Il GEO Score: Come si misura se un sito è pronto per l'era dei Motori Generativi

Ogni epoca della visibilità digitale ha avuto la propria metrica. Il PageRank è stato quella dei primi venticinque anni di Google: un numero compreso tra zero e dieci che condensava la fiducia che il web aveva in un sito. Ha funzionato perché misurava una cosa reale — i link in entrata — in un mondo in cui i link esprimevano davvero autorità. La Domain Authority di Moz è arrivata dopo, quando l'ecosistema SEO ha avuto bisogno di un surrogato industriale del PageRank originale. Per vent'anni, in una forma o nell'altra, "posizionarsi" ha significato sommare voti passivi.

Il web generativo del 2026 non gioca più a questo gioco. ChatGPT, Claude, Perplexity, Gemini e Copilot non mostrano dieci link blu: generano risposte, scegliendo in tempo reale quali fonti citare e quali ignorare. Il click è diventato un evento raro; la menzione è diventata tutto. In questo mondo, un brand esiste nella misura in cui compare dentro la risposta, non sopra i risultati. E serve una metrica nuova — perché il PageRank e la DA continuano a misurare un web che sta smettendo di esistere.

Questo articolo è un tour attraverso la costruzione del GEO Score — la metrica al centro del motore di scoring di GeoSonar. Non è marketing sulla metrica: è la sua anatomia. Tre pilastri, sedici sotto-metriche, otto tecniche accademiche, nove blueprint per verticale di business, una formula esplicita e riproducibile. Ogni scelta progettuale ha una motivazione, e ogni motivazione poggia su ricerca peer-reviewed o su dati di produzione.

Lo leggete come una specifica tecnica e come un manifesto. Perché il GEO Score è entrambe le cose insieme: un algoritmo e una posizione su cosa conta davvero misurare nel web che sta arrivando.

Un Problema di Misurazione

Prima di una metrica, un problema. Se chiedi a ChatGPT "quali sono le migliori piattaforme SaaS per la contabilità di una PMI italiana?", il modello ti risponde citando un paio di prodotti. Come ha deciso di citare proprio quelli? Non lo sai. E più importante: se sei il fondatore di un terzo prodotto che, oggettivamente, è altrettanto valido ma viene ignorato, cosa puoi fare?

Il problema ha tre componenti che le metriche SEO classiche non colgono:

1. Opacità del meccanismo. Non esiste un dashboard pubblico che dica al brand quale motore lo cita e quale no, con che frequenza, per quali query.
2. Eterogeneità dei motori. ChatGPT pesca dalle testate. Perplexity include YouTube. Claude privilegia contenuti anglofoni autoritativi. Ogni motore ha un suo gusto editoriale misurabile e diverso.
3. Irriproducibilità. Due audit manuali eseguiti a distanza di una settimana dallo stesso consulente producono spesso numeri diversi. La metrica non è comparabile nel tempo né tra clienti.

Il GEO Score nasce per rispondere a queste tre domande insieme. È una metrica deterministica: stessi dati in ingresso, stesso punteggio in uscita, sempre. È configurabile per verticale di business, perché un e-commerce non vive sugli stessi segnali di un publisher editoriale. Ed è riproducibile — ogni valore può essere ricostruito partendo dalle sue componenti, senza ricorrere a magie interne.

Il Modello a Tre Pilastri

L'intuizione di fondo del motore è che la visibilità AI non è una cosa sola. È l'intersezione di tre qualità indipendenti: la leggibilità tecnica del sito, la qualità narrativa del contenuto, e l'autorità percepita dall'esterno.

graph TD
    GEO[GEO Score Complessivo<br/>0 – 100]
    GEO --> INFRA[Infrastructure<br/>peso 0.30]
    GEO --> NARR[Narrative<br/>peso 0.35]
    GEO --> AUTH[Authority<br/>peso 0.35]

Infrastructure (peso 0,30) è la fondamenta tecnica. Il sito è raggiungibile? I crawler AI possono leggerlo? Gli schema JSON-LD sono ben formati? La sitemap è valida? Un sito invisibile tecnicamente non può essere citato anche quando il contenuto è eccellente.

Narrative (peso 0,35) è la qualità del contenuto. Il testo copre gli argomenti chiave per il business? È coerente con la narrativa dichiarata del brand? Implementa le tecniche GEO derivate dalla ricerca accademica? Un sito con infrastruttura perfetta ma contenuti poveri viene letto e scartato.

Authority (peso 0,35) è la validazione esterna. Il brand è menzionato su piattaforme social verificate? È recensito su G2, Capterra, Trustpilot? Viene già citato dai motori AI nelle query branded? Un sito con contenuti eccellenti ma senza autorità esterna fatica a emergere in un ecosistema dove i modelli pescano da top 1K domini.

La scelta di assegnare il 70% del peso a Narrative + Authority — e solo il 30% a Infrastructure — riflette una realtà empirica che i paper di Princeton, del MIT e di Toronto hanno ormai stabilito: i motori AI citano fonti autorevoli con contenuti ricchi, non semplicemente siti tecnicamente perfetti. L'infrastruttura è necessaria ma non sufficiente. Il contenuto e l'autorità sono dove si vince o si perde.

Le Sedici Sotto-Metriche

Ogni pilastro è scomposto in un numero contenuto di sotto-metriche, scelte per essere misurabili oggettivamente e non ridondanti. Cinque per Infrastructure, cinque per Narrative, sei per Authority. Sedici in totale. Ciascuna su scala 0–100.

Infrastructure — il Sostrato Tecnico

Il peso maggiore va a structured_data (0,25). Non è casuale: i motori AI sono divoratori di dati strutturati, perché permettono al modello di estrarre fatti senza dover interpretare testo libero. Un sito con schema Product ben formato viene citato su query di raccomandazione con frequenza sensibilmente maggiore di uno che si affida solo al testo.

La sottile finezza è crawlability. Il motore non misura solo se il bot di Google può entrare: mantiene un registro di oltre ottanta crawler AI classificati per tier — da GPTBot di OpenAI a ClaudeBot di Anthropic a PerplexityBot. Un sito che blocca selettivamente certi bot sta chiudendo la porta a interi motori, e il punteggio lo riflette.

Narrative — la Qualità del Contenuto

La valutazione Narrative utilizza un approccio ibrido euristico + LLM: ogni metrica viene prima calcolata con algoritmi deterministici (keyword matching, fuzzy matching con rapidfuzz), e solo nei casi ambigui — quando il punteggio cade in una zona grigia prestabilita — viene attivata una valutazione LLM via DSPy ChainOfThought per disambiguare. È una scelta ingegneristica precisa: l'euristica dà riproducibilità e velocità, l'LLM dà finezza dove serve davvero. Mai l'LLM da solo, perché non è riproducibile. Mai l'euristica da sola, perché non distingue le sfumature.

Il peso più alto va a semantic_alignment e geo_method_score, entrambi a 0,25. Il primo misura la distanza tra come il brand si descrive e come gli AI lo descrivono. Un disallineamento alto — "noi ci vendiamo come soluzione enterprise" vs "l'AI ti descrive come tool per freelance" — è il tipo di problema che distrugge il posizionamento e che nessuna SEO classica rileva.

Authority — la Validazione Esterna

I due pesi più alti — industry_authority e discovery_citation_rate (0,20 entrambi) — riflettono una scelta strategica. Essere presente sulle piattaforme di review giuste è un segnale strutturale: non stai solo esistendo, stai partecipando al tessuto editoriale del tuo settore. E il discovery rate su query non-branded misura la cosa più importante di tutte: quando l'utente NON cerca te, i motori ti trovano comunque? Questo è il vero KPI del GEO maturo.

La Formula

Matematicamente, il GEO Score è pulito. Ogni pilastro è la somma pesata delle sue sotto-metriche:

P_pillar = Σ (w_i × m_i)

dove w_i è il peso della sotto-metrica i e m_i è il suo valore in 0–100. I pesi sommano sempre a 1,0 dopo normalizzazione.

Il GEO Score complessivo è la somma pesata dei tre pilastri:

GEO Score = 0.30 × P_infra + 0.35 × P_narr + 0.35 × P_auth

Semplice. E intenzionalmente semplice. Una formula complessa con fattori correttivi non-lineari potrebbe guadagnare qualche punto di precisione su benchmark specifici, ma perderebbe due proprietà che valgono più di quella precisione: la comprensibilità — chiunque può ricalcolare il punteggio a mano e capire perché è alto o basso — e la stabilità — non ci sono discontinuità dove un miglioramento minuscolo produce un salto enorme.

Un Esempio Concreto

Applicando il motore a un audit reale di geosonar.ai (blueprint SaaS):

Infrastructure — contributi alle sotto-metriche: structural_presence 100, technical_accessibility 100, structured_data 25, crawlability 100, site_architecture 38. Totale pilastro: 68.3.

Narrative — completeness 47, coherence 80, semantic_alignment 50, factual_density 100, geo_method_score 43. Totale: 58.8.

Authority — quasi tutte le sotto-metriche a 0, solo competitive_visibility a 40. Totale: 7.3.

GEO Score = 0.30 × 68.3 + 0.35 × 58.8 + 0.35 × 7.3 = 20.5 + 20.6 + 2.6 = 43.6

Tier complessivo: POOR. Il punteggio racconta una storia coerente: infrastruttura tecnica solida, contenuto accettabile ma migliorabile, autorità esterna praticamente assente. La priorità di intervento si legge ad occhio: costruire authority. E il detector suggerisce dove — review platform, menzioni, discovery rate per motore.

Le Otto Tecniche GEO di Princeton

Dentro la metrica geo_method_score vive una delle parti più interessanti del motore. I GEO Methods sono le otto tecniche di ottimizzazione editoriale derivate dalla ricerca accademica *GEO: Generative Engine Optimization* di Aggarwal e colleghi (Princeton, KDD '24). Ogni tecnica ha un boost base e un moltiplicatore che varia in base alla posizione SERP del sito su Google.

graph TD
    SERP[Posizione SERP del sito]
    SERP --> HIGH{Posizione 1-10?}
    HIGH -->|Sì| HI[Moltiplicatore 0.55-0.75<br/>impatto marginale]
    HIGH -->|No| MID{Posizione 11-30?}
    MID -->|Sì| MI[Moltiplicatore 1.0<br/>boost base invariato]
    MID -->|No| LO[Moltiplicatore 1.60-2.88<br/>impatto massimo]
    HI --> CALC[Impatto = base_boost × moltiplicatore]
    MI --> CALC
    LO --> CALC

La logica del moltiplicatore codifica una delle scoperte più controintuitive del paper Princeton: se sei già primo su Google, le tecniche GEO aggiungono poco o addirittura ti danneggiano. Se sei fuori dalla top 30 — dove il sito è invisibile alla SEO classica ma il retriever dei motori AI può ancora pescarti — le stesse tecniche producono guadagni anche superiori al 100%. La terra di nessuno della SERP diventa la terra promessa del GEO.

Il motore integra questa curva direttamente nel calcolo, per ogni sito analizzato. Non è una raccomandazione generica "aggiungi statistiche": è un'istruzione calibrata "su questa pagina, in posizione 18, aggiungere Statistics vale un boost di 0.37; aggiungere Cite Sources vale 0.40". La priorità delle raccomandazioni cambia sito per sito.

I Blueprint: Nove Verticali, Nove Geometrie

Qui il motore fa un salto concettuale rispetto a tutti i tool SEO del passato. Non esiste una "formula universale" di ottimizzazione. Un e-commerce non gioca lo stesso gioco di un publisher editoriale. Un brand locale non ha gli stessi segnali di un SaaS globale. Il motore riconosce questa eterogeneità attraverso nove blueprint:

Ogni blueprint sovrascrive solo i pesi che cambiano rispetto alla base. È un sistema sparso: per un SaaS, non serve ridefinire tutti e sedici i pesi — basta dichiarare quali sotto-metriche devono salire o scendere rispetto al default, e il merge ricorsivo della configurazione si occupa del resto. Dopo il merge, ogni sezione viene normalizzata automaticamente (somma dei pesi = 1,0 ± 0,001 di tolleranza).

Perché Local Service È Diverso

Un esempio concreto di perché il blueprint conta. Per un'attività locale — un dentista, un idraulico, un ristorante — il peso di reviews_rating nel blueprint Local Service è 0.304, contro 0.150 del default. Cioè, le recensioni valgono il doppio. Perché? Perché Google AI Overview e Copilot, quando un utente fa una ricerca locale, pesano fortemente le recensioni verificate. Un ristorante con 4,7 stelle e 380 recensioni viene citato; uno con 5,0 stelle e 12 recensioni viene ignorato. L'algoritmo lo sa; il blueprint lo riflette.

Simmetricamente, per un Publisher editoriale, il peso di reviews_rating crolla a 0.048 — quasi nullo. Un giornale non vive di recensioni su Trustpilot. Vive di citazioni da altri media. Per questo, nel blueprint Publisher, external_mentions e industry_authority sono pompati.

La stessa formula. Diversi punti di equilibrio. Un motore, nove geometrie.

La Pipeline di Configurazione

Tecnicamente, tutto questo poggia su una pipeline a tre livelli con merge ricorsivo:

graph TD
    L1[Livello 1: base.toml<br/>pesi di default]
    L2[Livello 2: formulas/v1.toml<br/>override formula]
    L3[Livello 3: blueprints/saas.toml<br/>override verticale]
    L1 --> M1[Deep merge]
    L2 --> M1
    M1 --> M2[Deep merge]
    L3 --> M2
    M2 --> NORM[Normalizzazione<br/>somma pesi = 1.0]
    NORM --> VAL[Validazione Pydantic]
    VAL --> FROZEN[ScoringConfig<br/>dataclass immutabile]

La configurazione finale è una dataclass frozen: immutabile, tipizzata, validata da Pydantic. Qualsiasi tentativo di calcolare un punteggio con parametri inconsistenti — pesi che non sommano a 1.0, soglie non decrescenti, tier sovrapposti — fallisce in fase di validazione, prima di produrre qualsiasi output. La garanzia è strutturale, non fiduciaria.

Il Visibility Score: la Metrica Complementare

Accanto al GEO Score vive un punteggio separato che misura una cosa specifica e diversa: su quanti motori AI il brand viene citato nelle query branded.

Visibility = motori_che_citano × 20

Con cinque motori (Perplexity, ChatGPT, Gemini, Claude, Copilot), ogni motore vale venti punti. Il massimo è cento.

Il Visibility Score è intenzionalmente non incluso nel GEO Score. Sono due metriche distinte perché misurano due cose distinte. Il GEO Score misura il potenziale: quanto è ottimizzato il sito per essere citato. Il Visibility Score misura lo stato attuale: quanti motori effettivamente lo citano. Un sito può avere GEO Score alto e Visibility basso — significa che l'ottimizzazione c'è ma il segnale non è ancora percepito. Oppure GEO Score basso e Visibility medio — significa che il brand sta vivendo di rendita passata, e il calo è dietro l'angolo.

Leggere le due metriche insieme è il vero modo di capire dove si trova un brand nel ciclo di vita GEO.

L'Architettura del Motore

L'implementazione tecnica segue una separazione netta a due layer.

Layer 1 — Calculator puri: ogni funzione compute_* prende dati audit grezzi (dict crawler, social, citation) e produce (score, findings). Sono funzioni deterministiche nel senso forte: nessuno side effect, nessuna dipendenza da stato, nessuna latenza esterna. Un test di regressione è banale: stesso input → stesso output, always.

Layer 2 — Aggregation: prende le sedici sotto-metriche già calcolate come DataFrame Polars, applica la somma pesata per pilastro, calcola il punteggio complessivo, assegna i tier qualitativi. Tutto l'algebra avviene in Polars — velocissimo, vettoriale, con supporto nativo per batch da centinaia di migliaia di righe.

graph TD
    INPUT[Input: audit JSON<br/>16 sotto-metriche]
    LOAD[load_config<br/>formula + blueprint]
    BUILD[build_metrics_row<br/>DataFrame Polars 1×16]
    PILLARS[score_pillar × 3<br/>somma pesata per pilastro]
    OVERALL[score_overall<br/>somma pesata 3 pilastri]
    TIERS[assign_tier × 4<br/>tier per pilastro + overall]
    OUTPUT[Output: DataFrame<br/>16 input + 3 pilastri + overall + 4 tier]
    INPUT --> LOAD
    LOAD --> BUILD
    BUILD --> PILLARS
    PILLARS --> OVERALL
    OVERALL --> TIERS
    TIERS --> OUTPUT

Chi integra il motore può chiamare direttamente Layer 2 se ha già calcolato le sotto-metriche, oppure usare Layer 1 per derivarle da dati grezzi. Non c'è accoppiamento forzato tra i due layer. È un prodotto componibile.

Serializzazione e Output

Il risultato può essere serializzato in quattro formati, ciascuno con un caso d'uso preciso:

• JSON — schema v1.0.0, per API e documentazione umana
• Parquet — con partizionamento opzionale per blueprint/tier, per storage e analisi a grandi volumi
• TOON — formato compatto per contesto LLM, 30–60% di risparmio token
• NDJSON — per streaming e append continuo

Il formato TOON merita una nota. È progettato specificamente per essere passato a un LLM come contesto in un prompt — cioè per chiudere il cerchio: il motore calcola il GEO Score, il risultato alimenta un agente di raccomandazione, l'agente propone azioni al brand, il brand implementa, il motore ri-calcola. È l'anello tra misurazione automatica e azione guidata.

La Tiering Qualitativa

Ogni punteggio — pilastro o complessivo — viene classificato in un tier leggibile anche da chi non ha mai aperto un documento tecnico:

Il tier è un dispositivo di comunicazione. Un GEO Score di 67 non dice nulla a un CMO; un tier "Fair" dice molto. Significa che il sito esiste nella conversazione AI ma è marginale. Significa che investire trenta giorni di lavoro redazionale può spostarlo a "Good". Significa che l'asticella è raggiungibile, e il percorso è chiaro.

La forza dei tier sta nel fatto che non sono estetica: le soglie sono state calibrate su distribuzioni reali di punteggi, con la proprietà che passare da un tier all'altro richiede un intervento sostanziale, non cosmetico. Non esiste il "Fair appena sopra la soglia" come stato stabile — è una posizione transitoria, o si scivola giù o si sale.

Cosa Rende Diverso Questo Motore

Ricapitolando, il GEO Scoring Engine poggia su cinque proprietà che raramente si trovano tutte insieme negli strumenti di visibilità AI disponibili oggi.

Primo — è deterministico. Stesso input, stesso output. Riproducibile settimana dopo settimana, cliente dopo cliente. Non dipende da modelli black-box il cui comportamento cambia con gli aggiornamenti di OpenAI o Anthropic. Ogni punto del punteggio può essere ricostruito partendo dai dati grezzi.

Secondo — è trasparente. La formula è pubblica. I pesi sono pubblici. I blueprint sono pubblici. Qualcuno che vuole capire perché un sito ha ottenuto 43,6 e non 67 può aprire il file di configurazione, leggere le soglie, verificare i contributi di ogni sotto-metrica.

Terzo — è fondato su ricerca. Le otto tecniche GEO vengono dal paper di Princeton (2024). I pattern di citazione cross-engine vengono dal paper MIT (2026). La struttura del web del retrieval viene dagli studi di Toronto (2025). Non è opinione: è sintesi di evidenza peer-reviewed.

Quarto — è verticale-aware. Nove blueprint coprono la grande maggioranza dei casi d'uso reali — dal SaaS all'e-commerce al publisher all'attività locale. Ogni blueprint riflette le priorità effettive di quel mercato, calibrate sul comportamento osservato dei motori AI in quel verticale.

Quinto — è componibile. Layer 1 e Layer 2 sono separati. Puoi usare solo il layer di aggregazione, o solo i calculator. Puoi serializzare in quattro formati. Puoi partizionare. Puoi fare streaming. Non ti obbliga a un unico flusso.

La Visione di Fondo

Il GEO Score non è un numero elegante per il dashboard di un report trimestrale. È un dispositivo di decisione. Ogni settimana, un brand che lo monitora sa in quale tier si trova, quali sotto-metriche lo stanno trascinando giù, quale azione specifica — derivata da uno dei nove blueprint e dalle otto tecniche di Princeton — è la prossima da intraprendere.

Più profondamente, il GEO Score è una dichiarazione di posizione sulla natura del web che stiamo costruendo. Dice che la visibilità nel 2026 non è un'emergenza spontanea di qualità — è il risultato misurabile di scelte deliberate, ingegnerizzate, ripetute nel tempo. Dice che chi costruisce contenuti oggi deve avere una metrica che parla direttamente ai motori che li leggeranno. Dice che l'era del "pubblica bene e sarà Google a trovarti" è finita.

Il PageRank ha definito il web per vent'anni perché ha dato a chi pubblicava un feedback loop comprensibile: più link, più visibilità. Il GEO Score nasce con l'ambizione di fare la stessa cosa per la prossima epoca: più precisione editoriale, più autorità strutturata, più copertura cross-engine, più visibilità dentro la risposta sintetica.

Tre pilastri. Sedici sotto-metriche. Otto tecniche di Princeton. Nove blueprint. Una formula esplicita. È molto. È anche tutto quello che serve per iniziare a giocare questo nuovo gioco con la stessa serietà con cui abbiamo giocato il precedente.

E, come ogni metrica fatta bene, ha una caratteristica che vale più della somma delle sue parti: è ricalcolabile a mano. Chi lo usa può guardare i numeri, capire perché sono quelli, e sapere cosa fare. In un'era in cui tutto tende all'opacità algoritmica, questa è una posizione morale oltre che tecnica.

Il GEO Score è quella posizione, espressa in matematica.

Riferimenti accademici: Aggarwal et al., [GEO: Generative Engine Optimization](https://arxiv.org/abs/2311.09735), Princeton KDD '24.