Scritto da Giorgio Volpe 13 min di lettura

Google, Bing e la GEO : chi ha ragione?

Per qualche tempo, mentre il dibattito tra professionisti del digital marketing infuriava sul perimetro della GEO (Generative Engine Optimization) e dell’AEO (Answer Engine Optimization) – e su quanto queste discipline si distinguessero o si sovrapponessero alla SEO tradizionale – Google e Bing avevano sostanzialmente evitato di prendere posizione in modo strutturato. Comunicazioni sparse, dichiarazioni di portavoce, podcast: nulla di organico.

In questo primo scorcio di 2026 qualcosa è cambiato. Entrambi i motori hanno pubblicato documenti di una certa consistenza che provano a definire il loro punto di vista sul tema. Per un professionista del settore, abituato a navigare in uno scenario nebuloso dove i fatti scarseggiano e le opinioni (anche fuffoniche) abbondano, si tratta di materiale prezioso – a condizione di leggerlo con la dovuta attenzione critica. Perché, come vedremo, il quadro che emerge non è affatto uniforme.

Bing: grounding e search sono sistemi diversi

L’articolo pubblicato sul blog di Bing il 6 maggio 2026 a firma di Krishna Madhavan, Knut Risvik e Meenaz Merchant ha un titolo che già indica la direzione: Evolving role of the index: From ranking pages to supporting answers. Il sottotitolo precisa: Same Foundations. Different Optimization Problems.

La tesi centrale è che la search tradizionale e il grounding per i sistemi AI condividono la stessa infrastruttura di base – crawling, indicizzazione, segnali di qualità – ma sono ottimizzati per finalità fondamentalmente diverse. La search tradizionale risponde alla domanda “quali pagine dovrebbe visitare l’utente?“; il grounding risponde a una domanda diversa: “quali informazioni può utilizzare responsabilmente un sistema AI per costruire una risposta?”. Secondo gli autori, le due domande si assomigliano, ma non sono la stessa cosa.

L’unità di valore cambia: nella search tradizionale è il documento nella sua interezza, una pagina che un essere umano può scorrere, valutare e su cui può agire; nel grounding è l’informazione groundable, un fatto discreto e verificabile con una provenienza chiara. Il cambio di prospettiva ha implicazioni concrete sulle metriche di qualità dell’indice: nella search tradizionale un risultato obsoleto è un problema di ranking; nel grounding un fatto obsoleto produce direttamente una risposta sbagliata. Nella search l’errore è tollerabile perché l’utente può correggersi; nel grounding l’errore può propagarsi attraverso i passaggi di ragionamento del modello senza che nessuno se ne accorga in tempo reale.

Un’altra differenza sostanziale riguarda le contraddizioni tra fonti: mentre un motore tradizionale può posizionare una fonte sopra un’altra lasciando all’utente il compito di arbitrare, un sistema di grounding non può permettersi di arbitrare in silenzio tra fonti contraddittorie, perché un modello AI che lo facesse potrebbe asserire con sicurezza la cosa sbagliata, senza che l’utente abbia modo di accorgersene prima di aver ricevuto la risposta.

Vale la pena sottolineare che il documento Bing non nega la centralità della SEO tradizionale come fondamento – anzi, afferma esplicitamente che il grounding si costruisce sopra la stessa infrastruttura. Ma riconosce che sopra quella fondazione comune esiste un livello di ottimizzazione distinto, con metriche proprie e responsabilità diverse. È una posizione sfumata, ma la distinzione è netta.

Google: good SEO is good GEO

La posizione di Google è, almeno nelle sue comunicazioni ufficiali, sensibilmente diversa. Il portavoce storico del Search team, Danny Sullivan, ha più volte ribadito – incluso nell’episodio di Search Off The Record ripreso da Search Engine Journal – che la buona SEO è buona GEO, e che i professionisti non devono preoccuparsi di adattare i propri contenuti in modo specifico per i sistemi AI. John Mueller ha espresso posizioni analoghe.

Questa linea ha trovato poi una formalizzazione ufficiale nella pagina di documentazione Optimizing your website for generative AI features on Google Search, aggiornata al 15 maggio 2026 e che per la prima volta raccoglie in modo organico il punto di vista del Search team. La sezione più rilevante – e più commentata – è quella dedicata al mythbusting, in cui Google smonta esplicitamente alcune delle pratiche più diffuse nel dibattito GEO.

Il file llms.txt viene liquidato come non necessario: non serve creare nuovi file machine-readable, markup AI o Markdown per apparire nelle funzionalità di ricerca generativa. Il chunking dei contenuti viene analogamente sconsigliato: i sistemi di Google sarebbero in grado di comprendere le sfumature di più argomenti in una singola pagina e di mostrare il segmento pertinente all’utente. La riscrittura dei contenuti per i sistemi AI è definita inutile: i modelli AI capiscono sinonimi e significati generali senza bisogno di ottimizzazioni specifiche. Infine, i dati strutturati vengono ridimensionati: non sarebbero richiesti per la ricerca generativa e non esisterebbero markup schema.org speciali da aggiungere.

Sul fronte dei contenuti, la linea è ugualmente netta. Sullivan ha esplicitamente identificato il cosiddetto commodity content – il contenuto generico e intercambiabile – come la categoria che soffre di più nell’era di AI Mode e AI Overview, perché non riesce più a generare la stessa capacità di veicolazione di click come un tempo. I sistemi AI analizzano una varietà di fonti e premiano chi porta un punto di vista unico e non replicabile: un contenuto basato su esperienza diretta vale sistematicamente di più di un riassunto di ciò che è già disponibile altrove. Non è la morte certificata di un formato, ma una pressione strutturale crescente verso la quale chi produce contenuti non può restare indifferente. Il messaggio di fondo del Search team rimane: continuate a fare buona SEO, occupatevi di contenuti utili e rilevanti per gli utenti, e il resto seguirà.

La voce fuori dal coro: quando Google non parla con una voce sola

Qui il quadro si complica in modo interessante. L’11 aprile 2026 Addy Osmani – ingegnere Google che lavora su Google Cloud e Gemini, e developer advocate di lungo corso – ha pubblicato sul suo blog personale un articolo intitolato Agentic Engine Optimization (AEO) che traccia un percorso di ottimizzazione per gli agenti AI in contraddizione quasi punto per punto con la pagina ufficiale del Search team.

Osmani definisce la AEO come la pratica di strutturare, formattare e servire contenuti tecnici in modo che gli agenti AI possano effettivamente utilizzarli. Tra le sue raccomandazioni: implementare llms.txt come “una sitemap per gli agenti AI”; strutturare il contenuto per la scansione da parte delle macchine, non solo per la lettura umana; trattare il conteggio dei token come una metrica primaria della documentazione; adottare file skill.md per segnalare le capacità di un’API agli agenti; garantire che il robots.txt non blocchi involontariamente i crawler AI.

L’argomento di Osmani parte da un’osservazione empirica: quando un agente AI accede alla documentazione, l’intera navigazione multi-pagina che un utente umano farebbe in minuti si comprime in una o due richieste HTTP. Il concetto di “user journey” collassa in un singolo evento lato server. Tutto ciò che conta nei sistemi di analytics tradizionali – scroll depth, tempo sulla pagina, click su link, completamento di tutorial – diventa invisibile. L’agente era lì, ha letto i contenuti, e in base a come erano strutturati ha completato il compito con successo oppure ha prodotto una soluzione sbagliata perché il contenuto era troppo pesante in termini di token, mal strutturato, o bloccato da un robots.txt mal configurato.

Nelle more della pubblicazione di questo articolo, un’ulteriore voce ufficiale Google “favorevole” all’llms.txt si è aggiunta il 20 maggio, quando l’llms.txt è diventato uno degli elementi utili a migliorare lo score dell’audit “Agentic Browsing” di Lighthouse. La sua implementazione, inoltre, è esplicitamente consigliata nella documentazione ufficiale di Chrome.

Sarebbe però un errore leggerlo come una fuga di informazioni riservate o come un atto di dissidenza consapevole. Chi conosce le dinamiche di un’azienda della complessità di Google sa bene che i suoi team non si parlano sempre in modo coordinato: è accaduto in passato con la gestione delle SPA, con il tema dell’hijacking del tasto back e con le politiche di AdSense, dove posizioni ufficialmente diverse convivevano simultaneamente in diversi reparti senza che questo rappresentasse necessariamente una contraddizione intenzionale. Osmani parla dalla prospettiva di chi lavora su sistemi agentici e su Gemini; Sullivan parla dalla prospettiva del Search team. Sono due osservatori legittimi di una realtà complessa, con angolature diverse e priorità organizzative diverse. Non si può escludere, peraltro, che una certa ambiguità sia anche funzionale a Google stessa: evitare di vincolarsi troppo presto a uno standard tecnico ancora in evoluzione è una scelta razionale per un’azienda che opera in un mercato che cambia con questa velocità.

Il dilemma del consulente

Il sogno di ogni professionista SEO che lavora su progetti complessi è poter fondare le proprie raccomandazioni su best practice ufficiali chiare e non contestate. Se le linee guida di Google affermano che implementare llms.txt è utile, il consulente può proporlo senza riserve. Se Google afferma invece che è inutile, il consulente dovrebbe poterlo lasciare fuori dal piano di lavoro altrettanto serenamente.

Ma quando la pagina ufficiale del Search team dice una cosa e un ingegnere Google che lavora quotidianamente su sistemi AI dice il contrario, la situazione si complica. E si complica ulteriormente per una ragione pratica: qualunque cliente, oggi, può aprire ChatGPT, Gemini o qualunque altro modello conversazionale e chiedere se il proprio sito è ottimizzato per i motori di risposta AI. La risposta che riceverà non solo raccomanderà probabilmente di implementare il file llms.txt, ma potrà suggerire anche la versione llms-full.txt, i file skill.md per le API, una strategia di ottimizzazione dei token per la documentazione – tutto ciò che il Search team di Google dice esplicitamente di ignorare.

Non è un problema insormontabile per un professionista preparato. Ma è una conversazione che non dovrebbe essere necessaria, e che richiede un livello di aggiornamento e di chiarezza argomentativa che in un panorama più coerente sarebbe semplicemente superfluo. L’incertezza non è nuova nel nostro settore; questa ha però la caratteristica di provenire dall’interno, dalla sovrabbondanza di voci autorevoli che non convergono.

Cosa possiamo distillare

Mettendo insieme le indicazioni disponibili – quelle ufficiali di Google, quelle di Bing, quelle di Osmani, consapevoli dei rispettivi angoli di osservazione – è possibile identificare alcuni punti di convergenza reale su cui orientarsi con ragionevole sicurezza.

Il primo è che la SEO Foundation resta centrale. Su questo Google, Bing e Osmani concordano senza riserve: un sito tecnicamente solido, con contenuti di qualità, ben indicizzato e con una struttura chiara, è il punto di partenza tanto per la visibilità nella search tradizionale quanto per quella nei sistemi di grounding AI. Chi ha costruito una SEO solida negli anni non deve ricominciare da zero.

Il secondo punto di convergenza riguarda la qualità e unicità dei contenuti. La pressione crescente sul commodity content non è solo un auspicio editoriale: è una conseguenza del modo in cui i sistemi di grounding selezionano e pesano le fonti, privilegiando quelle con provenienza chiara, fatti verificabili e punti di vista non replicabili altrove. Bing lo dice dal lato dell’infrastruttura; Google lo dice dal lato della strategia editoriale. Il segnale è coerente.

Il terzo punto – e qui le posizioni divergono – riguarda gli interventi tecnici specifici per i sistemi AI. Bing invita a pensare all’ottimizzazione per il grounding come a uno strato aggiuntivo rispetto alla SEO tradizionale. Osmani propone un vero e proprio stack di interventi (llms.txt, audit del robots.txt, token count, skill.md). Il Search team di Google dice di ignorare tutto questo. In assenza di certezze definitive, la posizione più pragmatica è valutare caso per caso: su siti con documentazione tecnica strutturata e traffico da agenti AI già misurabile nei log di server, gli interventi di AEO hanno una logica concreta e verificabile. Su siti editoriali o e-commerce generalisti, la priorità rimane una SEO ben eseguita.

Tre responsabilità che nessuno vuole assumersi

La nostra, come professionisti

Costruire una posizione professionale solida in uno scenario di incertezza non significa aspettare che le linee guida convergano – potrebbe non accadere, o accadere troppo tardi. Significa fondare le proprie raccomandazioni su evidenze proprie: monitorare il traffico da agenti AI nei log di server, testare gli effetti degli interventi tecnici sui siti che lo consentono, documentare i risultati. Non è il mantra del “testare e verificare” come risposta generica all’incertezza; è la costruzione di un corpus di dati proprietari che permette di argomentare davanti al cliente indipendentemente da ciò che dicono Google, Bing o ChatGPT.

Vale la pena aggiungere che fare cieco affidamento sulle dichiarazioni ufficiali di Google non è mai stata una strategia robusta, e non lo è ora. Non per cinismo generalizzato, ma perché esiste una storia documentata di comunicazioni pubbliche difformi dai meccanismi reali su temi specifici. L’utilizzo dei dati di click per il ranking è stato smentito pubblicamente per anni, fino a quando il procedimento antitrust del Dipartimento di Giustizia americano non ha portato alla luce l’istruzione interna ai dipendenti a non discuterne esternamente e le testimonianze sotto giuramento di Pandu Nayak hanno confermato il ruolo centrale di NavBoost. Analogamente per i dati di Chrome. Questi precedenti non riguardano l’llms.txt – la posta in gioco è diversa – ma riguardano esattamente il tema di questo articolo: come Google comunica verso l’esterno il funzionamento dei propri sistemi. Giustificano la lettura critica, non il sospetto sistematico.

Quella di Google e Bing

La divergenza tra i due motori è gestibile: i professionisti sono abituati a lavorare con segnali non allineati. Il problema più acuto è interno a Google, e la sua soluzione non richiede un’unica voce aziendale – sarebbe irrealistico – ma documenti ufficiali che riconoscano esplicitamente i limiti del proprio perimetro di applicabilità. Una pagina di mythbusting calibrata sul caso d’uso generale è utile; diventa fuorviante quando viene letta come valida per tutti i contesti, inclusi quelli per cui non è stata pensata.

Quella dei modelli AI standalone

È la responsabilità meno discussa e probabilmente la più urgente nel breve periodo. Un modello conversazionale che risponde a domande sull’ottimizzazione per la search AI senza segnalare esplicitamente che le raccomandazioni disponibili sono divergenti e contestate non sta offrendo un servizio utile: sta semplificando un dibattito aperto in una risposta chiusa. Non è un problema di censura o di scelta di campo tra Sullivan e Osmani. È un problema di onestà epistemica verso l’utente finale.

Il punto di arrivo di questo panorama non è prevedibile con certezza. Ma la direzione è abbastanza chiara: i motori di ricerca e i sistemi AI stanno evolvendo verso architetture in cui la distinzione tra “indicizzare per mostrare” e “recuperare per rispondere” diventa sempre più rilevante. Chi lavora in questo settore non può permettersi di aspettare che le linee guida si stabilizzino prima di costruire una propria posizione. Le linee guida arrivano sempre dopo i fatti – ed è esattamente per questo che esistono i professionisti.

Hai trovato utile questo articolo? Leggi anche