Intent-based interaction: dall'intenzione al risultato

La ricerca tradizionale richiede di tradurre un bisogno in parole chiave, navigare i risultati, affinare i termini e confrontare le fonti. La ricerca mediata dall’AI permette invece di descrivere una situazione, i vincoli e il risultato desiderato. L’utente può partire dal proprio caso: «ho questo problema, in questo contesto, con questi vincoli».

La ricerca di NN/g sull’information seeking mostra che i sistemi AI riducono il keyword foraging, cioè il lavoro per tentativi necessario a trovare i termini di ricerca più efficaci. Lo studio mostra anche una gestione migliore delle richieste con più vincoli simultanei, come budget, tempi e località. Il risultato riguarda soprattutto richieste articolate, per le quali la ricerca tradizionale richiede molti tentativi; non dimostra che l’AI elimini il keyword foraging in ogni situazione.

La ricerca AIs are highly inconsistent when recommending brands or products di SparkToro e Gumshoe misura quanto le richieste conversazionali differiscano dalle query per parole chiave. A 142 persone è stato chiesto di formulare un prompt per lo stesso identico bisogno. La similarità semantica media tra le richieste è risultata di 0,081, cioè quasi nulla. Le persone hanno descritto lo stesso intento in modo specifico e idiosincratico, invece di ridurlo a due o tre parole chiave (27 gennaio 2026).

Nello stesso studio, i 142 prompt hanno prodotto risposte associate allo stesso ristretto insieme di marchi. Questo dato suggerisce che il sistema può ricondurre formulazioni diverse a un intento comune. Per chi produce contenuti, l’implicazione pratica è lavorare sugli intenti di ricerca e sulle loro varianti, senza assumere che esista una sola formulazione corretta.

Questi risultati non indicano una sostituzione totale della ricerca tradizionale. Il comportamento resta ibrido: gli utenti scelgono l’AI per esplorare e sintetizzare, ma tornano alla ricerca tradizionale quando l’accuratezza è un fattore decisivo, come rileva la ricerca di NN/g sull’information seeking.

Esistono inoltre due ostacoli distinti.

1. L’articulation barrier è la difficoltà di esprimere con precisione ciò che si cerca.
2. La discoverability barrier è la difficoltà di capire quali richieste si possano delegare a un sistema generativo. Per questo, molte persone usano domande appena più verbose delle vecchie query.

Uno studio su 937 partecipanti, con l’analisi di 747 conversazioni reali, misura questo secondo limite: solo il 19,1% degli utenti impiega almeno una strategia di prompting. Il prompting è l’uso intenzionale di istruzioni, contesto, vincoli o criteri di valutazione per orientare la risposta. La maggioranza digita semplicemente una domanda (Scientific Reports, marzo 2026). Lo studio rileva inoltre che chi usa queste strategie ottiene esperienze misurabilmente migliori. La capacità di esprimere intenti articolati, quindi, resta distribuita in modo diseguale.

Per chi produce contenuti, la conseguenza è che occorre conoscere gli intenti di ricerca più diffusi nel proprio settore e produrre contenuti che li soddisfino. Questa conoscenza non si estrapola dalle keyword esistenti: richiede una ricerca dedicata sugli intenti — interviste, analisi di conversazioni reali, ticket di assistenza, community di settore — perché la varianza nella formulazione misurata sopra rende la sola keyword research insufficiente a mappare cosa le persone vogliono davvero sapere. L’obiettivo non è abbandonare le parole chiave, ma coprire in modo chiaro i problemi, i vincoli e i risultati che le persone esprimono in forme diverse.

La decisione che questa osservazione informa

La decisione è se scrivere per l’intento o preservare la voce editoriale, quando le due cose divergono. Rientra nella dimensione Attrarre: il brand deve risultare trovabile e riconoscibile anche quando la ricerca parte dall’intento dell’utente. Senza una scelta esplicita vince l’intento, perché la citabilità è misurabile e la voce di brand no: il testo si appiattisce sulla struttura che l’AI estrae meglio — densità, paragrafi auto-contenuti, definizioni esplicite — mentre il grafico delle citazioni sale.

Ottimizzare per l’estrazione può appiattire il tono e la personalità del brand. Difendere la voce può ridurre una quota di citazioni in un canale nel quale solo il 38% delle citazioni proviene dalla top-10 organica, quindi il posizionamento non protegge da solo la visibilità. La scelta spetta al Content Strategist con mandato del brand, non alla SEO: questo fenomeno la chiama già «nodo aperto: tenere insieme voce editoriale del brand e risposta agli intenti», ed è aperto perché non è assegnato.

Effetti e responsabilità per i ruoli

• UX Researcher — La ricerca utente deve evolvere oltre i metodi tradizionali: test di usabilità su compiti noti e interviste su una tassonomia data presuppongono un intento già esplicito e stabile, mentre qui la stessa esigenza produce formulazioni con similarità semantica vicina allo zero (0,081) e il 19,1% degli utenti non usa alcuna strategia di prompting. Va mappato sia l’intento espresso spontaneamente sia quello che l’utente non sa di poter esprimere: per effetto della discoverability barrier, il comportamento osservato sottostima sistematicamente ciò che le persone vorrebbero delegare, e progettare per il non-prompter è la condizione normale, non il caso limite. Servono quindi strumenti nuovi — diary study, analisi di conversazioni reali, interviste che sondino il non detto invece del solo compito assegnato — e nuove metriche: successo al primo tentativo, tempo al primo risultato, calibrazione della fiducia. La mappa degli intenti che ne risulta, verbalizzati e impliciti, è l’input su cui dovrebbero costruire Content Strategy, SEO/GEO e Digital PR, non una ricerca parallela e separata. → Risorsa utile: How AI Succeeds (and Fails) to Help People Find Information — NN/g
• Information Architect — Anche l’architettura dell’informazione deve evolvere: i metodi classici — card sorting, tree testing — validano una gerarchia unica, ma l’utente che parte dal proprio caso la salta e si aspetta un accesso diretto basato sull’intento. Serve affiancare all’architettura dell’informazione, che organizza i contenuti secondo la logica del dominio e risponde a “dove si trova questa cosa?”, un’architettura dell’intento, che parte dagli obiettivi dell’utente e risponde a “come faccio a ottenere X?”. In pratica si costruisce in quattro passaggi. (1) Raccogliere gli intenti reali dalle fonti che già esistono in azienda: query del motore di ricerca interno, ticket di supporto, trascrizioni del call center, log dell’assistente se c’è — non dalle categorie del business. (2) Normalizzarli in una lista finita di obiettivi espressi con le parole dell’utente — “disdire l’abbonamento”, “cambiare l’IBAN”, “capire perché mi è stato addebitato questo importo” — non con quelle interne (“Gestione anagrafica”, “Area dispositiva”). (3) Dare a ciascun intento un punto di accesso diretto: una CTA in evidenza, una scorciatoia in home, un deep link, una risposta in cima alla pagina — raggiungibile senza attraversare la gerarchia. (4) Far convivere i due livelli: la struttura resta per chi esplora e per chi non sa ancora cosa cerca; l’accesso per intento serve chi sa già cosa vuole ed è la maggioranza dei ritorni. Esempio: un sito bancario che archivia le domiciliazioni sotto “Prodotti › Conti › Servizi accessori › Domiciliazioni” non è sbagliato — è solo inutilizzabile per chi arriva pensando “devo domiciliare la bolletta della luce”. L’architettura dell’intento affianca quella voce come punto d’ingresso di primo livello, senza smontare la tassonomia. La mappa degli intenti prodotta da questo processo diventa un deliverable di architettura al pari della sitemap, da validare sulla varianza reale delle formulazioni — la stessa esigenza produce formulazioni con similarità vicina allo zero (0,081, dato citato sopra) — non su un card sorting chiuso che presuppone categorie già note. Nota di governance: gli intenti cambiano più rapidamente delle tassonomie e vanno revisionati periodicamente sui dati di ricerca interna e di supporto, altrimenti l’accesso diretto invecchia peggio della struttura. → Risorsa utile: Rethinking Jobs-to-be-Done for the AI Era — Momentum Design Lab
• UX Writer / Copywriter — I microtesti di navigazione devono anticipare l’intento della persona, non descrivere la destinazione di un link: servono le stesse fonti di ricerca sugli intenti usate da UX Research e Content Strategy, non solo l’intuizione editoriale. Il testo pensato per l’estrazione AI tende alla densità e alla struttura prevedibile: attenzione a non appiattire tono e personalità del brand nel farlo.
• Content Strategist — La parola chiave perde centralità, ma l’AI continua comunque a interrogare Google: molti principi restano validi. Il salto operativo non è riscrivere i contenuti esistenti in chiave GEO: è mappare prima gli intenti reali del settore — situazioni, vincoli e domande implicite, non parole chiave — a partire da conversazioni reali, ticket di assistenza e community, non solo da tool di keyword research. Il criterio resta la citabilità: titoli informativi, riassunti in apertura, risposte alle domande implicite. Nodo aperto: tenere insieme voce editoriale del brand e risposta agli intenti. → Risorsa utile: AI Search Statistics 2026 — Searcherries
• SEO / GEO Specialist — Il keyword research classico presuppone query stabili e ricorrenti; qui la similarità semantica tra formulazioni dello stesso bisogno è vicina allo zero (0,081, dato SparkToro/Gumshoe citato sopra). Il lavoro si sposta dalla query alla mappatura degli intenti: raggruppare formulazioni diverse sotto lo stesso intento (confronto, risoluzione di un problema, verifica di un vincolo) e testare con prompt multipli — non solo con i volumi di ricerca — quali fonti un modello associa a ciascun intento. Per costruire questa mappa serve incrociare più fonti: long-tail da Search Console, keyword da Search Ads, query AI da Bing, ricerche del motore interno. La struttura del contenuto (gerarchia dei titoli coerente, markup schema.org, paragrafi auto-contenuti, definizioni esplicite) resta un fattore abilitante, ma non sostituisce la ricerca sull’intento a monte.
• Digital PR / Reputation — Le persone descrivono situazioni e vincoli, non nomi di brand: un intento come «confronta X e Y con questo budget» porta il modello a citare le fonti earned che rispondono proprio a quella situazione — recensioni, forum, comparazioni — non le menzioni generiche del marchio. Il lavoro utile è mappare quali situazioni del proprio settore fanno emergere il brand nelle fonti terze, e presidiare i contenuti che rispondono a quegli intenti specifici, non il volume di menzioni in sé. Approfondimento su come si forma la rappresentazione earned: La rappresentazione si forma oltre i canali proprietari. → Risorsa utile: AI social listening — YouScan