> ## Content Index > Fetch the complete content index at: https://www.alessiopomaro.it/llms.txt > Use this file to discover other available public pages before exploring further. # Feed, contenuti, intelligenza: il nuovo motore della discovery - URL: https://www.alessiopomaro.it/feed-contenuti-intelligenza-nuovo-motore-discovery/ - Published: 2026-01-13T06:27:49.000Z - Updated: 2026-01-13T06:27:48.000Z - Description: Una condivisione dei 3 studi più interessanti che mi hanno accompagnato nel 2025. Un viaggio tra dati, AI e automazioni che stanno ridefinendo il motore della discovery. - Author: Alessio Pomaro - Tags: AI, Novità e Riflessioni, SEO Vorrei portarvi in un viaggio in **3 tappe**: tre “*studi e sperimentazioni*” che oggi sono diventati **progetti reali**, e che nel 2025 mi hanno accompagnato (*e, soprattutto, entusiasmato*) più di altri. Le tre tappe hanno nomi molto semplici: **Reranker → Contenuti → Feed** Per ognuna di queste tappe andremo a mettere a fuoco **il pensiero**, a capire **il progetto** (*cioè come diventa operativo*), e a descrivere i **takeaway** da portare a casa. Feed, contenuti, intelligenza: il nuovo motore della discovery --- ## 1 - Reranker: la rilevanza contestuale come “metrica” operativa Partiamo dalla prima tappa: **Reranker**. Un reranker è un modello in grado di valutare la **rilevanza contestuale** di un contenuto rispetto a una query: in altre parole, misura **la forza con cui quel contenuto riesce davvero a rispondere alla domanda**. > E qui la domanda diventa inevitabile: perché è interessante considerare questa tipologia di modelli? ### Il flusso *"reale"* dei sistemi di ricerca moderni Se guardiamo quello che Google definisce nella [documentazione](https://cloud.google.com/blog/products/ai-machine-learning/launching-our-new-state-of-the-art-vertex-ai-ranking-api?ref=alessiopomaro.it) come **“*Typical search and retrieval flow*”**, vediamo un pattern molto chiaro. ![Typical search and retrieval flow](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/typical-search-and-retrieval-flow-google.webp) Typical search and retrieval flow Il flusso, semplificando, è il seguente: - si parte da **milioni di documenti** in un archivio; - viene posta una **query** di ricerca; - il sistema effettua un **retrieval**, cioè “*screma*” i contenuti estraendo quelli più **pertinenti**; - interviene un **reranker**, che **ordina** i contenuti estratti nella fase precedente in base alla **rilevanza**; - a quel punto i più rilevanti diventano la **lista dei risultati**, oppure il **contesto** elaborato da un **AI Agent** per generare una risposta. **Come funzionano le due fasi cruciali** nel flusso (*ovvero retrieval e reranking*)? ### Retrieval: pertinenza semantica (*bi-encoder*) La prima fase, il **retrieval**, si basa sulla **pertinenza semantica**. Query e documenti vengono codificati in [**embeddings**](https://www.alessiopomaro.it/embeddings-cosa-sono-esempi/), e attraverso un calcolo di **similarità** vengono estratte le parti dei documenti **più "*vicine*" semanticamente** alla query. Questa architettura è il classico **bi-encoder**. ![Retrieval: architettura bi-encoder](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/retrieval-architettura-bi-encoder.webp) Retrieval: architettura bi-encoder - La query viene codificata in embedding; - ogni documento viene codificato in embedding; - viene calcolata la similarità tra gli embeddings e si ottiene uno **score di pertinenza**. Ed è esattamente per questo che viene definito *bi*\-encoder: due encoding separati, per poi procedere al confronto. Questo processo ha le seguenti caratteristiche: ✅ **veloce** ✅ **scalabile** ❌ **poco preciso** Questa fase è perfetta per “*ridurre*” la knowledge di riferimento per ottenere una risposta: considera un archivio enorme per portarlo a un set di candidati "*gestibile*". ### Reranking: rilevanza contestuale (*cross-encoder*) La seconda fase, il **reranking**, funziona in modo diverso. Qui entra in gioco il **reranker**, che riceve in input **query + contenuto** e calcola uno **score di rilevanza**. E cambia anche l’architettura: stavolta è **cross-encoder**. ![Reranking: architettura cross-encoder](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/reranking-architettura-cross-encoder.webp) Reranking: architettura cross-encoder In questo caso, query e contenuto vengono **concatenati**, entrano insieme nel reranker (*modello transformer*) e il modello usa il noto meccanismo dell’**attenzione** per cogliere ogni minima sfumatura e correlazione tra concetti. Questo processo (**cross-encoder**) ha caratteristiche complementari rispetto all'architettura *bi-encoder*: ❌ **lento** ❌ **costoso** ✅ **molto preciso** ### Pipeline ibrida: bi-encoder per recall prima + cross-encoder per precision I moderni sistemi di ricerca, quindi, sono una **pipeline ibrida**: - **bi-encoder** (*veloce, meno preciso*) per scremare la knowledge; - **cross-encoder** (*lento, preciso*) per affinare e ordinare. > Questo non è solo un dettaglio tecnico: è un modo di ragionare che poi diventa operativo. --- ### Come possiamo usare queste conoscenze nei nostri workflow operativi? Un’idea molto concreta è usare i reranker per misurare **quanto i nostri contenuti sono rilevanti** rispetto alle query di interesse. E, ovviamente, possiamo anche confrontare la rilevanza dei nostri contenuti rispetto ad altri contenuti già presenti online. Emerge, però, un altro punto, spesso sottovalutato: **reranker diversi producono ranking diversi**. ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/3-reranker-a-confronto-1.webp) ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/3-reranker-a-confronto-2.png) 3 reranker a confronto: Jina, Google, Cohere Nelle immagini si può vedere un **confronto tra 3 reranker** (*Jina, Google, Cohere*) sulle query “*cos’è la curcuma?*” e “*cosa sono i core web vitals?*” per diversi contenuti estratti da pagine web attualmente online. Come si nota, i modelli attribuiscono score di rilevanza diversi. > **Qual è il dato corretto?** Non esiste un dato “*giusto*” o “*sbagliato*”, perché **la misurazione dipende dai dati e dalle procedure messe in atto durante la fase di training dei modelli**. È un po’ come chiedere a esperti estremamente competenti, ma con esperienze differenti, di valutare gli stessi testi: tenderanno a convergere, ma non saranno identici. --- ### Reranker come ricerca personalizzabile: boost e penalizzazioni C’è un ulteriore step di conoscenza da apprendere sui reranker: non si tratta solo di “*modelli di scoring*”, ma di vere e proprie piattaforme di **ricerca personalizzabile**. Attraverso azioni di **boost** o **penalizzazione**, infatti, possiamo influenzare la valutazione del modello: dare più peso a certe caratteristiche, e penalizzarne altre. ![Un esempio di ranking configuration (boost/bury)](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/reranker-ricerca-personalizzabile.png) Un esempio di ranking configuration (boost/bury) Negli esempi influenzo il reranker di Google per dare boost ai contenuti in cui la fonte ha un popularity score maggiore, i contenuti più recenti, e quelli in cui l’autore è più autorevole, e penalizzo quelli di scarsa qualità. > **Ecco come un motore di ricerca può valutare parametri esterni che vanno oltre il contenuto che scriviamo.** --- ### Un sistema multi-agente per l'ottimizzazione dei contenuti per AI Overviews Facendo tesoro di questi concetti, internamente, con il mio team, abbiamo sviluppato un sistema **multi-agente** che: - analizza l’**AI Overview** e i contenuti della **SERP**, - sfrutta il **reranker di Google** (*opportunamente configurato*), - crea **risposte più rilevanti** e contenuti **strutturati meglio** per concorrere nei sistemi di ricerca ibridi (*come le AI Overview di Google*). ![Un sistema multi-agente per l'ottimizzazione dei contenuti per AI Overviews](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/uso-operativo-di-reranker.png) Un sistema multi-agente per l'ottimizzazione dei contenuti per AI Overviews Nel seguente video è possibile vedere l'applicazione in azione all'interno della nostra piattaforma dedicata alle applicazioni AI che abbiamo sviluppato. Un esempio dell'applicazione in azione Attraverso il seguente post, è possibile approfondire il funzionamento del sistema. [Rilevanza contestuale: la nuova metrica della visibilitàIl segreto è la pertinenza... ma non basta più. Come funziona DAVVERO la ricerca oggi, tra embeddings, reranker e AI Overviews.![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/icon/alessio-pomaro-voice-tech-seo-ico-5.png)Alessio PomaroAlessio Pomaro![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/thumbnail/rilevanza-contestuale-visibilita-ai.jpg)](https://www.alessiopomaro.it/rilevanza-contestuale-metrica-visibilita/) --- ### Oltre i reranker: In-context Ranking (ICR) e BlockRank Direzione successiva: come si supera la precisione dei reranker? Un metodo è l’**In-context Ranking (ICR)**: usare un LLM per processare non query e contenuti a coppie, ma **query e tutti i contenuti pertinenti insieme**. Risultato: **precisione altissima** e **comprensione dell’intero contesto**. Contro: estremamente lento e oneroso. ![In-context Ranking (ICR) e BlockRank](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/icr-block-rank-google.webp) In-context Ranking (ICR) e BlockRank Per rendere l’ICR scalabile entra in scena **BlockRank**: un approccio pubblicato da Google che punta a risolvere i contro dell’ICR. Per approfondire: [Scalable In-context Ranking with Generative Models![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/icon/googleg_gradient_standard_20dp-1.png)Srinadh Bhojanapalli![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/thumbnail/Open_Graph.width-800.format-jpeg-3.jpg)](https://research.google/pubs/scalable-in-context-ranking-with-generative-models/?ref=alessiopomaro.it) --- ### Takeaway della prima tappa Quali sono i takeaway che ci portiamo a casa dalla prima tappa? 1. L’evoluzione di queste tecnologie ci fa capire **quanto migliorerà la ricerca nei prossimi anni**, con modelli in grado di comprendere ogni sfumatura del linguaggio. 2. Oggi abbiamo strumenti e documentazione per **comprendere meglio la ricerca**, anche tecnicamente. Sforziamoci di approfondire questi aspetti, perché possono regalarci intuizioni, e **le intuizioni diventano strategie e tool** da mettere in campo nei nostri flussi di lavoro. --- ## 2 - Contenuti: l’AI cambia lo scenario, ma porta anche nuovi strumenti Seconda tappa: **Contenuti**. Quante volte abbiamo sentito questa frase nell'ultimo periodo? > “Con le AI Overview è tutto finito > per i progetti editoriali…” È vero? Ognuno tragga le proprie conclusioni. Ma un fatto è chiaro: l’AI sta cambiando lo scenario, ma, nello stesso momento, ci mette a disposizione strumenti nuovi. ### Una redazione ibrida: Crea, Aggiorna, Massimizza Nel nostro team abbiamo realizzato una **redazione ibrida** a supporto dell’editoria, basata su **LangGraph e Gemini**, che lavora su tre funzioni: **CREA → AGGIORNA → MASSIMIZZA** --- ### CREA: catturare trend, trasformarli in piano editoriale Domanda iniziale: > **quali sono i contenuti che in questo momento stanno vivendo una crescita di interesse per gli utenti?** Un **Agente AI** lo verifica costantemente, attingendo a più fonti: - feed internazionali di riferimento per il settore, - Google News su diversi mercati, - Google Trends, - social media, - Google Discover. Processa questi dati e produce un **piano editoriale sul trend**, pensato per *"catturare"* i trend *"istantanei"*, cioè quello che è interessante per gli utenti nel momento in cui si esegue l'osservazione. L’editore riceve il piano nel suo CMS e può approvarlo (*anche parzialmente*). I contenuti approvati vengono processati da un **agente specializzato** che: usa tool esterni via [**MCP (*Model Context Protocol*)**](https://modelcontextprotocol.io/docs/getting-started/intro?ref=alessiopomaro.it), coopera con il sistema dedicato alla rilevanza (*quello visto nella prima tappa*), produce la scrittura completa di una bozza di altissima qualità, e la salva direttamente nel CMS. Infine l’editore arricchisce, modifica, aggiunge elementi multimediali e pubblica. ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-crea-1.webp) ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-crea-2.webp) ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-crea-3.webp) ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-crea-4.webp) Uno schema di funzionamento della creazione dei contenuti Questa parte, per come la vedo, è già un cambio di paradigma: non è “*scrittura automatica*”, è.. > **orchestrazione di un flusso**, dove l’AI fa il lavoro pesante e ripetitivo e l’umano si mette nella posizione giusta: quella in cui può davvero alzare la qualità. --- ### AGGIORNA: mantenere i contenuti vivi (*e competitivi*) Un agente osserva in modo costante i dati di Search Console ed estrae i contenuti che stanno performando meno (*in termini di clic, impressioni e posizionamento*), e che non vengono aggiornati da diverso tempo. Un altro agente processa questi contenuti, usa **tool esterni via MCP**, e si occupa di aggiornarli e ottimizzarli, salvando l’elaborato direttamente nel CMS. ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-aggiorna-1.webp) ![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-aggiorna-2.webp) Uno schema di funzionamento dell'aggiornamento dei contenuti Risultato: un sistema che mantiene tutti i contenuti **costantemente aggiornati e ottimizzati**. Questo sta contribuendo a una crescita generale di clic e impressioni, e soprattutto a una presenza costante su Google Discover, con picchi che corrispondono a diversi milioni di impressioni. --- ### MASSIMIZZA: contenuti, affiliazione e sostituzione intelligente Spesso i progetti editoriali lavorano con l’**affiliazione**. Abbiamo creato degli agenti che verificano costantemente se, nei contenuti: - sono presenti prodotti consigliati non più disponibili nel marketplace di riferimento, - oppure prodotti che non stanno performando, ovvero che non stanno producendo clic. ![Uno schema di funzionamento del lavoro degli agenti](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/redazione-ibrida-massimizza.webp) Uno schema di funzionamento del lavoro degli agenti Gli agenti usano strumenti esterni via MCP per **trovare prodotti simili** da sostituire e producono **descrizioni testuali** che vengono integrate in modo armonioso nel contenuto, rispettando il contesto in cui avviene l'inserimento. --- ### Takeaway della seconda tappa I takeaway della seconda tappa sono molto concreti. - Un **team ibrido** ben strutturato può garantire **output di altissima qualità**: l’AI svolge i compiti più onerosi e ripetitivi, l’essere umano **supervisiona** e si concentra sulla **qualità**. - **Il flusso di lavoro cambia completamente**, e cambiano le mansioni delle persone quando l’AI è davvero al **centro della strategia**. - L’AI abilita un'azione su larga scala che permette di agire sulla **frequenza di pubblicazione** e sulla **qualità generale del progetto**. Operazioni di questo tipo sarebbero irrealizzabili senza automazioni come quella descritta nella tappa del viaggio. - Si può intravvedere un pattern chiaro: **trend di interesse + alta frequenza + qualità globale** aumentano la capacità di entrare in Discover in modo costante. --- ## 3 - Feed: da “*file tecnico*” a centro della strategia Quante volte abbiamo sentito una frase come quella che segue, soprattutto nel mondo **e-commerce**? > “Sì, l’e-commerce genera automaticamente il feed, poi lo ottimizziamo con XYZ Feed Manager…” Spesso, però, per “*ottimizzazione*” si intende la creazione di pattern che mettono in sequenza i dati prodotto presenti nel database dell'e-commerce, oppure un timido utilizzo dell’AI per farlo in modo un po’ meno schematico. L’approccio che, con il mio team, abbiamo messo in campo è diverso: usare un sistema multi-agente per un’**ottimizzazione su larga scala**. ### Un sistema multi-agente per ottimizzare il feed su larga scala Il sistema riceve in input il **feed dell'e-commerce**. Un agente lo elabora analizzando anche la pagina prodotto, le immagini, i dati strutturati, e connettendosi a fonti esterne: Search Console, web search, scraping di dati online e altre fonti specifiche. Un altro agente si occupa dell’**arricchimento**: aggiunge dati potenzialmente rilevanti assenti nel feed. Infine, un agente revisore monitora la **correttezza dei dati** anche con verifiche incrociate. ![Un sistema multi-agente per ottimizzare il feed su larga scala](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2026/01/feed-e-commerce-sistema-multi-agente-ai.webp) Un sistema multi-agente per ottimizzare il feed su larga scala In output otteniamo un **feed supplementare** con **title e description ottimizzati** e dati di enrichment, personalizzabile per qualunque piattaforma. Dopo aver inserito in piattaforma il feed ottimizzato su alcuni progetti, stiamo registrando (*su Google Merchant Center*) un **aumento dei clic sui prodotti** e del **CTR (*Click-Through Rate*) degli annunci** di advertising **Azione successiva**: portare i dati ottimizzati del feed anche nell'e-commerce, usandoli per l’ottimizzazione delle pagine prodotto e categoria, e l'integrazione dei dati strutturati. Questo permette di ottenere la coerenza delle informazioni. --- ### Takeaway della terza tappa > Il feed non è (*solo*) un “file tecnico” che l’e-commerce deve produrre. È il centro della strategia: la chiave per portare le nostre entità su tutte le piattaforme digitali. E il sito web è solo una di queste piattaforme. Per il futuro, due direzioni diventano obbligate: - essere sempre più abili nel **curare i dati** delle nostre entità; - essere sempre più agili nel **portarle ottimizzate su ogni piattaforma**. --- ## Si chiude il viaggio, si apre la strategia Arrivati qui, il punto non è aver visto tre argomenti separati. Il punto è capire che.. > **feed, contenuti e intelligenza** sono parti dello stesso motore: **il motore della discovery**. E oggi abbiamo tante **opportunità** per rendere questo motore più potente. --- ## \- GRAZIE - Se hai apprezzato il contenuto, puoi contribuire al progetto con una [****donazione**](https://www.alessiopomaro.it/#/portal/support) 🙂 ## Iscriviti alla Newsletter Un appuntamento periodico dedicato all'aggiornamento e alla riflessione su tematiche relative all'intelligenza artificiale. Iscriviti alla Newsletter Email sent! Check your inbox to complete your signup. Gratuita. No Spam. Puoi disiscriverti quando vuoi. Consulta la [privacy policy](https://www.alessiopomaro.it/privacy-policy/).