Qualche giorno fa ho visto un direttore marketing fissare la dashboard di Analytics con un’espressione confusa.

Le sessioni organiche dal motore di ricerca erano in calo costante da mesi. Secondo le vecchie regole del gioco, avrebbe dovuto esserci una crisi in corso. Eppure, le richieste di preventivo erano aumentate.

Per vent’anni, noi che facciamo questo mestiere abbiamo vissuto aggrappati a un’equazione rassicurante e lineare: il traffico era semplicemente il volume delle ricerche moltiplicato per il tasso di clic (CTR). Più persone cercavano un problema, più probabilità avevamo di intercettarle.

Poi sono arrivate le AI Overviews e le risposte sintetiche direttamente in pagina. Da un giorno all’altro, le persone hanno iniziato a ottenere risposte esaustive senza mai visitare i nostri siti. Possono confrontare i prezzi senza entrare in un e-commerce e farsi spiegare concetti complessi senza aprire un blog di settore.

Il clic sta diventando una rarità.

Ma se l’attenzione scende, perché alcuni siti continuano a macinare utili?

La verità è che stiamo misurando un fenomeno nuovo con un metro vecchio.

Dal traffico alla dinamica dei sistemi: la fine del SEO tradizionale

La maggior parte delle analisi moderne continua a osservare una singola variabile di output: il traffico ([math]T[/math]). Il problema è che, nell’ecosistema della ricerca del 2026, il traffico è solo la punta di un iceberg molto complesso.

Oggi un SEO Specialist “puro” fa fatica a spiegare questi cali ai clienti. Stiamo assistendo alla nascita del SEO Data Scientist: una figura che non ottimizza più soltanto per i tag title, ma costruisce modelli predittivi per capire come l’Intelligenza Artificiale distribuirà l’attenzione.

Per descrivere questo ecosistema, dobbiamo introdurre quattro forze fondamentali:

• [math]Q[/math] (Search Demand): La domanda di ricerca complessiva.
• [math]AI[/math] (AI Penetration): La diffusione delle risposte generative in SERP.
• [math]V[/math] (Organic Visibility): La visibilità organica tradizionale.
• [math]SOC[/math] (Share of Citation): La quota di citazioni ottenute all’interno delle risposte AI.

La vecchia equazione ([math]T = Q \times CTR[/math]) va in pensione. La nuova formula che governa i mercati digitali diventa:

[math]T = Q \times CTR(AI) \times V(SOC)[/math]

Non stiamo più descrivendo una banale macchina di acquisizione traffico. Stiamo modellando un sistema dinamico dove il CTR è una variabile dipendente dall’AI e la visibilità è amplificata dall’autorevolezza semantica.

Modellare l’erosione algoritmica e lo Share of Citation

Possiamo rappresentare matematicamente l’erosione del clic come:

[math]CTR(AI) = CTR_0 (1 – k \cdot AI)[/math]

Dove [math]k[/math] rappresenta la sensibilità di quella specifica SERP agli zero-click (alcuni settori perdono clic molto più velocemente di altri). Il significato economico è spietato: quando la penetrazione AI aumenta, il bacino di clic disponibili diminuisce. L’attenzione dell’utente viene esaurita prima di poter compiere un’azione.

Eppure, alcuni siti prosperano. Perché? Perché l’intelligenza artificiale non distribuisce attenzione in modo casuale: distribuisce fiducia.

Nasce così il concetto fondamentale di Share of Citation (SOC).

[math]V(SOC) = V_0 (1 + SOC)[/math]

Due siti con lo stesso identico ranking classico possono avere performance di business completamente differenti se uno viene citato sistematicamente dall’AI come fonte primaria e l’altro no. La visibilità non coincide più con il posizionamento. Coincide con la probabilità matematica di essere validati dall’algoritmo generativo.

Un esperimento mentale: HealthTech contro Fast Fashion

Per rendere tangibile questo concetto, consideriamo le dinamiche economiche di due mercati diametralmente opposti.

Mercato A: HealthTech (Telemedicina)

Pensa a un portale di salute digitale. L’aumento dell’interesse verso la prevenzione genera un’enorme espansione della domanda di ricerca (+70%). L’AI Overviews intercetta le query informazionali (es. “sintomi pressione alta”) causando un crollo del CTR (-35%). Tuttavia, l’LLM cita costantemente questo portale come fonte medica autorevole (SOC +25%).

Il risultato? Il traffico grezzo scende, ma le poche persone che cliccano sono estremamente qualificate. Entrano nel sito esclusivamente per prenotare una visita. Il sistema, pur perdendo clic, produce crescita economica.

Mercato B: E-commerce Fast Fashion

Pensa ora a uno store di abbigliamento economico. La domanda per “magliette estive gialle” è stagnante (+2%). L’AI di Google risponde alla query generando direttamente caroselli visivi e confronti di prezzo in SERP (CTR -40%). Il brand, non avendo lavorato sull’autorevolezza, non viene citato dai motori generativi (SOC +5%).

Il risultato? La perdita di CTR non viene compensata né dalla domanda né dall’autorevolezza. Il traffico entra in una fase di contrazione strutturale profonda.

La differenza tra queste due aziende non è tecnologica. È puramente economica e strutturale.

Il SEO Resilience Index (SRI)

Per valutare la capacità di una nicchia di sopravvivere all’era degli zero-click, ho definito un indicatore sintetico: il SEO Resilience Index (SRI).

[math]SRI = g_Q + g_V + SOC – L_{CTR}[/math]

Dove:

• [math]g_Q[/math] = crescita percentuale della domanda
• [math]g_V[/math] = crescita percentuale della visibilità storica
• [math]SOC[/math] = Share of Citation (percentuale di citazioni ottenute)
• [math]L_{CTR}[/math] = perdita percentuale del CTR

Questo indice non misura banali visite. Misura la capacità strutturale di sopravvivere ai cambiamenti della SERP.

Modellare la SEO in Python: il Simulatore SRI

Un data scientist non si limita a descrivere un fenomeno: lo modella per prevederne i comportamenti.

Se il traffico organico dipende davvero dall’interazione tra domanda, AI, visibilità e citazioni, possiamo costruire un simulatore in Python per testare la resilienza di un progetto.

import pandas as pd

class SEOEconomicsModel:

    def __init__(
        self,
        query_volume,
        ctr_base,
        visibility,
        ai_penetration,
        erosion_coeff,
        share_of_citation,
        demand_growth
    ):
        self.query_volume = query_volume
        self.ctr_base = ctr_base
        self.visibility = visibility
        self.ai_penetration = ai_penetration
        self.erosion_coeff = erosion_coeff
        self.share_of_citation = share_of_citation
        self.demand_growth = demand_growth

    def effective_ctr(self):
        # Il CTR si riduce in base alla penetrazione dell'AI e al coefficiente di erosione
        return self.ctr_base * (1 - self.erosion_coeff * self.ai_penetration)

    def adjusted_visibility(self):
        # La visibilità base viene amplificata dalle citazioni ottenute (SOC)
        return self.visibility * (1 + self.share_of_citation)

    def traffic(self):
        query_adjusted = self.query_volume * (1 + self.demand_growth)
        return query_adjusted * self.effective_ctr() * self.adjusted_visibility()

    def sri(self):
        # Calcolo del SEO Resilience Index
        ctr_loss = (self.ctr_base - self.effective_ctr()) / self.ctr_base
        visibility_growth = (self.adjusted_visibility() - self.visibility) / self.visibility
        
        return self.demand_growth + visibility_growth + self.share_of_citation - ctr_loss


def scenario_analysis():
    scenarios = []

    # Condizioni iniziali del mercato simulato
    query_volume = 100000
    ctr_base = 0.15
    visibility = 0.40
    demand_growth = 0.30  # +30% crescita della domanda
    erosion_coeff = 0.50  # Sensibilità media della SERP agli zero-click

    for ai in [0, 0.2, 0.4, 0.6, 0.8]:
        soc = ai * 0.25  # Assumiamo che il SOC cresca all'aumentare dell'AI

        model = SEOEconomicsModel(
            query_volume=query_volume,
            ctr_base=ctr_base,
            visibility=visibility,
            ai_penetration=ai,
            erosion_coeff=erosion_coeff,
            share_of_citation=soc,
            demand_growth=demand_growth
        )

        scenarios.append({
            "AI Penetration": f"{ai:.0%}",
            "SOC": f"{soc:.0%}",
            "CTR Effettivo": round(model.effective_ctr() * 100, 2),
            "Traffico": round(model.traffic()),
            "SRI": round(model.sri() * 100, 2)
        })

    return pd.DataFrame(scenarios)

if __name__ == "__main__":
    df = scenario_analysis()
    print(df.to_string(index=False))

AI Penetration SOC  CTR Effettivo  Traffico  SRI
            0%  0%           15.0      7800 30.0
           20%  5%           13.5      7371 30.0
           40% 10%           12.0      6864 30.0
           60% 15%           10.5      6279 30.0
           80% 20%            9.0      5616 30.0

Il Paradosso delle AI Overviews: meno traffico, più fatturato

Continuare a giudicare il lavoro organico solo dal traffico oggi è cecità manageriale. Se il tuo Chief Marketing Officer si ferma alla riga delle “Sessioni” per valutare la salute digitale del brand, sta guidando guardando lo specchietto retrovisore.

Le AI Overviews fungono da filtro. Tendono a eliminare alla radice il traffico informazionale superficiale, le visite accidentali e gli utenti non in target che cercavano risposte banali.

Di conseguenza, i visitatori che continuano a compiere lo sforzo di cliccare sul tuo link sono profondamente diversi rispetto al passato: sono più informati, estremamente qualificati e molto più vicini alla conversione finale. Ecco spiegato perché oggi è assolutamente normale osservare simultaneamente un traffico in calo, ma lead e fatturato in crescita.

soc = ai * 0.10

soc = ai * 0.25

soc = ai * 0.40

💡 Perché questo modello cambia le regole del gioco

L’esercizio Python che abbiamo appena visto non è pura speculazione accademica, ma uno strumento operativo con implicazioni dirette per chi gestisce budget aziendali.

Fino a ieri, la SEO era deterministica e retrospettiva: si guardavano i dati storici per correggere gli errori del passato. Questo script introduce invece l’era della SEO stocastica e predittiva.

La peculiarità di questo codice sta nell’isolare erosion_coeff (la sensibilità algoritmica ai risultati zero-click). Un data analyst può utilizzare questo script per:

• Difendere i budget organici: Dimostrando al direttivo che un calo del 20% del traffico, in un mercato con AI Penetration al 60%, è in realtà una performance di eccellenza protetta da un SRI positivo.
• Prevedere i ricavi: Moltiplicando l’output del “Traffico” per il tasso di conversione storico depurato dagli utenti superficiali.
• Valutare acquisizioni (M&A): Prima di comprare un portale editoriale o investire in una nuova nicchia, si può far girare la scenario_analysis() per calcolare matematicamente se quel settore subirà a breve un “rischio sistemico” letale a causa delle intelligenze artificiali.

La SEO sta smettendo di essere una disciplina basata sulle posizioni. Sta diventando una disciplina basata sull’influenza algoritmica.

Nell’era dell’intelligenza artificiale, il capitale più prezioso per un’azienda non è più il clic ottenuto.

È la probabilità matematica di essere citati.