Il 15 maggio 2026 Google ha pubblicato la sua guida ufficiale all’ottimizzazione per le funzionalità AI nella ricerca, con un messaggio netto: GEO e AEO non sono discipline separate, è ancora SEO. La posizione è difendibile nel perimetro di Google Search: le AI Overviews si appoggiano agli stessi sistemi di ranking già in uso, integrati con RAG (Retrieval-Augmented Generation) e query fan-out. Chi ottimizza bene per la ricerca tradizionale — contenuti autorevoli, struttura tecnica pulita, esperienza utente — ha le basi per comparire anche nelle risposte AI.

Microsoft, con una serie di post ufficiali pubblicati tra febbraio e maggio 2026 sul blog di Bing, costruisce invece una narrativa più articolata. Il punto di partenza è lo stesso: l’AI ha cambiato il modo in cui le informazioni vengono recuperate e presentate. Ma la conclusione è diversa. Per Microsoft, il grounding non è un’estensione della ricerca tradizionale — è una funzione con obiettivi, metriche e criteri di qualità propri. E quella distinzione ha conseguenze pratiche dirette per chiunque gestisce contenuti web.

Il concetto centrale della strategia Microsoft è il grounding: il sistema che collega i modelli AI generativi a informazioni esterne, attuali e verificabili — impedendogli di rispondere basandosi solo su ciò che ha “imparato” durante il training. Come scrive Jordi Ribas, Corporate Vice President di Microsoft Search & AI, Microsoft grounding alimenta oggi quasi tutti i principali assistenti AI del mercato — non solo Bing e Copilot, ma una quota rilevante dell’ecosistema AI globale.

Questo approccio è fondamentale. Se Google parla di ottimizzazione per Google Search, Microsoft implica che le sue linee guida sul grounding siano rilevanti per un perimetro molto più ampio: ChatGPT (che usa principalmente Bing per la navigazione web), Copilot, e qualunque AI che sfrutti Microsoft grounding come infrastruttura. Chi segue le indicazioni di Bing non ottimizza solo per Bing.

Il cuore della differenza concettuale è nel cambio dell’unità di valore. La ricerca tradizionale ottimizza per il documento: quale pagina visitare. Il grounding ottimizza per l’informazione groundabile: un fatto discreto, verificabile, con provenienza chiara, che un sistema AI può usare responsabilmente per costruire una risposta. Non è la stessa cosa. Un documento eccellente per la ricerca tradizionale può essere inadatto al grounding se contiene affermazioni non verificabili, dati obsoleti, o fonti contraddittorie non disambiguate.

Il post “Evolving role of the index” (Bing, maggio 2026) è forse il documento più denso di implicazioni pratiche. Microsoft descrive esplicitamente come le metriche dell’indice cambino quando l’obiettivo è il grounding invece del ranking tradizionale:

Google non fornisce un framework analogo. La guida di maggio 2026 indica gli stessi princìpi di qualità da sempre promossi (E-E-A-T, contenuto non generico, utilità reale), ma non entra nel merito di come il sistema AI valuta la “groundabilità” di una fonte, né descrive le metriche interne che determinano la selezione. Dal punto di vista dei produttori di contenuto, la guida Google è più prescrittiva su cosa non fare (tattiche inutili come llms.txt, chunking forzato, schema.org “AI-specific”) che su cosa fare per essere preferiti nelle risposte AI.

Un altro elemento che distingue l’approccio Microsoft è la descrizione del retrieval come sistema iterativo, non come singolo scambio query-risultato. Nella ricerca tradizionale, il modello è lineare: query → risultati classificati → clic utente. Nel grounding per risposte AI, il processo opera in loop: il sistema recupera informazioni, valuta la fiducia, genera domande di follow-up, raffina il retrieval, combina evidenze da fonti multiple, e può rivalutare quando la confidenza è bassa.

Questa architettura a loop ha implicazioni non banali. Un errore sottile nei passi iniziali di retrieval si amplifica nei passaggi successivi, senza che nessun utente possa intervenire in tempo reale a correggere. La guida Microsoft sottolinea che i sistemi di retrieval per il grounding devono ottimizzare non per il recupero one-shot, ma per un comportamento coerente e ripetibile su utilizzi iterativi. Per un produttore di contenuti, questo significa che la struttura e la chiarezza del contenuto non servono solo all’indicizzazione iniziale, ma influenzano ogni ciclo di retrieval successivo.

Google descrive meccanismi simili tramite il concetto di query fan-out — dove una query originale viene espansa in query correlate simultanee — ma non entra nel dettaglio del processo iterativo con astensione come esito valido. L’impressione è che Google voglia rassicurare i produttori di contenuto (“ottimizzate come sempre”), mentre Microsoft descriva l’infrastruttura con maggiore trasparenza.

La differenza più concreta e operativa tra i due ecosistemi riguarda la misurazione. A febbraio 2026, Microsoft ha introdotto in public preview la sezione AI Performance in Bing Webmaster Tools: un dashboard che mostra come i contenuti del sito vengono citati nelle risposte AI di Microsoft Copilot, nei sommari generativi di Bing e nelle integrazioni con partner selezionati.

Le metriche disponibili includono:

Google Search Console mostra dati di impression per le AI Overviews, ma in modo parziale e senza il livello di dettaglio sulle query di grounding che Bing Webmaster Tools offre già. La guida Google di maggio 2026 non menziona strumenti specifici per misurare la visibilità nelle risposte AI — un’assenza significativa per chi deve giustificare investimenti in ottimizzazione al management.

Per chi gestisce siti con traffico rilevante su Bing e Copilot, l’AI Performance dashboard è oggi lo strumento più avanzato disponibile per capire cosa succede realmente al proprio contenuto nell’era AI. Il fatto che Bing grounding alimenti anche ChatGPT e altri assistenti rende questi dati più rappresentativi di quanto il solo market share di Bing suggerirebbe.

Tolte le differenze di framework e misurazione, le indicazioni pratiche sui contenuti convergono su alcuni princìpi fondamentali — il che conferma che queste basi sono valide in tutti gli ecosistemi AI:

Dove le guide divergono con maggiore evidenza è sul tema della fiducia come infrastruttura. Il post “Keeping Trusted Content Visible” affronta esplicitamente la dimensione della safety: Public Safety Announcements contestuali, rilevamento del rischio a livello di query, SafeSearch differenziato per età e contesto legale. È una prospettiva sistemica — la fiducia non è solo un segnale di qualità dei contenuti, ma un requisito strutturale dell’esperienza di ricerca AI. Google non ha un corrispettivo diretto in questa guida.

Tenendo insieme i due framework, queste sono le priorità operative per chi vuole ottimizzare per entrambi gli ecosistemi AI:

Riassumendo:

Per mesi il mercato della consulenza SEO è stato invaso da sigle come AEO (Answer Engine Optimization) e GEO (Generative Engine Optimization), spesso associate a servizi a pagamento che promettevano visibilità nelle risposte AI. Il 15 maggio 2026, Google ha pubblicato una pagina ufficiale nella sua Search Central Documentation: Ottimizza il tuo sito web per le funzionalità di AI generativa nella Ricerca Google. Si tratta della prima guida esplicita e organica su questo tema, e il suo valore principale è proprio quello di mettere nero su bianco posizioni fino ad allora sparse tra conferenze, podcast e dichiarazioni informali.

La guida, anche se si rivolge ai webmaster e ai professionisti SEO, è utile per tutti coloro che devono capire a chi affidarsi e a quali false promesse non credere.

Gli aspetti coperti riguardano il posizionamento nei risultati delle ricerche basate sull’AI, in particolare AI Overviews (le risposte sintetiche che appaiono in cima ai risultati) e AI Mode, il motore conversazionale che Google sta espandendo progressivamente.

La posizione di Google è netta:

«Dal punto di vista della Ricerca Google, ottimizzare per la ricerca basata sull’AI generativa significa ottimizzare per l’esperienza di ricerca, perciò si tratta sempre di SEO.»

Questa affermazione demolisce due anni di narrativa costruita attorno a nuovi acronimi. Google spiega che le sue funzionalità di AI generativa si basano sui medesimi sistemi di ranking e qualità già in uso nella ricerca tradizionale, con due tecniche specifiche che operano in background:

Questo significa che la SEO tradizionale — contenuti di qualità, architettura tecnica pulita, autorevolezza del dominio — rimane il fondamento anche per la visibilità nelle risposte AI. Come ha analizzato Search Engine Journal, la guida consolida in un unico documento posizioni che Gary Illyes e Cherry Prommawin avevano già espresso al Search Central Live: GEO e AEO non richiedono framework separati per Google Search.

La parte più interessante dal punto di vista pratico della guida è quella dedicata al mythbusting. Google elenca in modo esplicito una serie di pratiche che i proprietari di siti web possono ignorare per la ricerca Google, almeno per quanto riguarda la visibilità nelle funzionalità AI:

Questa lista è importante non solo per ciò che dice, ma per ciò che implica: una parte consistente dei servizi “AEO/GEO” venduti negli ultimi due anni si basava su premesse che Google ora smentisce ufficialmente nella sua documentazione.

La guida identifica un principio che sovrasta gli altri: il contenuto non generico. Google contrappone esplicitamente due tipologie:

Questa distinzione non è nuova — coincide con la logica degli E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) che Google promuove da anni — ma averlo sottolineato nella guida ufficiale della guida AI le conferisce un peso esplicito. I sistemi RAG esaminano più fonti contemporaneamente: per essere selezionati, i contenuti devono offrire qualcosa che gli altri non offrono. Il contenuto prodotto assemblando ciò che già esiste in rete — o che potrebbe essere generato da qualsiasi LLM — non ha alcun vantaggio competitivo nelle risposte AI.

Questo vale anche e soprattutto per i contenuti generati con strumenti AI: la guida non li vieta, ma precisa che devono soddisfare gli stessi standard qualitativi e rispettare le norme anti-spam. Un avviso che spesso si trascura.

Sul piano tecnico, la guida conferma le best practice note:

La novità più interessante in questa sezione è l’introduzione degli agenti AI. Google descrive agenti autonomi che possono operare per conto degli utenti — prenotare, comparare prodotti, raccogliere dati — accedendo ai siti tramite analisi di screenshot, ispezione del DOM e interpretazione dell’albero di accessibilità. La guida rimanda alle best practice per siti ottimizzati per agenti su web.dev e menziona il nascente Universal Commerce Protocol (UCP), sviluppato con Shopify, come standard emergente per consentire agli agenti di ricerca di operare in modo più strutturato sui siti e-commerce.

Questa sezione non sottovalutarla: rappresenta il prossimo vettore di disintermediazione del traffico web.

La guida di Google è interessante ma alcune omissioni sono significative e meritano qualche riflessione.

Il problema del traffico non viene affrontato. La guida non riporta dati reali sull’impatto delle AI Overviews sul traffico organico. Eppure i numeri esistono: ricerche indipendenti del 2026 documentano un calo del CTR organico fino al 58% sulle query in cui si attiva un AI Overview. La prima posizione organica su queste query vede il CTR scendere dal 27% a circa l’11%. Il messaggio “ottimizzate bene e arriverete nelle risposte AI” nasconde una verità scomoda: anche chi viene citato nelle risposte AI non recupera necessariamente il traffico perso, perché l’utente ottiene la risposta direttamente nella SERP senza cliccare. La visibilità è aumentata; il traffico è un’altra storia.

La guida è Google-centrica per definizione. Ridurre AEO e GEO a “ancora SEO” è corretto per Google Search, ma il panorama attuale include ChatGPT, Perplexity, Gemini, Copilot e altri motori AI che operano con logiche diverse, e che non si basano sul medesimo indice di ricerca. Ottimizzare per la visibilità in questi ambienti richiede attenzioni specifiche che la guida non contempla — ed è comprensibile che Google non guidi i propri utenti verso i competitor, ma va tenuto presente.

Nessun dato misurabile, nessuna metrica di riferimento. La guida consiglia di creare contenuti di qualità, non generici, utili, con punto di vista unico. Tutto condivisibile, ma non misurabile. Non viene fornito alcun indicatore per valutare la propria visibilità nelle risposte AI — nemmeno un rimando sistematico a Search Console, dove peraltro i dati sulle impression in AI Overviews restano parziali e opachi. Un’occasione mancata.

Il conflitto di interessi viene ovviamente taciuto. Google trarrà vantaggio dall’AI Mode trattenendo gli utenti più a lungo nella SERP — con meno click verso i siti terzi. La guida incoraggia a produrre contenuti di qualità affinché vengano inclusi nelle risposte AI, ma questo serve principalmente a migliorare la qualità delle risposte di Google, non necessariamente a generare traffico verso i publisher. Il modello mutualistico implicito nella guida (“create buoni contenuti, noi vi citiamo”) va preso un po’ “con le pinze”.

Ciò detto. impotizziamo alcune indicazioni pratiche per chi gestisce siti editoriali, informativi o di servizio:

Il secondo trimestre 2026 sarà il più denso di aggiornamenti su Google Ads degli ultimi anni. In meno di quattro mesi Google ha portato AI Max in general availability (GA, disponibilità pubblica per tutti gli advertiser), ridefinito il destino di Dynamic Search Ads e Automatically Created Assets, ampliato le capacità creative di Demand Gen con la generative video di Veo 3.1 e introdotto un sistema di policy review quasi istantaneo. Per chi gestisce account Google Ads a livello professionale — sia in house sia in agenzia — questi cambiamenti impongono una revisione della struttura campagne, dei processi creativi e del calendario di deprecation entro settembre 2026.

AI Max per Search è la feature più importante dell’anno. Il 15 aprile 2026 Google ha annunciato l’uscita ufficiale dalla beta e la roadmap di migrazione che riguarderà tutti gli advertiser entro settembre. AI Max è un layer di automazione applicato alle campagne Search tradizionali: combina search term matching più ampio, text customization per la generazione dinamica di titoli e descrizioni, e final URL expansion per indirizzare l’utente alla landing più pertinente del sito. L’annuncio è in un post ufficiale del blog Google Ads.

Google ha dichiarato è un +7% medio di conversioni o valore di conversione, a parità di CPA (Cost Per Acquisition) e ROAS (Return On Ad Spend), per chi usa la suite completa rispetto al solo search term matching. Va letto con cautela: è una media su campagne partecipanti alla beta, quindi verosimilmente già ottimizzate.

Il passaggio avviene in due fasi:

Il punto da non sottovalutare è il control layer: AI Max introduce controlli granulari su brand, location e URL, e le text guidelines universalmente disponibili da aprile permettono di vincolare il modo in cui l’AI genera e personalizza il copy. Chi pensa che AI Max sia “un DSA potenziato” deve prestare attenzione: è uno strato di automazione con briglie, e le briglie vanno settate.

Performance Max continua la sua evoluzione con due aggiornamenti operativamente rilevanti. Il primo è l’estensione dei search themes da 25 a 50 per asset group. Più margine quindi per descrivere in linguaggio naturale il posizionamento della campagna e guidare la selezione delle query da parte dell’algoritmo. Per account con portafogli di prodotti ampi o stagionalità rilevante, è un cambiamento che dovrebbe portare a una copertura più ampia.

Il secondo è il nuovo asset experiments framework, annunciato ad aprile 2026, che permette di testare in modo strutturato PMax contro Shopping, Search o Display con split di traffico 50/50. È la risposta più concreta a una delle critiche storiche di PMax: la scarsa trasparenza nel misurare l’incrementalità rispetto ai canali tradizionali. Chi sta valutando una migrazione totale a PMax — o il rientro parziale su Shopping standard — ora ha uno strumento per farlo con dati comparabili.

Da tenere presente anche l’aumento del limite di 10.000 negative keywords per campagna PMax, applicabili a inventario Search e Shopping. Per account maturi, la gestione attiva delle negative liste — specialmente a livello account e tramite liste condivise — resta una delle leve principali per difendere il CPA dalle query marginali che l’AI tende a catturare in automatico.

Ultimo aggiornamento di contesto: Google sta aggiungendo l’inventario pubblicitario di Waze alle PMax con obiettivo store goals, con posizionamento come “Promoted Places in Navigation”. Al momento disponibile solo per advertiser US, è un segnale interessante per chi fa drive-to-store.

Demand Gen è la campagna dove l’integrazione AI è più visibile lato creativo. Con il Demand Gen Drop di marzo 2026, Google ha rilasciato la generazione video da immagini basata su Veo 3.1 (il modello generativo video di Google DeepMind). In pratica: si caricano asset statici e il sistema produce varianti video in formati e risoluzioni multiple, con anchor creativi per bloccare asset su formati specifici. Per brand con inventario fotografico ampio ma produzione video limitata, riduce in modo tangibile il tempo-per-asset.

Più strategica la novità delle Creator Partnerships: la novità risiede nell’integrazione del flusso di lavoro: non è più solo un accordo “privato” tra brand e influencer, ma un asset gestibile via software.

Come funziona operativamente:

Questo è un cambio di paradigma fondamentale nel targeting, che passa da un modello “deterministico” a uno “predittivo”.

Cosa cambia:

Infine, Video Action Campaigns sono in via di upgrade a Demand Gen con obiettivo YouTube Engagements, che permette di ottimizzare su eventi quali channel subscription e follow-on view. Chi ha ancora VAC (Video Action Campaigns, campagne video orientate alla conversione) in pianificazione 2026 deve pianificare la migrazione.

Una delle difficoltà storiche del workflow Google Ads è l’attesa di approvazione policy sulle Responsive Search Ads, spesso superiore all’ora anche per copy standard. Con le Real-Time Policy Reviews Google sposta il review direttamente dentro l’editor creativo: feedback istantaneo mentre si costruisce l’ad, e ads compliant che partono in delivery in pochi secondi anziché ore. L’annuncio è pubblicato sul portale Google Business.

Stato attuale e roadmap:

L’impatto concreto è sui team che lavorano su campagne tattiche (lanci di promo, flash sale, eventi) dove il go-live rapido fa differenza tra ad visto e  fuori tempo massimo. Per chi gestisce alti volumi di ads, va anche rivisto il processo di controllo qualità: il review istantaneo riduce la barriera di ingresso ma non sostituisce il controllo interno sulla qualità copy e sulla coerenza brand.

Sintetizzando, il calendario 2026 che coinvolge tutti gli account Google Ads potrebbe essere il seguente:

Infine una possibile checklist da completare prima di settembre, in ordine di priorità:

Il filo conduttore è chiaro: Google sta terminando la fase “strumenti separati con controlli granulari” e aprendo quella “layer AI unico con controlli semantici”. Per advertiser senior significa meno tempo sulle manopole classiche (match type, asset rotation, DSA target) e più tempo sui guardrail: text guidelines, brand controls, negative list, experiment framework. Chi resiste al cambio rischia di subire l’upgrade automatico di settembre su campagne non preparate. Chi lo governa in fase 1 ottiene due mesi di dati comparabili per capire se AI Max migliora effettivamente le sue metriche, o se invece va compensato con controlli più stretti. Come sempre, il margine è nella qualità del feed dati a monte — conversioni offline, valore transazione, audience segmentate — più che nella nuova feature in sé.

Google Analytics 4 sta vivendo il trimestre di aggiornamenti più denso dalla migrazione da Universal Analytics. Tra gennaio e aprile 2026 Google ha spinto in produzione o in beta una serie di funzionalità che cambiano il modo in cui si legge, si pianifica e si governa il dato. Molti degli interventi non sono cosmetici: toccano il motore di attribuzione, il consenso, l’integrazione con canali media esterni a Google e l’interazione utente tramite AI generativa. Per chi gestisce property GA4 in produzione, è il momento di rivedere checklist di setup, documentazione consent e piani di media planning.

Analytics Advisor è il nuovo assistente AI nativo di GA4, lanciato in versione beta a dicembre 2025 e in progressiva diffusione nei primi mesi del 2026. È costruito sui modelli Gemini più recenti e sostituisce di fatto la logica degli “Insights automatici” con un’esperienza conversazionale agentica.

Il funzionamento è quello tipico di un assistente LLM applicato al dato: si pone una domanda in linguaggio naturale — ad esempio “cosa ha causato il picco di traffico il 25 settembre?” — e il sistema esegue una scansione di migliaia di combinazioni dimensione-metrica, identifica pattern, anomalie e correlazioni, e restituisce una risposta in linguaggio naturale accompagnata da grafici, tabelle e link ai report di riferimento. Secondo la documentazione ufficiale, Analytics Advisor fornisce insight personalizzati, visualizzazioni e collegamenti diretti ai report utili.

Il limite più rilevante oggi è linguistico: Analytics Advisor è disponibile – per ora – solo per account in lingua inglese anche se poi può essere interrogato e risponde in italiano. Per i mercati italiani significa che l’utilizzo richiede di impostare l’interfaccia GA4 su English (Admin > Impostazioni) . Non è un blocco tecnico assoluto, ma è un da tenere in conto, soprattutto nei gruppi di lavoro.

Da un punto di vista pratico, le aree dove Analytics Advisor dà il ritorno più alto sono tre: diagnosi rapida di anomalie (spike e drop), analisi esplorativa su segmenti non ancora strutturati in audience, e accompagnamento per utenti non tecnici che devono leggere il dato senza padroneggiare Explorations. Meno convincente per ora sul lato forecasting e modellazione causale: rimane un layer di interpretazione, non di previsione.

Sempre in area AI, Google ha introdotto i Generated Insights direttamente sulla home page della property. Si tratta di un blocco sintetico che riepiloga le tre variazioni più rilevanti rispetto all’ultima visita: modifiche di configurazione, anomalie di traffico o conversione, trend stagionali. L’obiettivo dichiarato è ridurre il tempo per “entrare nel dato” quando si apre GA4 dopo giorni di assenza.

A complemento, arriva l’enhanced onboarding assistant, che durante la creazione di una property suggerisce impostazioni pre-configurate in base al settore dichiarato (e-commerce, lead gen, media/publisher, SaaS). La logica è simile a quella dei template di Google Ads: meno scelte iniziali, meno errori in setup, più velocità nel portare la property a produzione. Parallelamente è attivo anche un sistema di stream diagnostics in tempo reale che segnala se uno stream è inattivo o configurato in modo incoerente, prima che il dato diventi inutilizzabile per giorni.

Operativamente: chi setta nuove property a partire da gennaio 2026 dovrebbe accettare i suggerimenti del wizard come baseline, ma ricontrollare manualmente le conversioni chiave, l’enhanced measurement e l’ecommerce tracking prima di collegare Google Ads. L’automazione copre bene l’80% dei casi standard; è sul restante 20% che si gioca la qualità del dato nei mesi successivi.

È forse la novità concettualmente più pesante del 2026. Con Cross-Channel Budgeting, GA4 smette di essere uno strumento di sola misurazione e diventa anche un ambiente di pianificazione e previsione della spesa media. La feature è attualmente in closed beta, senza data confermata di general availability, ed è indirizzata inizialmente ai clienti Google Ads enterprise.

Due gli strumenti che la compongono: Scenario Planner, per modellare diverse allocazioni di budget prima dell’investimento, e Projection Plans, per monitorare in corso d’opera le performance reali rispetto al piano costruito. I due tool sono pensati per essere usati insieme: si modella, si investe, si confronta. Napkyn ha sintetizzato bene i prerequisiti di accesso, che sono restrittivi: servono almeno 12 mesi di dati di conversione e spesa, su minimo due canali (uno Google e uno non-Google).

Nativamente supportati i canali Google (Google Ads, DV360, SA360); via import di cost data entrano Meta (Facebook/Instagram), TikTok, Pinterest, Snap e Reddit. Restano fuori, al momento, Microsoft Ads, LinkedIn e X/Twitter — un gap rilevante per chi lavora in B2B o su mercati dove LinkedIn pesa sensibilmente sul mix.

Il punto di vista operativo è duplice. Da un lato, la feature sposta il baricentro: analisi e pianificazione nello stesso strumento riducono gli handoff tra team analytics e media buying. Dall’altro, i requisiti di 12 mesi di storico e la copertura parziale sui canali non-Google rendono improbabile che questa diventi, a breve, l’unico ambiente di planning. Più realisticamente sarà un layer in più accanto a strumenti dedicati.

Sul fronte marketing automation e Google Ads, Google ha introdotto due template di audience pre-costruiti con taglio lifecycle: High-Value Purchasers e Disengaged Purchasers. Il primo segmenta gli utenti in base a purchase count o Lifetime Value (con opzione per percentile LTV), il secondo sui giorni trascorsi dall’ultimo acquisto. Entrambi sono esportabili su Google Ads per campagne di acquisizione customer-value-oriented e di re-engagement, come documenta Search Engine Land.

La parte delicata è la calibrazione. “Alto valore” non è un dato, è una scelta: top 5%, 10% o 25% per LTV? Dipende da dimensione del customer base, costi di acquisizione e struttura di margine. Analogamente, “disingaggiato” ha senso solo rispetto al ciclo di acquisto naturale del business: 14 giorni per il food delivery, 730 giorni per l’arredamento. Il template offre il frame, il calibro lo decide chi conosce il business.

Più tecnica, ma altrettanto importante, la novità del 16 gennaio 2026: l’attribuzione delle conversioni è ora regolabile in modo indipendente per ogni singola conversione. Questo elimina una delle cause storiche di discrepanza tra GA4 e Google Ads e permette di affinare le strategie di bidding sulla base della natura di ogni conversion (hard vs soft, lead vs acquisto, ecc.). A corredo è stato rilasciato in beta il nuovo Conversion Attribution Analysis report, che separa percorsi single-touch da percorsi multi-touch e classifica i touchpoint in Early, Mid, Late stage nella vista data-driven.

Per chi gestisce portafogli di conversioni eterogenei (es. e-commerce con iscrizione newsletter + acquisto + richiesta preventivo), la possibilità di settare modelli di attribuzione distinti per conversione è un upgrade sostanziale: permette di non appiattire strategie di bidding diverse sotto lo stesso modello.

L’ultimo cambiamento, e probabilmente quello che richiede più attenzione in termini di compliance, riguarda la separazione tra governance del dato Analytics e governance del dato Ads. Dal 15 giugno 2026, Google Signals non controllerà più se Google Ads può raccogliere cookie e identificatori pubblicitari dal tag GA4. L’autorità passa esclusivamente al parametro ad_storage del Consent Mode. Il resoconto più chiaro della modifica è pubblicato da PPC.land.

Dopo il 15 giugno, l’impostazione Google Signals in GA4 conserva una funzione soltanto: decidere se associare i dati Analytics alle informazioni dell’utente loggato, a fini di reporting comportamentale. Tutto il resto della governance ads-related si sposta sul Consent Mode. In pratica, disattivare Google Signals non basterà più a bloccare la raccolta cookie lato Ads: quella decisione sarà interamente nel segnale ad_storage.

L’implicazione operativa è seria. Fino a giugno, un setup con Google Signals disattivato poteva funzionare da “cintura di sicurezza parziale” anche in presenza di un Consent Mode imperfetto. Dopo giugno, quel paracadute scompare: la correttezza dell’implementazione Consent Mode — in particolare la tempestività e coerenza degli update di ad_storage — diventa il singolo punto di verità. I due scenari post-giugno sono netti: concedere ad_storage e far passare tutti i segnali Ads (incluso il linking via Google sign-in), oppure negare ad_storage e limitare Google ai soli identificatori disponibili nell’URL (es. gclid).

La checklist operativa da completare entro metà giugno è quindi chiara: audit completo del CMP e del Consent Mode v2, verifica che ad_storage si aggiorni correttamente al change-of-consent (non solo al page load iniziale), test dei flussi di default consent e update consent, documentazione delle scelte per i team legali. In parallelo, Google ha anticipato che entro fine 2026 anche le impostazioni di ads personalization saranno consolidate, e che gli IP raccolti da Google Tag e SDK saranno cifrati e instradati agli account Ads linkati secondo le configurazioni lato Ads.

Il filo conduttore del 2026 è esplicito: GA4 si sposta da strumento di misura a piattaforma di azione. AI conversazionale, planning del budget e template di audience pronte all’export su Ads sono tre tasselli dello stesso disegno — ridurre la distanza tra dato e decisione, e tenere l’intero stack più vicino all’ecosistema Ads. Per chi lavora la piattaforma da anni, questo implica una revisione di processo: meno esportazioni custom, più uso delle feature native; più attenzione al Consent Mode e meno affidamento a Google Signals come interruttore. Il rovescio della medaglia è un’ulteriore dipendenza dal walled garden Google — ed è una variabile che vale la pena monitorare nella strategia analytics complessiva.

Il paper esplora come l’attenzione non sia un dato statico, ma un processo dinamico e multidimensionale che coinvolge percezione, emozione, comprensione e comportamento. Non basta che un annuncio sia “visibile” a schermo; ciò che conta è il grado di coinvolgimento reale, misurato oggi attraverso tecnologie avanzate non solo di eye-tracking ma anche grazie a strumenti che integrando AI e neuroscienze catturano le micro espressioni sul volto dei navigatori.

Un esempio di interesse, spesso sottovalutato dai media planner, riguarda il potere dell’audio digitale. Secondo gli studi citati (Dentsu/Lumen), l’attenzione generata dall’audio è superiore del 66% rispetto al video digitale e del 155% rispetto ai social media. Questo si traduce in un aumento della Brand Choice del 67%, dimostrando che l’assenza di stimoli visivi può paradossalmente focalizzare meglio il coinvolgimento cognitivo.

Fonte: IAB Italia – Attention Metrics

La ricerca ha il pregio di voler standardizzare un mercato frammentato, introducendo concetti operativi come l’aCPM (Attentive CPM) per remunerare la qualità e non solo il numero delle esposizioni dell’annuncio. È un passo fondamentale per la sostenibilità economica dei publisher di qualità.

Swot analysis delle Attention Metrics. Fonte: Iab Italia

Tuttavia, emergono delle criticità:

In conclusione, il paper ci dice che dobbiamo smettere di contare le impression e iniziare a far contare i secondi di reale connessione con l’utente.

Se si carica un testo inedito o riservato per ottenere una traduzione, un report o un’analisi su ChatGPT, Gemini, o NotebookLM è fondamentale sapere se il file e la relativa chat potranno essere: (a) condivisi con altri utenti, (b) usati per addestrare il modello, (c) conservati oltre il necessario.

Qui sotto ho provato a fare un confronto aggiornato al 21/10/2025 su cosa ci si può aspettare.

Fig.1: ChatGpt Controllo dati > Migliora il modello per tutti. Disattivandolo le chat non vengono utilizzate per addestrare il modello.

Fig.2: In ChatGpt con l’opzione “Attiva Chat temporanea”, in alto a destra, la conversazione non viene salvata.

Fig.3: in Gemini con l’opzione salva l’attività disattivata si può evitare di salvare le conversazioni. Sempre dallo stesso pannello si può decidere quali conversazioni eliminare.

I file caricati non vengono condivisi automaticamente con altri utenti in nessuna delle tre piattaforme.

L’uso ai fini di apprendimento dipende da piano e impostazioni:

Questo è quello che sono riuscito a capire dalla documentazione, qualcuno ha informazioni differenti?

Oggi il marketing opera tra analytics, advertising, SEO, copywriting, AI generativa e automazioni: investire in competenze è necessario, ma la modalità con cui lo si fa fa la differenza.

Penso che, nonostante quello che si vede online, sia chiaro a tutti che le scorciatoie e le ricette miracolose non solo non sono utili, ma spesso siano la via più breve per l’insuccesso. Le guide pratiche possono essere fonte di ispirazione e utili nel caso si abbia già un buon livello di competenza ma non possono sostituire un percorso di apprendimento tradizionale e solido.

Condivido nel seguito alcuni punti che ritengo importanti e che applico quando progetto un percorso formativo con i miei clienti.

Corsi registrati o a “catalogo” in cui partecipano più aziende possono sembrare efficienti, ma generano bassa trasferibilità: ignorano livello di partenza, processi interni e obiettivi di business. Un percorso efficace non si compra a scaffale: si progetta.

Il compito di HR è costruire un piano formativo che colleghi:

Ogni azienda ha una diversa maturità digitale: ciò che funziona per una start-up può non funzionare per un gruppo industriale o retail.

Le aziende che abbandonano i corsi generici e costruiscono un percorso su misura — integrando AI, SEO, copy e analytics — vedono risultati concreti: team più autonomi, decisioni migliori e performance superiori.

La vera svolta non è “fare corsi”, ma progettare una formazione che cambia i comportamenti in azienda e faccia crescere il gruppo di lavoro. Per mia esperienza un buon corso è anche un’occasione straordinaria per cementare il gruppo di lavoro, avere una visione comune e far comprendere quanto la collaborazione fra i vari ruoli permetta di ottenere risultati concreti.

Una delle strategie più efficaci per “ripulire” le SERP da questi contenuti spuri è l’utilizzo del parametro udm=14, un vero e proprio search modifier non documentato ufficialmente ma emerso recentemente grazie all’analisi delle query URL da parte della community.

È possibile aggiungere manualmente il parametro udm=14, all’URL di ricerca di Google, forzando il motore a presentare i risultati classici, evitando i blocchi generati dall’intelligenza artificiale, le risposte “sintetiche” e altri elementi UI/UX più recenti come:

Vediamo un esempio pratico provando a fare una ricerca di “pompa di calore”. Il risultato che ci presenta Google è quello visibile nell’immagine riportata.

Se cambiamo l’URL aggiungendo il parametro udm=14, quindi https://www.google.com/search?q=pompa+di+calore&udm=14 otteniamo una ricerca più puntuale e “pulita”. Questo approccio restituisce una SERP molto più simile a quella di 3-4 anni fa, dominata da link diretti a pagine, forum, documentazione ufficiale, ecc.

Un Bookmarklet è un segnalibro speciale che, invece di contenere un semplice URL, contiene codice JavaScript. Quando si clicca sul bookmarklet, il codice viene eseguito sulla pagina web che si sta visitando. In pratica, è uno script “one-click” che modifica il comportamento della pagina senza bisogno di ricorrere a modifiche manuali dell’URL o a estensioni come Tampermonkey o altri plugin che appesantiscono il browser.

Vediamo come procedere:

Cosa fa in pratica?

Dal rollout globale di Google AI Overviews nel maggio 2024, Google ha introdotto anche una nuova sezione fissa denominata WEB.

Cliccando su WEB in pratica avviene la stessa cosa:

Tuttavia, esistono casi in cui l’utilizzo del parametro &udm=14 può rivelarsi utile.

L’utilizzo di &udm=14 è completamente automatizzabile, il che lo rende ideale per:

Il parametro udm=14 applica un comportamento deterministico, ovvero:

Il tab WEB, invece:

Essendo un parametro URL, udm=14:

Infine udm=14 è interoperabile:

Oltre i tecnicismi mi permetto anche una considerazione un po’ più personale e opinabile. La ricerca “pulita” con il parametro &udm=14 è, se vogliamo, un atto di resistenza digitale.

Mi spiego, nel momento in cui Google diventa un oracolo generativo, più attento a prevedere ciò che vogliamo sentirci dire che a mostrare ciò che realmente esiste online, il parametro &udm=14 diventa un gesto piccolo ma rivoluzionario: non farci “raccontare la realtà” ma chiedere di vederla “nuda e cruda”.

Certo, il tab “WEB” è lì, a disposizione di tutti. Ma è un interruttore beneducato: serve a placare chi non vuole l’intelligenza artificiale ma non sa nemmeno bene il perché. &udm=14, invece, è per chi sa cosa sta cercando. Per chi vuole le mani sporche di SERP grezza, senza layer, senza trucco.

“La differenza tra un utente e un analista è che l’utente accetta il risultato, l’analista lo interroga.” mi sembra che dicesse uno di quei nerd che utilizzano solo le interfacce a caratteri Linux.

Per chi lavora con l’informazione, ogni parametro conta. E &udm=14 non è solo una stringa nell’URL: è una chiave di accesso alla verità algoritmica. O, quantomeno, alla sua versione meno decorata.

Entrambe le soluzioni hanno vantaggi e svantaggi, e la scelta dipende da diversi fattori, come il tipo di business, il budget disponibile e le competenze del team di marketing.

Cercheremo di fare qualche considerazione sui punti di forza e le criticità di ciascun approccio, con consigli pratici su quando preferire uno all’altro, posto che ovviamente si potranno adottare approcci misti.

AI: l’Intelligenza Artificiale è ideale per aziende con obiettivi ampi, target diversificati e budget sostanziosi, che possono beneficiare dell’automazione per risparmiare tempo e ottimizzare in modo dinamico. È particolarmente utile quando si utilizzano strumenti avanzati come Smart Bidding e Performance Max.

Gestione manuale: la gestione tradizionale è consigliata per business di nicchia, dove è necessario un controllo approfondito e una personalizzazione delle strategie che l’AI non è in grado di garantire. È la scelta giusta per chi dispone di competenze specifiche o un team dedicato alla gestione delle campagne. La gestione manuale diviene una strada quasi obbligata quando si hanno budget limitati e il tempo necessario per raccogliere dati che siano statisticamente affidabili, richiederebbe tempi troppo lunghi.

Senza nessuna pretesa di completezza o di rilevare “trucchi” miracolosi, mi limito a fornire qualche spunto su cui iniziare a lavorare nel caso si scelga una ottimizzazione manuale.

Gli annunci delle campagne devono essere tutti in stato Eccellente. Per una verifica veloce è sufficiente mostrare nel report degli annunci lo stato dell’annuncio (da Google Ads > Campagne > Annunci selezionare Colonne e aggiungere Efficacia dell’Annuncio).

Possiamo così controllare che tutti gli annunci attivi abbiano l’efficacia dell’annuncio Eccellente.

Se si trovano in altri stati occorre provvedere ad ottimizzarli verificando che:

Attenzione: nel caso si siano bloccate le posizioni di uno o più Titoli o Descrizioni è improbabile che l’annuncio possa essere in stato Eccellente.

Una volta che tutti gli annunci sono in stato Eccellente possiamo passare a verificare il Quality Score. Nel caso in precedenza molti annunci fossero in uno stato non eccellente consigliamo di lasciare passare un po’ di tempo per dar modo a Google di allineare il punteggio di qualità con il nuovo stato degli annunci.

Il Punteggio di qualità (da 1 pessimo a 10 ottimo) è la metrica assegnata da Google Ads ad ogni parola chiave dei gruppi di annuncio e riflette la qualità complessiva dell’esperienza che l’annuncio e la landing page offrono agli utenti in relazione alla parola chiave.

Perché il Quality Score è così importante? Perché influisce direttamente su:

Il punteggio di qualità si basa su tre componenti principali:

La prima cosa è verificarlo mostrando le relative colonne. Nella visualizzazione in cu sono mostrate le parole chiave (Campagne > Segmenti di pubblico, parole chiave e contenuti > Parole chiave per la rete di ricerca) con il tasto Colonne > Punteggio di qualità spuntare Punteggio di qualità, CTR previsto, Esper. Pag. dest. e Pertinenza degli annunci. Eventualmente è possibile vedere anche lo stato inziale del periodo scelto mostrando i corrispondenti con (cron).

Vediamo come può essere migliorato.

1 – Ottimizzare il CTR Previsto

2 – Aumentare la Rilevanza dell’Annuncio

3 – Migliorare l’Esperienza della Landing Page

4 – Monitorare e Analizzare i Dati

5 – Utilizzare Parole Chiave Negative

Il punteggio di qualità non è statico; varia in base alle prestazioni e alle modifiche nel comportamento degli utenti. È buona norma monitorarlo regolarmente e adottare un approccio iterativo per perfezionare ogni aspetto.

Un investimento costante nel miglioramento del Quality Score porta benefici non solo nel breve termine, ma crea una base solida per campagne pubblicitarie di lungo successo.

Per tutte le campagne sulla Rete di Ricerca occorre verificare il CPC (costo per Clic) medio della campagna e poi esaminare l’elenco delle Keyword scelte e ordinare per CPC in ordine decrescente. Nel caso ce ne siano alcune con CPC particolarmente alto abbiamo diverse alternative:

L’interfaccia di GA4 permette di vedere solo una parte dei dati raccolti e spesso è necessario creare report specifici con Looker Studio, o con altri strumenti, ma, la prima cosa da fare, è porsi le domande corrette.

Può essere un buon inizio partire dalle seguenti:

Vediamo come rispondere a queste domande in modo efficace.

Chiariamo innanzitutto cosa dobbiamo intendere con target dal momento che solitamente nel marketing si pensa al Target per il remarketing, o ancora lo si segmenta per canali di acquisizione (ad esempio, ricerca organica, social o referral). Più raramente si suddividono i target in base al comportamento, ai dati demografici o alle conversioni. GA4 ci aiuta anche in questi casi e permette di impostare Custom Audience da utilizzare per la segmentazione.

Tra questi, ad esempio, possiamo raggruppare i visitatori che:

GA4 consente a chi ha ruolo di Editor o Marketer di creare Nuove Audience (Amministrazione > Data Display > Audiences) mediante trigger di target che entrano in gioco quando gli utenti raggiungono alcune soglie di interazione come l’inizio di X sessioni, la lettura di Y articoli o il superamento di Z soglie di conversione.

Con le Audience è possiamo scoprire cosa cercano e con cosa interagiscono i diversi target e come gli utenti navigano sul nostro sito.

Il bello delle Audience di GA4 è che permettono di operare su tutti i dati raccolti.

Viene dunque da chiedersi quali eventi dovremmo impostare sul nostro sito web per una efficace segmentazione.

Molti degli eventi che tracciano il comportamento degli utenti sono raccolti automaticamente da GA4 ma non sono visualizzati e non sono utilizzabili per creare target fino a quando non vengono abilitati con la misurazione avanzata.

Ricordiamo gli eventi raccolti automaticamente che possono essere abilitati per la misurazione avanzata (Amministrazione, Flussi di dati > Web e spuntarli in Misurazione avanzata):

Potrebbe essere utile aggiungere anche altri eventi consigliati, tra cui:

Se questi non bastassero è sempre possibile definire eventi custom.

Si definiscono micro conversioni quelle piccole conversioni che costituiscono i passi necessari per le conversioni più importanti (dette macro-conversioni o più semplicemente conversioni). Nella maggior parte dei casi, basta andare su Amministrazione, cliccare su Eventi e contrassegnare l’evento come conversione.

Ad esempio, si potrebbero misurare le seguenti micro conversioni:

Il passo successivo è associare valori monetari alle micro conversioni in modo da ottimizzare le campagne di marketing, soprattutto quelle Google ADS in cui potremo sfruttare la possibilità di gestire offerte “Massimizza il valore della conversione” ed eventualmente “Imposta un ritorno sulla spesa pubblicitaria target” con un ROAS Target.

Questo è un passaggio che purtroppo è spesso sottovalutato ma è fondamentale per ottimizzare le campagne Google ADS. Infatti se ci limitiamo a importare o configurare in Google ADS le conversioni non abbiamo modo di far percepire a Google il peso da dare loro e rischiamo, ad esempio in un e-commerce, di tener conto solo degli acquisti ma non degli utenti che mettono prodotti nel carrello, si iscrivono alla newsletter o chiedono chiarimento sui prodotti.

Se da una parte Google ADS permette di classificare le conversioni come Principali (su cui ottimizzare le campagne) o Secondarie (che non vengono prese in considerazione per l’ottimizzazione delle campagne), assegnando anche un valore alle conversioni potremo dare il giusto peso alle conversioni principali suddividendole per importanza in base al valore attribuito.

Facciamo un esempio: supponendo che il 20% delle persone che compilano un questionario diventino successivamente clienti, e la transazione media sia di 100 € con una marginalità di 50 €. Allora potremmo associare 10 € (cioè il 20% di 50 €) come valore della compilazione del questionario.

Per aggiungere un valore quando qualcuno ha completato un questionario è sufficiente:

Collegano infine GA4 con Google ADS è possibile vedere l’intero ciclo del cliente, dal clic sugli annunci fino al completamento di micro e macro conversioni.

L’integrazione con Google ADS è fondamentale anche per il remarketing permettendo alle ADS di utilizzare le Audience basate sui target di Analytics di cui abbiamo parlato all’inizio.

GA4 offre diverse raccolte di report basate sulle informazioni fornite durante la configurazione.

Il principale set predefinito di report da esaminare è “Ciclo di vita/Life cycle”, che aiuta a capire ogni fase del percorso del cliente, dall’acquisizione al coinvolgimento, alla monetizzazione e alla retention.

Può essere sostituito dalla raccolta degli obiettivi aziendali in alcune configurazioni in cui è stato selezionato “Aumentare la consapevolezza del marchio”, “Esaminare il comportamento dell’utente”, “Generare lead” o “Generare vendite online” durante la configurazione.

Anche la raccolta Utenti/User, ci aiuta a capire chi utilizza il sito, compresi i dati demografici (ad esempio, età e località da cui navigano) e la tecnologia che utilizzano (ad esempio, versione del browser, versione dell’app).

Nel caso non fossero disponibili nella nostra configurazione si può provare ad accedere alla voce Library (nel menu di sinistra in basso) e abilitarli.

Tramite il menu di sinistra di GA4 con la voce Explore / Esplora si possono generare report partendo da diverse impostazioni:

Se, come me, non vi trovate completamente a vostro agio con i report di GA4, con la sezione Explore o con la customizzazione dei report, il consiglio è di giocare un po’ con Google Looker Studio, la nuova versione di Google Data Studio, che è a disposizione gratuita di tutti gli utenti di Google.

Non è un tool perfetto ma nel 90% dei casi permette di costruire dei buoni report e delle dashboard efficaci con uno sforzo molto contenuto.

Le novità introdotte da Google Analytics 4 (GA4), segnano un passaggio cruciale per professionisti e aziende nel campo dell’analitica web. La messa in pratica dei suggerimenti forniti sono fondamentali per chi desidera sfruttare al meglio le nuove funzionalità di GA4, ottimizzando le strategie di marketing digitale e la comprendere il reale comportamento degli utenti del proprio sito.

Per chi volesse approfondire ulteriormente o avere un supporto in questa attività, potrebbe essere utile considerare un corso specifico su GA4 e Looker Studio, o un affiancamento per la fase di implementazione.