passaggio di 134–167 parole per l'estrazione negli AI Overview (Wellows, 2025). Al di sotto di questo intervallo, i chunk mancano di contesto sufficiente per un'estrazione affidabile; al di sopra, la densità semantica per parola diminuisce e la similarità coseno nel retrieval cala. Lo stesso studio ha rilevato che una similarità coseno superiore a 0,88 tra un passaggio e la query correla con un tasso di citazione 7,3 volte più alto — quantificando la soglia di retrieval che i tuoi contenuti devono superare.

L'autonomia è importante quanto la lunghezza. Un passaggio autonomo può essere compreso senza leggere i passaggi adiacenti. Evita riferimenti incrociati come "come menzionato sopra" o "vedi la sezione successiva" — sono segnali navigazionali per i lettori umani ma distruggono l'utilità di un chunk recuperato per un motore di sintesi. Indica esplicitamente il soggetto in ogni passaggio, anche se ciò significa ripetere il nome dell'entità.

Architettura dei titoli a forma di domanda

I titoli H2 e H3 formulati come domande corrispondono all'intento di query degli utenti della AI search e fungono da segnali strutturali per il rilevamento dei confini dei chunk, aumentando la probabilità che il passaggio successivo al titolo venga recuperato per query corrispondenti. La conversione è semplice:

Dati originali: l'investimento in contenuti con il ROI più alto

I dati originali e proprietari raggiungono tassi di citazione AI del 38–65% contro il 6–15% dei contenuti che riutilizzano statistiche di settore esistenti (ZipTie, 2026). Un brand che pubblica ricerca originale viene citato circa 3 volte più spesso di uno che riutilizza statistiche di terze parti. Il caso di investimento nella ricerca primaria — survey sugli utenti, benchmark, rilascio di dati interni — è la decisione di produzione di contenuti con il più alto rendimento atteso in un ambiente dominato dalla AI search.

Questo è confermato dal core update di Google di marzo 2026, che ha ri-pesato esplicitamente l'"Information Gain" — il grado in cui una pagina contribuisce conoscenza genuinamente nuova rispetto alla sintesi di informazioni esistenti. L'analisi successiva all'aggiornamento ha rilevato che i contenuti parafrasati dall'AI hanno perso circa il 71% del traffico, mentre le pagine con dati originali e ricerca primaria ne hanno guadagnato circa il 22%. L'algoritmo è sempre più allineato con il sistema di retrieval: il contributo intellettuale originale è la variabile determinante, non il volume di produzione dei contenuti.

Il problema di misurazione da risolvere prima di tutto

Prima che una qualsiasi delle tattiche di cui sopra possa essere misurata, una proprietà fondamentale dei sistemi basati su LLM deve essere interiorizzata: la non-determinismo. Anche con temperature=0, gli output AI non sono completamente riproducibili su diverse esecuzioni di sampling, versioni del modello, system prompt e stati dell'indice di retrieval. AirOps ha rilevato che solo il 30% dei brand rimane visibile in esecuzioni consecutive di risposte AI per la stessa query, e solo 1 brand su 5 compare in modo consistente su 5 esecuzioni (AirOps, 2025).

Questo significa che i controlli spot su prompt singoli non sono uno strumento di misurazione. Sono aneddoti. Un protocollo di monitoraggio rigoroso richiede di eseguire ogni prompt target un minimo di 10 volte e di calcolare la probabilità di menzione (menzioni/N), la posizione media della citazione e la distribuzione del sentiment. I trend settimana su settimana in queste distribuzioni sono significativi. Le osservazioni su singola esecuzione non lo sono.

La divergenza cross-engine amplifica questo problema: l'11% di sovrapposizione tra le citazioni di ChatGPT 5.5 e Perplexity per la stessa query significa che monitorare un singolo motore fornisce un quadro strutturalmente incompleto. Un setup di monitoraggio minimo vitale copre almeno tre piattaforme — ChatGPT 5.5, Perplexity e Google AI Overviews — con 10+ esecuzioni per prompt per motore per settimana, tracciando probabilità di menzione, posizione (prima menzione, prima metà, seconda metà) e sentiment.

Il playbook prioritizzato

Se dovessi costruire questo da zero per un brand enterprise oggi, questa è la sequenza che seguirei — ordinata per rapporto impatto/sforzo, non per eleganza concettuale.

1. Verifica l'accesso dei crawler a ogni layer dello stack

   Controlla che OAI-SearchBot, PerplexityBot e Claude-SearchBot non siano bloccati a livello di origine, WAF o CDN. Verifica direttamente nei log di accesso del server — non affidarti solo agli strumenti di test del robots.txt. Questa è la correzione più rapida e ad alto impatto se l'errore esiste.
2. Implementa lo schema Organization con i link di entità sameAs

   JSON-LD con Wikidata QID verificato, URL Wikipedia (se applicabile) e pagina aziendale LinkedIn nell'array sameAs. Da una a due ore di lavoro di engineering con ritorno composto permanente sulla disambiguazione dell'entità e sulla riduzione delle allucinazioni.
3. Crea o rivendica l'elemento Wikidata

   Proprietà minime: instance of, sito web ufficiale, data di fondazione, paese. Collega ai file di autorità (LinkedIn, registri ufficiali). Aggiorna ogni volta che cambiano fatti rilevanti — i fatti obsoleti su Wikidata si propagano nel Knowledge Graph e nelle risposte AI nel giro di giorni.
4. Ristruttura le tre pagine più trafficate della fase decisionale

   Applica la struttura answer-first a ogni sezione, punta a passaggi autonomi di 134–167 parole, aggiungi 1–2 statistiche citate per sezione, aggiungi 1 citazione di esperto nominato con credenziali. Misura la probabilità di citazione AI prima e dopo su 10+ esecuzioni per prompt.
5. Invia a Bing Webmaster Tools e configura IndexNow

   Poiché l'indice di Bing è alla base di ChatGPT 5.5 Search, la qualità dell'indicizzazione specifica per Bing è una leva diretta per la visibilità in ChatGPT. Le notifiche push di IndexNow riducono la latenza di discovery da giorni a ore per contenuti nuovi e aggiornati — integralo nella tua pipeline di pubblicazione CI/CD.
6. Commissiona un pezzo di ricerca primaria originale

   Survey, benchmark o rilascio di dati interni — pubblicati con metodologia completa e dimensione del campione. È l'investimento in contenuti con il ROI a lungo termine più alto: tasso di citazione del 38–65% per dati originali contro il 6–15% per statistiche riutilizzate, più le citazioni earned media che genera compoundano ulteriormente il vantaggio di visibilità AI.
7. Costruisci una baseline di monitoraggio su tre piattaforme

   10+ esecuzioni per prompt target, su ChatGPT 5.5, Perplexity e Google AI Overviews. Traccia probabilità di menzione, posizione della citazione e sentiment. Stabilisci questa baseline prima di apportare ulteriori modifiche — senza di essa, non hai alcun segnale su cosa sta funzionando.

I brand che trattano la AI search come un problema di infrastruttura e content engineering — anziché come una campagna o un esercizio di keyword — accumuleranno vantaggi di visibilità mentre i concorrenti stanno ancora facendo A/B test sulle copy degli annunci. I meccanismi sono compresi, la base di evidenze esiste, e l'implementazione è alla portata di qualsiasi team di engineering competente. Il gap è principalmente organizzativo: riconoscere che la domanda "siamo visibili in ChatGPT?" richiede lo stesso rigore di "siamo indicizzati correttamente su Google?" e indirizzarla alle persone giuste.