Dalle keyword ai prompt e ritorno: il pannello AI Performance di Bing
Nell’articolo dedicato al query fan-out e reciprocal rank fusion abbiamo visto il meccanismo con cui i motori di risposta scompongono i prompt articolati dell’utente in sub-query e recuperano poi le pagine web da cui attingere i contenuti necessari al confezionamento delle risposte per l’utente.
Proviamo ad approfondire la tematica, soprattutto per verificare se davvero la SEO tradizionale sia morta e le keyword non abbiano più alcun valore.
Molti sondaggi attestano che le abitudini di ricerca dell’utenza digitale sono radicalmente cambiate con l’avvento di ChatGPT, Perplexity, Gemini, eccetera. Gli utenti pongono domande in linguaggio naturale, utilizzando stringhe di testo molto più articolate delle vecchie e care “keyword“, che per oltre due decenni hanno costituito il faro di ogni attività di ottimizzazione dei contenuti.
I motori LLM based, da parte loro, scompongono il prompt articolato degli utenti in sub-query con il meccanismo del fan-out e vanno a interrogare vari indici – in primis quelli di Google e Bing – per identificare le risorse più rilevanti, stilare una lista finale con il meccanismo RRF e attingere poi le informazioni dagli URL identificati con un accesso diretto alle risorse.
I responsi finali dei modelli LLM vengono quindi confezionati utilizzando le informazioni rinvenute sulle pagine web che hanno ottenuto il migliore score di rilevanza complessivo sul gruppo di query di fan-out.
Tutto chiaro quindi? Non proprio.
Una pletora di tool commerciali, ma anche gli stessi motori di ricerca, offrono moltissime informazioni sulle classiche keyword. Se prendiamo un qualunque argomento, siamo in grado di identificare macro-trend dell’interesse di ricerca, volumi di ricerca, fluttuazioni stagionali e molto altro.
Sui prompt dell’utenza, invece, sappiamo poco e niente. Nessun modello LLM rende disponibili i dati sulle attività di ricerca dei propri utenti, neanche in forma aggregata. Le informazioni che possiamo ricavare da tool commerciali o fornitori di dati via API sono il frutto di calcoli probabilistici che, per quanto fondati su elementi statisticamente rilevanti, restano stime sulla cui affidabilità è difficile pronunciarsi.
Nel caso di Google, i prompt degli utenti AI Mode – anche quelli di follow-up – sono tecnicamente loggati in Google Search Console, ma è ragionevole ritenere che una percentuale significativa di questa particolare tipologia di query finisca nel calderone delle “anonymized queries“, ossia il set di ricerche occultate per ragioni di privacy. Google definisce le query anonimizzate come “quelle che non vengono inviate da più di qualche decina di utenti in un periodo di due o tre mesi“. I dati di impression e click relativi a queste query sono presenti nei totali, ma spariscono dai rapporti nel momento in cui si va ad attivare un filtro query.
L’unica fonte di dati ufficiali: Bing AI Performance
A ben vedere, gli unici dati ufficiali direttamente collegati ai prompt dell’utenza sono quelli offerti dal pannello AI Performance di Bing Webmaster Tools, attivato nel febbraio 2026.
Si tratta di un dataset estremamente interessante, perché è l’unico che offre una visione chiara dell’andamento delle citazioni su Copilot e partner con possibilità di filtrare i dati sia su base URL che sulle “Grounding Queries“.
Prima di scendere nei dettagli, dobbiamo sgombrare il campo da un dubbio preliminare: Bing ha una quota ridotta del mercato della ricerca e i dati che mostra nel pannello “Search Performance” sono poca cosa rispetto a quelli disponibili nella Google Search Console. Le informazioni fornite nel pannello AI Performance riportano una massa dati statisticamente rilevante?
Di seguito abbiamo la schermata della performance nella ricerca classica.
Di seguito, invece, la schermata dell’AI Performance per lo stesso sito e lo stesso arco temporale:
Come si vede, il numero totale di citazioni è oltre un quarto rispetto alle impression e quasi 10 volte superiore a quello dei click veicolati dalla ricerca Bing, una mole di informazioni che, fatti i dovuti rapporti, può ritenersi interessante.
Le Citations indicano il numero totale di volte in cui i contenuti del sito sono stati utilizzati e mostrati visivamente come fonti (tramite link o riferimenti testuali) all’interno di una risposta generata da Microsoft Copilot, nei sommari generati dall’AI in Bing Search e nelle integrazioni AI di partner selezionati.
Con Avg. Cited Pages, invece, si intende il numero medio di pagine uniche del sito citate giornalmente nei responsi.
Subito sotto il grafico temporale con l’andamento delle citazioni e del numero medio giornaliero di pagine citate, il rapporto mostra l’elenco delle Grounding Queries, definite da Bing come le frasi chiave utilizzate dall’AI per recuperare i contenuti citati nelle sue risposte.
Come si può vedere, accanto al selettore “Grounding Queries” ce n’è uno “Pages“, che permette di filtrare le citazioni su base URL e verificare quali pagine del nostro sito risultino maggiormente utilizzate dall’AI dell’ecosistema Microsoft per attingere informazioni con cui confezionare risposte per la propria utenza.
Lo scorso mese Bing ha aggiunto la possibilità di filtrare i dati cliccando su una Grounding Query, in modo da visualizzare i dati temporali di Citations per la sola query selezionata e l’elenco degli URL citati sempre per quella specifica combinazione.
Cliccando sull’URL di una pagina, invece, sotto al grafico dell’andamento delle sue Citations si visualizzano le Grounding Queries che gliele hanno procurate.
Le Grounding Queries: il collegamento tra fan-out e citazioni
Dicevamo che le Grounding Queries sono le frasi chiave utilizzate dall’AI per recuperare i contenuti citati nelle sue risposte. Così descritte, sembrano corrispondere alle query di Fan-out utilizzate dai modelli LLM per rispondere ai prompt dell’utenza per i quali le pagine di un sito risultano rilevanti.
Se così fosse, pur non conoscendo in alcun modo i prompt dell’utenza, sappiamo quali sono le combinazioni di fan-out che stanno generando citazioni e possiamo verificare se quelle che vogliamo prendere di mira con le nostre attività di ottimizzazione dei contenuti migliorano le proprie performance a seguito delle implementazioni.
Possiamo risalire ai prompt dell’utenza a partire dalle Grounding queries? Certamente non si possono ricostruire i prompt reali dell’utenza, ma possiamo ipotizzare i prompt “tipici” associati alle grounding queries di un determinato URL – magari aiutandosi con l’AI – in modo da poterli usare per monitorare la propria share of voice su altri modelli LLM. A ben vedere, se anche ChatGPT o Perplexity decidessero un giorno di rendere disponibili in qualche forma i dati delle ricerche dei loro utenti, mi viene da pensare che dovrebbero necessariamente fornirli in forma aggregata per renderli intelligibili e utilizzabili.
Andata e ritorno
Nonostante l’evidente e documentato cambio nelle abitudini di ricerca degli utenti, che prediligono prompt articolati in linguaggio naturale, l’idea di stravolgere radicalmente l’approccio all’ottimizzazione dei contenuti risulta priva di fondamento pratico. Il meccanismo di query fan-out impiegato dai motori LLM riporta il focus dell’attività di recupero delle informazioni su query sintetiche e brevi descrittive di entità concettuali, che fungono da connettore tra l’intenzione articolata dell’utente e le risorse web rilevanti.
Il pannello AI Performance di Bing Webmaster Tools mette nero su bianco che l’anello di congiunzione tra contenuti del sito e citazioni nelle risposte LLM sono le Grounding Queries. Queste “frasi chiave” sono, di fatto, le query di fan-out che identificano il concetto target e somigliano molto più alle vecchie e care keyword che non ai complessi prompt di input.
Di conseguenza, qualunque attività di ottimizzazione dei contenuti GEO finalizzata a intercettare il traffico AI-based deve necessariamente fondarsi sull’analisi e l’ottimizzazione per le Grounding Queries, nel pieno rispetto delle radici della SEO, dove la chiave di volta non è il linguaggio naturale, ma la sintesi concettuale.