La ricerca classica richiedeva di tradurre il bisogno in query, esplorare i risultati, affinare i termini, confrontare le fonti. Le GenAI rovesciano il modello: l’utente parte dal proprio caso (“ho questo problema, in questo contesto, con questi vincoli”) e si aspetta una risposta già calibrata. È una ricerca basata sull’intento, non sulle parole chiave.
Il vantaggio è documentato: la ricerca NN/g sull’information seeking mostra che l’AI elimina il keyword foraging (il lavoro per tentativi necessario a indovinare i termini giusti) e gestisce meglio le richieste con vincoli multipli simultanei — budget, tempi, località — il caso in cui la ricerca tradizionale fallisce.
Quanto poco somigli alla ricerca per parole chiave è stato misurato: chiedendo a 142 persone di formulare un prompt per lo stesso identico bisogno, la similarità semantica media tra le loro richieste è risultata di 0,081, cioè quasi nulla — nessuno riduce l’intento a due o tre parole chiave, ognuno scrive in modo idiosincratico, prolisso e molto specifico (SparkToro/Gumshoe, gennaio 2026). Buona notizia per chi produce contenuti: il modello coglie comunque l’intento sotto la formulazione, e quei 142 prompt hanno prodotto risposte con lo stesso ristretto insieme di marchi. Il lavoro da fare, però, si sposta definitivamente dalla parola chiave all’intento.
Due elementi impediscono di leggere il fenomeno come sostituzione totale. Primo: il comportamento reale è ibrido — gli utenti scelgono l’AI per esplorare e sintetizzare, ma tornano alla ricerca tradizionale quando l’accuratezza è critica (NN/g). Secondo: accanto all’articulation barrier esiste una discoverability barrier — l’opacità dei sistemi generativi rende difficile capire cosa si potrebbe delegare, e la maggior parte delle persone usa versioni appena più verbose delle vecchie query. Ora abbiamo la misura: in uno studio su 937 partecipanti con analisi di 747 conversazioni reali, solo il 19,1% degli utenti impiega almeno una strategia di prompting; la stragrande maggioranza digita semplicemente una domanda (Scientific Reports, marzo 2026). Chi le usa ottiene esperienze misurabilmente migliori: la capacità di esprimere intenti articolati resta distribuita in modo diseguale, e paga.
Per chi produce contenuti la conseguenza è diretta: occorre conoscere gli intenti di ricerca più diffusi nel proprio settore e produrre contenuti che li soddisfino, perché l’AI premia il contenuto che risponde meglio all’intento.
Effetto per le professionalità
- Content Strategist — La parola chiave perde centralità (l’AI continua comunque a interrogare Google: molti principi restano validi). Conta rispondere in modo completo a un intento: titoli informativi, riassunti in apertura, risposte alle domande implicite. Il criterio operativo è la citabilità: l’obiettivo non è più solo posizionarsi, è essere estratti. Nodo aperto: tenere insieme voce editoriale del brand e risposta agli intenti. → Risorsa utile: AI Search Statistics 2026 — Searcherries
- SEO / GEO Specialist — La GEO dipende da fattori diversi dalla keyword: autorevolezza percepita delle fonti, struttura semantica chiara, citabilità. Un contenuto estraibile consente all’AI di isolare la singola affermazione senza inferirla dal contesto: gerarchia dei titoli coerente con i concetti, markup schema.org, paragrafi auto-contenuti, liste, tabelle, definizioni esplicite. Il cambiamento strutturale del 2026 è il disaccoppiamento tra posizionamento e citazione: solo il 38% delle citazioni negli AI Overviews proviene da pagine nella top-10 organica, contro il 76% precedente (Ahrefs Brand Radar, marzo 2026, su 863.000 SERP e 4 milioni di URL). Essere primi e essere citati sono ormai due obiettivi distinti. Il canale resta volatile per costruzione: quando a gennaio 2026 Google ha cambiato il modello predefinito degli AI Overviews, circa il 42% dei domini citati è stato sostituito (SE Ranking). Nuova leva: le Preferred Sources, estese ad AI Overviews e AI Mode dal 27 maggio 2026, con oltre 345.000 fonti già selezionate dagli utenti e una probabilità di click-through dichiarata doppia quando compare una fonte preferita. Sul piano analitico, incrociare più fonti: long-tail da Search Console, keyword Search Ads, query AI da Bing, ricerche del motore interno.
- Digital PR / Reputation — Solo l'1% delle fonti citate dagli LLM proviene da siti di proprietà del brand (McKinsey, 2026): il resto è earned — forum, recensioni, comparazioni, articoli di terzi. Recensioni, presenza nei forum di settore, menzioni autorevoli e coerenza dei dati di brand tra le fonti diventano leve GEO primarie: la digital PR passa da attività di supporto a infrastruttura della visibilità AI. → Risorsa utile: AI social listening — YouScan
- UX Writer / Copywriter — I microtesti di navigazione devono anticipare l’intento, non descrivere la destinazione di un link. Il testo pensato per l’AI tende alla densità e alla struttura prevedibile: evitare che appiattisca tono e personalità del brand.
- UX Researcher — 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 ciò che gli utenti vorrebbero delegare. Il dato sul 19,1% dà una base di partenza: progettare per il non-prompter è la condizione normale, non il caso limite. → Risorsa utile: How AI Succeeds (and Fails) to Help People Find Information — NN/g
- Information Architect — La navigazione top-down presuppone un utente disposto a scendere nella gerarchia; chi parte dal proprio caso la salta. Non eliminare la struttura: affiancarle un accesso diretto basato sull’intento e progettare la convivenza dei due livelli (si veda l’architettura dell’intento).