Scrivere per un lettore che non è umano: benvenuti nell’era della GEO

Per vent’anni chi scriveva un articolo online lo faceva pensando a due destinatari: il lettore in carne e ossa e l’algoritmo di Google che decideva se e dove farlo comparire. Da qualche mese se n’è aggiunto un terzo, più silenzioso ma già determinante: il modello linguistico (il “motore” dentro ChatGPT, Gemini o Perplexity) che legge l’articolo non per mostrarlo così com’è, ma per digerirlo e restituirne una sintesi a chi ha fatto una domanda. Il tema è tornato di attualità il 1° settembre, quando Editoria.tv ha raccontato come le grandi testate stiano riorganizzando i propri contenuti proprio per questo nuovo interlocutore.

Cos’è la GEO, in parole semplici

GEO sta per Generative Engine Optimization: è l’erede della SEO (Search Engine Optimization, l’ottimizzazione per i motori di ricerca) nell’epoca dei chatbot. Cambia l’obiettivo, non solo la sigla. La SEO cercava di convincere un motore di ricerca a mettere un link tra i primi risultati; la GEO punta a far sì che un modello generativo scelga proprio quel testo come base per la risposta che restituisce all’utente (magari citandone la fonte con un link, magari no).

I numeri spiegano perché le redazioni non possono più ignorarla. Secondo l’analisi della consulente americana Adriana Lacy, oggi circa 7 ricerche di notizie su 10 su Google si chiudono senza che l’utente clicchi su nessun sito (il fenomeno si chiama “zero-click search”), contro poco più di una su due appena un anno fa. Nello stesso periodo il traffico che ChatGPT rimanda verso i siti di informazione è cresciuto di circa 25 volte, con milioni di rimandi ogni mese. Il pubblico non sta sparendo: sta entrando da un’altra porta, e chi non la presidia rischia di restarne fuori.

Come si scrive (davvero) un pezzo pensato per la GEO

Le redazioni che stanno sperimentando la GEO — Editoria.tv cita il caso di USA Today Co. — non cambiano solo qualche parola chiave: riscrivono la struttura del pezzo. Nella pratica, gli accorgimenti più ricorrenti sono questi:

• Risposta diretta in apertura. Il pezzo non parte più con un aggancio narrativo, ma con poche righe che rispondono già alla domanda implicita del lettore (una tecnica che alcuni chiamano “answer-first”, una piramide rovesciata ancora più ripida di quella classica del giornalismo). Deve reggersi da sola, perché un modello potrebbe isolarla dal resto dell’articolo.
• Sottotitoli in forma di domanda. I sottotitoli (H2 e H3, nel linguaggio HTML) vengono spesso riscritti come domande — “Perché succede”, “Cosa cambia per i lettori” — perché ricalcano il modo in cui le persone interrogano un assistente vocale o un chatbot, e aiutano il modello a collegare il pezzo alle sue possibili varianti di ricerca.
• Dati strutturati (schema markup). È codice invisibile al lettore ma leggibile dalle macchine (in gergo tecnico si chiama JSON-LD, basato sullo standard schema.org), che etichetta esplicitamente cos’è un articolo, chi lo firma, quando è stato aggiornato, o se contiene una lista di domande frequenti (i tipi più usati si chiamano NewsArticle, FAQPage, HowTo). In pratica è come mettere un’etichetta chiara su ogni scatola, invece di lasciare che la macchina indovini cosa c’è dentro.
• Un possibile “llms.txt”. Sul modello del vecchio robots.txt (il file che da decenni dice ai motori di ricerca quali pagine di un sito possono “leggere”), sta circolando la proposta di un file simile, llms.txt, pensato per indicare ai crawler dei modelli di intelligenza artificiale quali contenuti considerare più autorevoli. Non è ancora uno standard adottato da tutti, ma diverse testate lo stanno già sperimentando.
• Cronologie, elenchi e tabelle al posto della prosa continua. Date, cifre e passaggi sequenziali vengono isolati con chiarezza invece che sciolti nel racconto, perché sono gli elementi che un sistema generativo riesce a “recuperare” (tecnicamente, tramite un meccanismo chiamato RAG, retrieval-augmented generation: il modo in cui il chatbot va a ripescare un pezzo di testo per costruire la risposta) e restituire con meno errori.
• Firma, fonti e data sempre esplicite. Sono gli stessi criteri che Google chiama da anni E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness: esperienza, competenza, autorevolezza, affidabilità) e che oggi contano doppio, perché non devono più convincere solo un algoritmo di posizionamento, ma anche un modello che deve decidere se un testo è abbastanza solido da poter essere citato come fonte.

Il rischio: un giornalismo “a incastri”

C’è però un rovescio della medaglia, ed è lo stesso che il giornalismo ha già sperimentato con la SEO classica: la tentazione di scrivere non più per raccontare bene una storia, ma per essere facilmente “smontabili” in frammenti citabili. Se ogni pezzo deve poter essere ridotto a risposte brevi e autonome, le forme più complesse dell’informazione (l’inchiesta lunga, il reportage con più voci, l’analisi che richiede di seguire un ragionamento dall’inizio alla fine) rischiano di essere penalizzate proprio perché più difficili da spezzettare. È un rischio che la storia recente conosce bene: la SEO, nata come un insieme di accorgimenti ragionevoli per rendere le pagine comprensibili ai motori di ricerca, ha finito per condizionare pesantemente titoli e struttura dei testi online. Con l’intelligenza artificiale lo stesso fenomeno potrebbe ripetersi, ma più in fretta.

Le contromosse: dalle “fonti preferite” alle licenze

Qualcosa si muove anche dal lato delle piattaforme. Google ha introdotto la funzione Preferred Sources (“fonti preferite”), che permette agli utenti di indicare le testate che vogliono vedere privilegiate nei risultati di ricerca e, sempre più spesso, anche dentro le risposte generate dall’intelligenza artificiale. È un segnale che va oltre l’aspetto tecnico: riconosce che, agli occhi di chi legge, non tutte le fonti sono equivalenti, e che la reputazione costruita nel tempo continua a pesare anche quando a “leggere” l’articolo è un software.

Per gli editori si apre così un’altra strada, complementare alla scrittura ottimizzata: quella delle licenze dirette con le aziende di intelligenza artificiale (sul modello degli accordi già firmati da gruppi come Axios o News Corp con OpenAI), che trasformano l’archivio giornalistico da semplice traffico pubblicitario a risorsa da concedere in uso, con un contratto e un compenso.

Il paradosso da cui dipende il futuro dell’informazione

Il paradosso di questa fase è semplice da enunciare: mentre diventa sempre più facile produrre testo con una macchina, diventa sempre più prezioso tutto ciò che una macchina, da sola, non potrebbe scrivere. Una notizia raccolta sul campo, un documento ottenuto con mesi di lavoro, una fonte verificata con cura, una firma che si è guadagnata fiducia nel tempo: sono questi gli elementi che nessun modello linguistico può generare in autonomia, e sono anche ciò che continuerà a fare la differenza tra un articolo citato per la sua utilità e uno citato per errore. La GEO diventerà presto una disciplina strutturata, con le sue regole, i suoi consulenti e i suoi strumenti di misurazione, proprio come è successo alla SEO. Ma la domanda di fondo per chi fa informazione resterà sempre la stessa: essere citati da un’intelligenza artificiale conterà solo se, dietro quella citazione, ci sarà davvero qualcosa che valeva la pena raccontare.