> ## 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. # Rilevanza contestuale: la nuova metrica della visibilità - URL: https://www.alessiopomaro.it/rilevanza-contestuale-metrica-visibilita/ - Published: 2025-11-25T06:27:32.000Z - Updated: 2025-11-25T06:27:31.000Z - Description: Il segreto è la pertinenza... ma non basta più. Come funziona DAVVERO la ricerca oggi, tra embeddings, reranker e AI Overviews. - Author: Alessio Pomaro - Tags: AI, Novità e Riflessioni, SEO Negli ultimi mesi ho passato parecchio tempo a studiare un tema che viene spesso ridotto a una frase semplice: > “Il segreto è la pertinenza” La sentiamo ovunque nel mondo della ***search***, soprattutto da quando si parla di AI, RAG, AEO, AIO, GEO, ecc.. Il concetto, a livello intuitivo, è chiaro… ma per un algoritmo, **che cosa significa davvero "*pertinenza*"**? E, soprattutto: - è davvero l’unico concetto importante? - Come entra in gioco quando Google (*o un sistema RAG*) deve **scegliere una risposta**? - Possiamo **misurare e ottimizzare** questo processo, fino a creare dei tool che ci aiutano a farlo in modo scalabile? In questo percorso entriamo nel flusso "*reale*" dei moderni sistemi di ricerca, vediamo un **test concreto** su AI Overviews di Google, e un **sistema multi-agent** per ottimizzare le risposte in modo automatico. Partiamo da concetti tecnici (*embeddings, bi-encoder, cross-encoder, reranker…*) e arriviamo a **strategie e tool operativi**. Rilevanza contestuale: la nuova metrica della visibilità ## **Pertinenza e rilevanza: due parole, due concetti diversi** Prima di tutto chiariamo i concetti alla base dei moderni sistemi di ricerca, con un esempio concreto di query: > **"come rinnovare il passaporto scaduto"** Questa query attiva un flusso di lavoro che, semplificando, ha **due fasi principali**. 1. **Pertinenza semantica (*semantic matching*)** Il sistema di ricerca analizza la query e la confronta con i contenuti presenti nella **knowledge** (*l’insieme dei documenti disponibili: pagine, testi, ecc.*). In questa fase vengono estratti i contenuti **più simili a livello semantico** alla query. 2. **Rilevanza contestuale (*contextual relevance*)** A partire dai contenuti pertinenti, il sistema seleziona quelli **più rilevanti nel contesto della query**, cioè quelli che rispondono meglio alla domanda dell’utente. ![I concetti alla base dei moderni sistemi di ricerca](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/concetti-base-moderni-sistemi-ricerca.webp) Cosa otteniamo alla fine? Una **lista di contenuti ordinati per rilevanza**, che può tradursi in una **SERP** (*lista di risultati*), oppure diventare il **contesto** per un modello di AI (*LLM/agent*), che genera una risposta. Già da qui vediamo un punto importante: > la pertinenza è **necessaria**, ma non **sufficiente**. > Prima il sistema decide quali informazioni sono potenzialmente interessanti, e successivamente determina quelle utili per ottenere la **miglior risposta**. Come funzionano, nel dettaglio, questi due step? --- ## **Come si calcola la pertinenza semantica: embeddings & similarità** Per lo step di **pertinenza semantica** entrano in gioco due concetti chiave: - [**embeddings**](https://www.alessiopomaro.it/embeddings-cosa-sono-esempi/) - **similarità tra vettori** [Cosa sono gli embeddings? Esempi di utilizzoCosa sono e come funzionano gli embeddings (o incorporamenti): una spiegazione semplice con alcuni esempi di utilizzo in ambito SEO, e riflessioni sull’importanza della consapevolezza di questi sistemi.![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/icon/alessio-pomaro-voice-tech-seo-ico-4.png)Alessio PomaroAlessio Pomaro![](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/thumbnail/embeddings-cosa-sono-esempi-1-2.jpg)](https://www.alessiopomaro.it/embeddings-cosa-sono-esempi/) In breve.. 1. **Trasformazione in embeddings** Sia la **query** che i **contenuti** della knowledge vengono trasformati in **vettori numerici** (*embeddings*). Ogni embedding è un vettore in uno spazio multidimensionale che rappresenta il **significato** del testo. 2. **Calcolo della similarità** Il sistema misura la **similarità** tra l’embedding della query e gli embeddings dei contenuti. Più i due vettori sono simili, più il contenuto è considerato **pertinente**. Il risultato di questa fase è: > Una **lista di contenuti pertinenti**, cioè i documenti semanticamente più vicini alla query. ### **Una nota sulla similarità (*non solo coseno*)** Spesso si sente parlare di [**similarità del coseno**](https://share.google/aimode/FSl97SV1l5Skglo3x?ref=alessiopomaro.it) come metodo standard di confronto tra embeddings. È importante sottolineare che: - la **similarità del coseno** è **solo uno dei modi possibili** per misurare la distanza/similarità tra vettori; - il **metodo migliore dipende da come sono stati generati gli embeddings**: dall’architettura del modello, dal processo di training, dalla normalizzazione dei vettori, ecc.. A parità di embeddings, **metodi diversi possono portare a risultati diversi**. Ci basta conservare un concetto: > Non è sufficiente “avere gli embeddings”: **dobbiamo conoscerne la struttura** per scegliere il metodo di similarità giusto. --- ## **Come si calcola la rilevanza: reranker, bi-encoder e cross-encoder** Quando passiamo dalla **pertinenza semantica** alla **rilevanza contestuale**, cambia completamente il tipo di modello utilizzato. Qui entrano in gioco i **reranker**, ovvero modelli che: - ricevono in input una **query** e un **contenuto/documento**, - restituiscono in output uno **score di rilevanza**, cioè un valore numerico che indica quanto quel contenuto è candidato a rispondere alla query. ![Reranker: modelli che vengono usati per misurare la rilevanza contestuale](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/reranker-rilevanza-contestuale.webp) Alla fine di questo step, otteniamo: > una **lista ordinata** dei contenuti più rilevanti per la query. ### **Bi-encoder VS cross-encoder** Per capire meglio, facciamo un passo indietro sulle architetture. #### **Bi-encoder → pertinenza** Per la pertinenza semantica, usiamo sistemi che vengono definiti "***bi-encoder***". - La **query** viene codificata in un embedding. - Il **contenuto** viene codificato in un embedding. - Un **calcolo matematico di similarità** tra i due embeddings determina lo **score di pertinenza**. Sono chiamati "**bi-encoder*"* proprio perché vengono usati **due encoding separati**. #### **Cross-encoder → rilevanza** Per la rilevanza, invece, usiamo sistemi "**cross-encoder**" (*reranker*). - La **query** e il **contenuto** vengono **concatenati** in un unico input, - l'input combinato viene passato a un **modello transformer**, - il modello elabora tutto insieme e restituisce uno **score di rilevanza**. Schema mentale: > \[query + contenuto\] → modello transformer → **score di rilevanza** Questa differenza di architettura spiega perché, nei sistemi di ricerca moderni, si usano **due fasi** distinte. ![Bi-encoder VS cross-encoder](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/sistemi-bi-encoder-e-cross-encoder.webp) --- ## **Perché servono due fasi:** **veloce e scalabile VS lento e preciso** Perché si usano queste due fasi per la ricerca? Perché il calcolo della **pertinenza** è veloce, scalabile, e meno preciso. Mentre il calcolo della **rilevanza** è lento, costoso, e iper preciso. Riassumendo.. - **Bi-encoder (*pertinenza*)** ✅ veloci ✅ scalabili ❌ meno precisi - **Cross-encoder / reranker (*rilevanza*)** ❌ lenti ❌ costosi ✅ estremamente precisi ❌ con **finestra di contesto limitata** Queste caratteristiche fanno nascere la necessità di una **pipeline ibrida**: 1. un sistema **veloce e meno preciso** (*bi-encoder)* agisce per **scremare** la knowledge; 2. un sistema **lento e iper preciso** (*cross-encoder*) agisce per **raffinare e ordinare**. --- ## Dalla teoria al RAG (*e oltre*): il “*typical search & retrieval flow*” Il flusso che abbiamo descritto è esattamente quello dei sistemi **RAG** (*Retrieval Augmented Generation*), in cui.. - abbiamo una **knowledge base** (*documenti, pagine, FAQ, ecc.*), - l’utente effettua una **query**, - un sistema di **retrieval** estrae i contenuti più **pertinenti** (*bi-encoder*), - un **reranker** seleziona e ordina i contenuti più **rilevanti** (*cross-encoder*), - il risultato: può essere mostrato come **lista di documenti**, oppure passato a un **LLM** per generare una risposta. Nella [documentazione di Google](https://cloud.google.com/blog/products/ai-machine-learning/launching-our-new-state-of-the-art-vertex-ai-ranking-api?ref=alessiopomaro.it), questo flusso oggi viene definito: > **"typical search and retrieval flow"** ![Typical search & retrieval flow](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/typical-search-retrieval-flow.webp) Typical search & retrieval flow Il messaggio implicito è... - non è solo “*RAG per documenti interni*”, - è un **pattern generale per la ricerca**: vale per la knowledge locale, per il web, per sistemi ibridi. Ed è qui che entra in scena qualcosa che ormai tutti stiamo guardando con attenzione: **AI Overview** (*e, in generale, i nuovi sistemi di risposta ibridi che uniscono un motore di ricerca a un modello di linguaggio*). --- ## AI Overview come sistema ibrido: cosa conta davvero? Guardando il flusso che abbiamo descritto, viene spontaneo chiedersi: > "l'AI Overview, quando mostra le fonti vicino alla risposta, > su cosa si basa per scegliere quelle pagine?" È ragionevole ipotizzare che: - le **fonti mostrate** siano le pagine che contengono le **risposte con rilevanza contestuale più alta** nella knowledge di Google; - non basta essere in prima posizione tra i risultati organici per essere automaticamente una fonte dell'AI Overview. E infatti… ### Il mio caso: in prima posizione, ma fuori da AI Overview Per la query "*cosa sono i priority hints*", il mio contenuto era primo tra i risultati organici, ma, inizialmente, non compariva tra le fonti dell'AI Overview. ![Primo tra i risultati organici, ma non compariva tra le fonti dell'AI Overview](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/prima-posizione-ai-overview.webp) Ho deciso, quindi, di fare un esperimento per capire meglio **cosa stava succedendo "*sotto il cofano*"**. --- ## Il test: misurare la rilevanza delle risposte (*e scoprire che la mia era... la peggiore*) Vediamo il test, step by step. 1. Ho considerato le **pagine che erano fonti** della risposta principale dell'AI Overview. 2. Da ciascuna di queste pagine ho **estratto la risposta** alla query dell’utente (*la parte di contenuto che risponde effettivamente alla domanda*). 3. Ho fatto la stessa operazione con la **mia pagina web**, che comunque era prima tra i risultati organici, e quindi un candidato naturale per diventare fonte della risposta. 4. Ho usato un **reranker** per misurare la rilevanza contestuale tra la query e le risposte dei contenuti che erano già fonte dell'AI Overview, e tra la query e la risposta del mio contenuto. ### Il risultato? La risposta nella mia pagina.. > era quella con **rilevanza** > **contestuale più bassa** tra tutte. Questo allinea perfettamente l’esperimento con l’ipotesi: l'AI Overview non “*premia*” chi è semplicemente ben posizionato tra i risultati organici, ma dà priorità ai contenuti che forniscono **risposte più rilevanti**. --- ## Ottimizzare la risposta a colpi di reranker A questo punto, passiamo alla seconda fase del test. - Ho **analizzato le risposte** delle pagine che il reranker considerava più rilevanti, osservando: le **entità** trattate, i **termini** usati, gli **aspetti** della query che venivano valorizzati, i **focus** che venivano messi in atto. - Ho **modificato la mia risposta** cercando di includere le entità rilevanti, coprire tutti i punti che le altre risposte trattavano in maniera esaustiva, mantenere coerenza con il mio stile e con il contesto della pagina. - Ogni volta che aggiornavo il contenuto, misuravo nuovamente la rilevanza contestuale di tutte le risposte attraverso il reranker, verificando **se la mia risposta stava salendo nel ranking**. Ho iterato questo processo finché: > la mia risposta ha ottenuto uno **score di rilevanza superiore a tutte le altre**. E cosa è successo dopo pochi giorni? La mia pagina è diventata **prima fonte** dell'AI Overview per quella query. Quindi funziona! Ma andiamo a fare un **bilancio** dell'operazione. ### Bilancio dell’operazione - **Effort**: altissimo. - **Certezza del risultato**: nessuna, perché Google non documenta in modo completo il comportamento di AI Overviews. - **Utilità strategica**: sì, in ottica di **branding e autorevolezza**, e forse garantisce qualche clic in più. - **Scalabilità**: zero, perché si tratta di un'operazione manuale che se dovesse essere applicata a centinaia di query si tradurrebbe in un effort enorme. ![Diventare fonte dell'AI Overview: bilancio dell'operazione](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/diventare-fonte-ai-overview-bilancio.webp) Da qui nasce la domanda naturale: > "E se provassimo a **automatizzare** questo processo?" --- ## Dal test al tool: un sistema multi-agent per ottimizzare le risposte Trasformiamo l'esperimento in un **tool**. L'architettura di base è [**LangGraph**](https://www.langchain.com/langgraph?ref=alessiopomaro.it), con un approccio **multi-agent**. ![Un tool multi-agente per l'ottimizzazione per l'AI Overview](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/sistema-multi-agente-ai-overviews.webp) Un tool multi-agente per l'ottimizzazione per l'AI Overview ### **Architettura ad alto livello** Il sistema funziona attraverso i seguenti step. - Un ***Agent Orchestrator*** riceve in input la **query e** l'URL della **pagina web da ottimizzare**. - Un altro agent, recupera il **risultato di AI Overview** per la query, estrae le **fonti** della risposta principale, estrae anche le **fonti delle risposte secondarie** (*quelle legate alle query di *fan-out**). - Attraverso un LLM, viene rilevata la **risposta alla query** da ciascuna fonte, ovvero il testo all'interno delle pagine web che mira a rispondere direttamente alla domanda. Viene attuato lo stesso processo anche per la **pagina da ottimizzare**. - A questo punto abbiamo una tabella concettuale con: query, risposta di ogni fonte dell'AI Overview, risposta della pagina da ottimizzare. - Diversi agenti, successivamente, usano un **reranker** per misurare la **rilevanza contestuale** di ogni risposta rispetto alla query, e producono un **ranking** delle risposte. In maniera iterativa, prendono in considerazione le risposte delle fonti, il contesto complessivo della SERP, la risposta della pagina da ottimizzare, e generano una **nuova risposta candidata**. - La nuova risposta viene **valutata dal reranker**. Se lo score è inferiore rispetto alle migliori risposte, il sistema: genera una **nuova variante** considerando tutti i dati a disposizione, ricalcola la rilevanza, e così via, fino a quando la risposta generata non ottiene **lo score di rilevanza più alto** tra tutte. - Un ulteriore gruppo di agenti analizzano le **query di fan-out** (*derivate dalle risposte secondarie dell'AI Overview*), analizzano le **pagine in SERP**, costruiscono una **proposta di ottimizzazione** per la **struttura della pagina**, per intercettare anche le query di fan-out. ### **Risultato finale del sistema** Una volta terminata l'azione del workflow, otteniamo una **risposta ottimizzata** da inserire nella pagina web, e un'**analisi SEO** che mira a riorganizzare/arricchire il contenuto, valorizzare in modo più completo il topic, posizionarsi meglio anche per le ricerche correlate. E se lo pensiamo come **sistema che lavora in background**? > Potrebbe analizzare costantemente le query, monitorare le AI Overview e **ottimizzare in autonomia** (costantemente) i contenuti per aumentare la probabilità di essere fonte. > Nei nostri test, questa idea è già diventata realtà su alcuni progetti. --- ## L’indice di rilevanza è un valore assoluto? *(spoiler: no)* A questo punto sorge una domanda importante: > Se, secondo il reranker, un contenuto è più rilevante di un altro, > si tratta di una verità assoluta? La risposta è **no**, perché lo **score di rilevanza** dipende da: - l’architettura del modello di reranking, - i dati usati in fase di training, - gli eventuali processi di **fine-tuning**, - le scelte di ottimizzazione fatte in fase di sviluppo. Quindi, reranker diversi, applicati allo stesso set di dati, possono restituire punteggi differenti, e quindi classifiche diverse. Nell'immagine che segue, ad esempio, vediamo a confronto la misurazione della rilevanza contestuale di due reranker diversi ([*Jina Reranker V3*](https://jina.ai/reranker/?ref=alessiopomaro.it) *e* [*Semantir Ranker di Google*](https://docs.cloud.google.com/generative-ai-app-builder/docs/ranking?hl=it&ref=alessiopomaro.it)). ![Un test usando due reranker diversi](https://storage.ghost.io/c/d7/3a/d73a3886-5e95-4e08-9255-a08eb51bb37b/content/images/2025/11/reranker-google-confronto-1.webp) Un test usando due reranker diversi Come si può notare, gli score sono diversi, e danno vita a una "*classifica*" diversa. > È un po' come chiedere a **due esperti molto competenti**, ma con formazione diversa, di classificare gli stessi contenuti: avranno tendenzialmente **opinioni simili**, ma **non per forza identiche**. ### **Qual è il "*dato corretto*"?** Non esiste un “*dato corretto*” in assoluto. Esiste un **modello** che "*guarda il mondo*" secondo la propria **formazione**, e restituisce il suo "*giudizio*". Nel tool, ho scelto di usare il **reranker di Google**, considerando il fatto che, probabilmente, è stato addestrato su una quantità enorme di dati proprietari, compresi i **dati derivanti dalla ricerca online** (*click, comportamenti, feedback impliciti, ecc.*). --- ## Il tool in azione: una rapida panoramica Nel seguente video, è possibile vedere l'esecuzione del tool su una query di ricerca. AI Overview Content Strategist Agent V7 L'output, come indicato in precedenza, è composto dal **testo dedicato alla risposta per l'AI Overview** e dall'**analisi per l'ottimizzazione** del contenuto. --- ## AEO, AIO, GEO, ecc.: cosa cambia davvero nella SEO? Dopo aver fatto funzionare questo sistema su **centinaia di pagine**, e dopo aver osservato l’evoluzione di tutte le sigle che stanno emergendo (*AEO, AIO, GEO, ecc.*), viene spontanea una domanda: > Rispetto alla SEO che conoscevamo, > quali sono le **vere novità**? Per come la vedo oggi, la mia risposta è: "*molto poche*". Quello che emerge come davvero rilevante sono le **attività che avremmo sempre dovuto svolgere**: rispondere in modo esaustivo alle query degli utenti, esplorare il topic in modo completo, usare un linguaggio chiaro e corretto, fornire un valore reale. ### **Quindi, cos'è cambiato?** > È cambiato il fatto che oggi abbiamo **nuove piattaforme** e **nuove SERP Features** che ce lo fanno presente. E nuovi strumenti per migliorare la qualità del nostro lavoro. --- ## È fondamentale approfondire anche gli aspetti tecnici Oggi abbiamo a disposizione strumenti, informazioni, documentazione, esempi pratici che ci permettono di comprendere la ricerca anche dal punto di vista **tecnico**. Questo **non significa** dover essere in grado di sviluppare migliaia di righe di codice o diventare ingegneri esperti nel Machine Learning. Significa **capire i concetti di base**, ad esempio cosa sono gli **embeddings**, come si calcola la **similarità**, come lavorano i **bi-encoder** e i **cross-encoder**, cosa significa parlare di **reranking** e **rilevanza contestuale**, come funziona un **flusso RAG** o un **sistema ibrido** tipo l'AI Overview, avere una visione chiara di **come i sistemi "*prendono decisioni*"**. ### **Perché?** > Capire gli aspetti tecnici → genera **nuove intuizioni** > Nuove intuizioni → generano **nuove strategie e nuovi strumenti** > Nuovi tool → migliorano concretamente la **qualità del nostro lavoro** Ed è esattamente quello che abbiamo fatto in questo viaggio: - siamo partiti da concetti **molto tecnici** (*embeddings, similarità del coseno, reranker, transformer, multi-agent…*), - li abbiamo usati per interpretare il comportamento di un sistema reale (*AI Overviews*), costruire un **tool concreto** che ci aiuta a migliorare i contenuti, ottenere risultati misurabili in progetti reali. Se vogliamo far **performare la SEO nel mondo della ricerca aumentata dall’AI**, la strada, secondo me, è questa: > **sforzarci di comprendere i concetti tecnici chiave**, > per poi trasformarli in **strategie e automazioni** che fanno la differenza. Buona ricerca (*e buona "comprensione tecnica"* 😊). ## \- 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/).