Ricerca Semantica

La ricerca per parole chiave tradizionale contava la frequenza dei termini: una pagina scalava i risultati perché ripeteva le parole cercate. La ricerca semantica misura invece la similarità concettuale, così una query come "scarpe da trail running che resistono al fango" può far emergere un prodotto descritto come "sneaker robuste per fuoristrada" anche senza termini in comune. Il passaggio avviene perché sia la query sia il documento vengono convertiti in embedding, vettori che codificano il significato, e il sistema ordina i risultati in base alla distanza tra di essi. Ecco perché il keyword stuffing ha perso efficacia: riempire una pagina di frasi ripetute sposta poco il vettore, mentre una scrittura chiara e specifica che enuncia il concetto in modo diretto tende ad avvicinarsi alle query che contano.

La lezione pratica è scrivere come farebbe un cliente che formula una domanda, e definire il soggetto in linguaggio diretto vicino all'inizio del contenuto, senza seppellirlo nel testo. La specificità aiuta l'embedding a trasmettere un significato reale: "impermeabile fino a 50 metri" si avvicina di più alla domanda di un sub rispetto a "ottimo per l'acqua", perché nomina un attributo concreto che il modello sa localizzare. Le descrizioni vaghe e promozionali tendono a derivare verso il centro dello spazio vettoriale, vicine a tutto e lontane da niente.

Considera un negozio Shopify che vende pentole in ghisa. Un cliente chiede a un assistente: "Quale teglia posso usare direttamente sul fornello e poi mettere in forno senza che si deformi?" La pagina prodotto non usa quelle parole. Dice invece: "padella completamente stagionata, adatta al forno fino a 260 gradi, struttura monoblocco senza manico in plastica." Con la ricerca per parole chiave, queste formulazioni potrebbero non incontrarsi. Con la ricerca semantica si avvicinano, perché adatta al forno, monoblocco e senza plastica codificano insieme il concetto di passaggio dal fornello al forno in sicurezza. Il negozio vince il match descrivendo l'attributo con onestà, non cercando di indovinare la query esatta. La stessa logica vale per le recensioni: un cliente che scrive "L'ho lasciata in forno a 220 gradi per un'ora e non si è deformata" rafforza il concetto in un linguaggio che nessun addetto al marketing scriverebbe, ed è proprio per questo che il testo di recensioni autentiche è materiale utile per il recupero.

Il recupero semantico è alla base di quasi tutte le risposte AI. Quando ChatGPT, Perplexity o Google AI Overviews raccolgono fonti prima di rispondere, di solito usano la similarità degli embedding anziché le parole chiave letterali, poi sintetizzano ciò che trovano. Una scrittura che nomina gli attributi con chiarezza è quindi più facile da recuperare e citare per questi sistemi. Una precisazione importante: la somiglianza non è accuratezza. Una pagina può essere recuperata perché topicamente vicina pur contenendo informazioni errate, ed è una delle ragioni per cui i motori di risposta si appoggiano alla corroborazione tra fonti indipendenti, e per cui le descrizioni prodotto coerenti e fattuali tendono a essere citate più spesso di quelle brillanti ma imprecise.