Ottimizzazione LLM: Ottimizza gli Input, Non la Scatola Nera

Cerchi "LLM optimization" e i risultati non riescono ad accordarsi su cosa hai chiesto. Metà della pagina è ingegneria del machine learning — quantizzazione, KV cache, costo dell'inferenza. L'altra metà è marketing — «fare in modo che ChatGPT parli del vostro brand» — e la maggior parte di essa ti propone lo stesso rituale: scrivi prompt in ChatGPT, guarda se il tuo nome salta fuori, cambia qualcosa, riscrivi i prompt. Questo rituale ha un difetto fatale. Non si può ottimizzare una scatola nera lanciando prompt a caso. Si può solo ottimizzare gli input che essa recupera — fatti strutturati, estraibili, corroborati, su pagine che già hanno autorevolezza — e poi misurare se davvero viene citato.

Questa guida riguarda il secondo significato del termine — LLM optimization per visibilità, non per costo dell'inferenza — praticato come disciplina di ingegneria invece di lettura divinatoria. Si inserisce sotto il nostro pilastro AI search e si appoggia ai suoi fratelli per approfondire: answer engine optimization per le tattiche di citazione, e closed-loop SEO per la meccanica di verifica. Ciò che questo articolo aggiunge è l'argomento che le pagine in ranking saltano: il modello non è la superficie su cui lavori. È il livello di retrieval.

"LLM optimization" significa due cose diverse

La SERP live di Google per questa esatta parola chiave rende la divisione visibile. Mirantis e la documentazione per sviluppatori OpenAI rankano per ottimizzare il modello — rendere l'inferenza più veloce ed economica. Semrush e Conductor rankano per ottimizzare per il modello — fare apparire un brand nelle risposte AI. Un AI Overview siede sopra tutti loro, non c'è featured snippet, e il box People-Also-Ask porta entrambi gli intenti insieme. Gli engine stessi non hanno deciso cosa significhi questa query, che è esattamente il motivo per cui la maggior parte dei contenuti scritti per essa è confusa.

Vale la pena sapere prima di investire: la parola chiave stessa attira circa 720 ricerche al mese con una keyword difficulty di 1 — domanda reale e in crescita con quasi nessuna autorità già stabilita sul significato legato alla visibilità. La categoria è abbastanza giovane che il consiglio standard non si è ancora cristallizzato in niente di buono. È un'opportunità e un avvertimento su ciò che leggerai altrove.

Perché il "prompt guessing" non è ottimizzazione

Il workflow LLMO predefinito — domanda a ChatGPT della tua categoria, nota se appari, adatta la copia, domanda di nuovo — sembra empirico. Non lo è, per quattro ragioni strutturali. Gli output sono non deterministici: lo stesso prompt restituisce risposte diverse in diverse esecuzioni, quindi una menzione che appare o scompare tra martedì e giovedì non ti dice nulla di ciò che hai effettivamente cambiato. Gli output sono personalizzati e dipendenti dal contesto: ciò che il modello dice nella tua sessione, con la tua storia, non è quello che dice nella sessione di un prospect. I modelli si aggiornano silenziosamente: uno spostamento nelle risposte potrebbe essere una nuova versione del modello, un nuovo comportamento di retrieval, o un nuovo system prompt — nessuno dei quali tu hai causato. E il campione è disperatamente piccolo: dieci prompt scritti a mano contro una superficie che gestisce milioni di formulazioni non è una misura, è un'aneddoto.

Una menzione che appare tra martedì e giovedì non prova nulla su ciò che hai rilasciato. Output non deterministici non possono essere il tuo segnale di feedback — gli input e le citazioni possono.

Niente di questo significa che le risposte AI sono inconoscibili. Significa che l'output del modello è il livello sbagliato su cui lavorare. Ogni answer engine consumer-facing che conta — gli AI Overviews e AI Mode di Google, Perplexity, ChatGPT quando naviga, Claude quando è connesso al web — compone le sue risposte da documenti recuperati. Il retrieval non è una scatola nera. È lo stesso web osservabile, rankable, misurabile su cui già lavori. Il modello è lo chef; non si ottimizza lo chef. Si ottimizza ciò che c'è in dispensa.

Ottimizza gli input, non il modello

Lavorare il livello di input significa fare in modo che le vostre pagine siano i documenti che un passo di retrieval seleziona e che un passo di sintesi può citare con sicurezza. Tre proprietà decidono questo, approssimativamente nell'ordine di quanto spesso sono il collo di bottiglia.

Struttura estraibile

Un modello che compone una risposta sotto un budget di token raggiunge per passaggi che può sollevare con minima riscrittura. Questo premia una forma specifica: un heading formulato come la domanda, seguito immediatamente da una risposta self-contained di 40-60 parole, seguita dalle prove. Un'idea per paragrafo. Definizioni affermate direttamente, non suggerite. Schema — FAQPage, Article con autore nominato, HowTo dove genuino — così l'engine può classificare ogni passaggio senza indovinare. Il trattamento tattico completo vive nella guida AEO; il principio qui è che la struttura non è cosmetica. È la differenza tra una pagina che un modello può citare e una che salta per una che può.

Fatti corroborati

I motori di sintesi si controllavano a vicenda. Un'affermazione che appare una volta, sul vostro sito, nelle vostre parole, è un candidato. La stessa affermazione affermata coerentemente sul vostro sito, sulla vostra documentazione, menzioni di terze parti, e dati strutturati è un fatto che il modello può ripetere senza rischio — e i modelli sono costruiti per minimizzare il rischio di ripetere qualcosa di sbagliato. Ecco perché la coerenza dell'entità conta più in LLMO di quanto non l'abbia mai fatto in SEO classico: l'engine non sta rankando la vostra pagina, sta decidendo se affermare la vostra affermazione. Le contraddizioni tra la vostra pagina dei prezzi e i vostri documenti, o tra il vostro sito e i vostri elenchi di directory, vi squalificano silenziosamente. Le affermazioni distintive e attribuibili — un numero specifico, un metodo nominato — sopravvivono meglio la sintesi, perché il modello ha qualcosa di concreto da accreditare.

Autorevolezza della pagina host

Il retrieval non campiona il web uniformemente. I motori di ricerca live traggono molto da quello che già rankia; il set di fonti di Perplexity è visibilmente modellato dai risultati di ricerca convenzionali, e la modalità browsing di ChatGPT si comporta allo stesso modo. Una pagina perfettamente strutturata, completamente corroborata su un sito senza autorevolezza è un barattolo ben etichettato in una dispensa che lo chef non apre mai. Questa è la parte meno alla moda dell'LLM optimization e la più importante: l'accumulo noioso di profondità topicale, collegamento interno, e autorità guadagnata è quello che mette le vostre pagine nel set di retrieval.

Il ranking è ancora il biglietto di ingresso

L'errore più comune nell'LLMO è trattare la visibilità AI come una porta di fuga dalla SEO — come se un sito che non riesce a rankare potesse comunque essere citato. La dipendenza corre nell'altra direzione. Poiché il retrieval si appoggia sulla ricerca, la tua posizione organica classica è il tuo biglietto di ingresso alla risposta; la struttura e la corroborazione decidono quindi se sei citato una volta che sei nella stanza. Un sito senza ranking non ha alcuna presenza nel retrieval, e nessun prompt engineering cambia questo.

Ma tenere un ranking non garantisce più la ricompensa, e un esempio anonimizzato mostra entrambi i lati insieme. Su una proprietà che abbiamo controllato, una query commerciale si trovava a una posizione media di 6,5 — prima pagina, comodamente dentro qualsiasi set di retrieval — e raccoglieva 952 impression su 90 giorni per esattamente zero click. La pagina veniva mostrata e mai scelta: presente nella stanza, citata da nessuno, cliccata da nessuno. Questo è il modello zero-click che la nostra guida zero-click SEO analizza in dettaglio, ed è il gap preciso che l'LLM optimization esiste per chiudere. Il ranking ha ottenuto il retrieval della pagina. Nulla della sua struttura l'ha resa la fonte che la risposta ha utilizzato.

Il loop di misurazione è il punto

Ecco la tesi in una riga: lavoro di input senza un loop di misurazione è solo una diversa varietà di indovinare. Ristrutturare una pagina per essere estraibile è un'ipotesi — «questo cambiamento farà sì che questa pagina sia citata per queste domande» — e un'ipotesi senza una metrica impegnata e una data di ri-lettura è indistinguibile dal rituale di prompt che ha sostituito. Quello che separa l'LLM optimization dalla superstizione dell'LLM non è quali tattiche scegli. È se ogni cambiamento viene spedito con un modo per scoprire se ha funzionato.

L'onestà richiede di dire che la misurazione delle citazioni è imatura. Non c'è Search Console per ChatGPT. Ma gli indicatori iniziali sono reali, leggibili e specifici abbastanza per giudicare singoli cambiamenti — purché ti impegni per loro prima che il cambiamento venga spedito, la disciplina che la nostra guida SEO KPIs chiama movimento causale verificato.

Un loop di LLM optimization che funziona

Metti insieme i pezzi e la disciplina corre come un loop — la stessa forma find → fix → verify che la nostra guida closed-loop SEO descrive, puntato alle citazioni invece che ai click. Find: estrai Search Console per query a forma di domanda dove sei mostrato ma non scelto — impression senza click, ranking senza ricompensa. Fix: rendi la pagina target estraibile e le sue affermazioni corroborate, e registra esattamente cosa è cambiato e quando. Commit: prima di spedire, scrivi la metrica che giudicherà il cambiamento e la soglia che conta. Verify: approssimativamente tre settimane dopo, ri-leggi quella metrica esatta su quella query esatta, insieme allo spot-check di citazione programmato. Confermato, diventa evidenza su ciò che funziona sul tuo sito; fallito, la diagnosi si riaprة — il che è anche un risultato.

Eseguito onestamente, il loop produce l'unica cosa che il rituale del prompt non può mai fare: un record accumulativo e specifico del sito di quali cambiamenti di input guadagnano effettivamente citazioni — riscritti answer-first confermati su domande commerciali, aggiunte di schema che non hanno mosso nulla, correzioni di corroborazione che hanno fatto. Quel record è quello che rende il ciclo successivo più intelligente dell'ultimo. Il loop è anche un lavoro burocratico senza tregua — metriche impegnate, timestamp, ri-letture a tre settimane attraverso dozzine di cambiamenti aperti — per questo è adatto a un agent e sconfigge la vigilanza. È precisamente il tipo di lavoro che il modello agentic SEO esiste per eseguire.

Dove LLMO si siede accanto ad AEO e GEO

Il vocabolario si sta ancora assestando, e i tre termini si sovrappongono più di quanto i loro sostenitori ammettano. AEO — answer engine optimization — ottimizza per essere la risposta citata a una domanda; la sua unità di successo è una citazione in una risposta sintetizzata. GEO — generative engine optimization — è la cornice più ampia: inclusione e rappresentazione accurata dell'entità attraverso output generativi in generale, non solo risposte dirette. LLM optimization, come il mercato usa il termine, è meglio letto come l'ombrello su entrambi — con la trappola che il suo nome punta la tua attenzione al modello, l'unica cosa che non puoi toccare. Qualsiasi etichetta vinca, il lavoro sottostante è identico: struttura gli input, corrobora i fatti, guadagna l'autorevolezza, e misura le citazioni. Scegli il termine che i tuoi stakeholder riconoscono e esegui lo stesso loop.

Da dove iniziare: leggi le tue evidenze di retrieval

La prima mossa non è un acquisto di strumento e non è una sessione di prompt. È leggere l'evidenza di retrieval che già possiedi: il record di Search Console di ogni query dove gli engine mostrano le vostre pagine, e il gap tra quanto spesso siete mostrati e quanto spesso siete scelti. Le query con tante impression e zero click sono il tuo backlog di LLM optimization, già prioritizzato dalla domanda. Un report SEO gratuito esegue quel passo di find rispetto ai tuoi dati reali — accedi con Google, connetti Search Console, e vedi quali pagine vengono recuperate e ignorate. Se preferisci che l'intero loop sia eseguito per te — input ristrutturati, metriche impegnate, risultati verificati su un programma — prenota una call e cammineremo attraverso come sembra sul tuo sito.