Schede prodotto in italiano per gli assistenti AI: cosa dice E-GEO e cosa non può dire

Dati e rapporti · Versione 1.0 · Pubblicato il 9 ottobre 2026 · Aggiornato il 9 ottobre 2026 · di Alessio Di Rubbo

Quando un assistente AI consiglia un prodotto, sceglie fra pochi candidati e li mette in ordine. E-GEO, uno studio di ricercatori del MIT e della Columbia, ha misurato quali riscritture della scheda prodotto fanno salire un articolo in quella classifica. Il risultato più utile per chi vende è controintuitivo: le tecniche di marketing peggiorano la posizione, mentre una descrizione fattuale, ordinata e scritta con le parole di chi compra la migliora. Lo studio però è stato fatto solo in inglese. Questa pagina riassume cosa ha misurato, cosa se ne può ricavare per le schede in italiano e dove finiscono i dati e cominciano le mie deduzioni.

Cosa ha misurato lo studio

Gli autori hanno raccolto 13.747 richieste d’acquisto scritte in linguaggio naturale, ricavate da un forum di Reddit dedicato ai prodotti durevoli, e hanno abbinato a ciascuna 10 prodotti presi da Amazon¹. Le richieste sono lunghe, in media circa 59 parole, come quelle che si scrivono a un assistente: budget, uso previsto, esperienze con prodotti precedenti.

Per ogni richiesta, un modello linguistico ordina i 10 prodotti dal primo al decimo posto. Lo studio riscrive la descrizione di uno dei dieci e misura di quante posizioni si sposta. Per evitare risultati validi per un solo sistema, la classifica è stata calcolata con cinque modelli diversi: GPT-5, Claude Sonnet 4.5, Gemini 3 Flash, DeepSeek V3.2 e Llama 4 Maverick. Tutti i valori di questa pagina sono medie su 2.000 richieste di test, espresse in posizioni su 10.

Cosa peggiora la posizione

Gli autori hanno provato 15 strategie di riscrittura ispirate ai consigli GEO più diffusi, tutte affidate allo stesso modello, GPT-4.1. Undici su quindici hanno dato risultati peggiori di una semplice richiesta di «ottimizzare la descrizione»². Alcune hanno fatto scendere il prodotto in modo netto:

Le uniche strategie che hanno tenuto il passo della richiesta semplice sono state un’aggiunta di domande frequenti, la formattazione con titoli ed elenchi, l’enfasi sui vantaggi distintivi e un formato che imita le risposte dei modelli. Anche nel migliore dei quattro casi il vantaggio è stato minimo, meno di due decimi di posizione.

Due risultati smentiscono convinzioni diffuse. Allungare il testo non serve: la correlazione fra lunghezza aggiunta e miglioramento è praticamente nulla, e GPT-5, fra i due riscrittori più efficaci, accorciava le descrizioni di circa 14 parole. Un elenco puntato aiuta, ma poco: in media circa un quarto di posizione³.

Cosa la migliora

Gli autori hanno poi lasciato che un algoritmo correggesse le istruzioni di riscrittura, prova dopo prova, in base ai risultati. Partendo da quindici strategie molto diverse, l’algoritmo è arrivato ogni volta allo stesso schema, che gli autori chiamano strategia «universalmente efficace»⁴:

• linguaggio fattuale e concreto, senza affermazioni non verificabili e senza riferimenti ai concorrenti;
• sezioni chiare: caratteristiche principali, vantaggi, casi d’uso tipici;
• ogni caratteristica collegata a un bisogno che chi compra esprime davvero;
• parole chiave e sinonimi che usano gli acquirenti, inseriti in modo naturale e senza ripetizioni forzate;
• risposte alle domande probabili: durata, facilità d’uso, compatibilità, rapporto qualità-prezzo.

Lo studio ha anche verificato che questi guadagni non siano una manipolazione. Recensioni inventate, superlativi estremi o istruzioni nascoste rivolte al modello sono stati messi alla prova: i modelli più forti, GPT-5 e Claude, non li hanno premiati, anche con una sola istruzione di difesa⁵. La conclusione degli autori è che, in questo contesto, si sale con una comunicazione migliore del prodotto, non con i trucchi.

Cosa lo studio non può dire

Gli autori elencano i limiti con chiarezza, e due riguardano direttamente chi vende in Italia⁶.

È solo in inglese. Richieste e schede sono in inglese, con un pubblico prevalentemente nordamericano. Gli autori scrivono che le conclusioni non vanno date per valide in altre lingue senza ulteriori prove. Nessun dato di E-GEO dice come un assistente tratta una scheda in italiano.

Misura solo l’ordinamento finale. Lo studio parte dal momento in cui il prodotto è già fra i 10 candidati e misura solo come cambia la sua posizione. Non misura se il prodotto entra fra i candidati. Per una scheda tradotta è proprio quello il passaggio delicato: se l’acquirente italiano descrive il prodotto con parole diverse da quelle della scheda, il prodotto rischia di non arrivare mai alla classifica. È una mia deduzione, non un risultato dello studio, ma deriva da come gli autori stessi descrivono il funzionamento dei sistemi.

Ci sono altri due limiti da tenere presenti. I prodotti vengono tutti da Amazon e lo studio simula gli assistenti con i modelli, invece di osservare ChatGPT o Gemini nel loro uso reale. È un banco di prova controllato, non una misura del mercato.

Cosa ne ricavo per le schede in italiano

Quello che segue non è dimostrato da E-GEO per l’italiano. È come applicherei i suoi risultati, sapendo dove una scheda tradotta di solito si discosta dallo schema che funziona.

Usa le parole di chi compra in Italia, non la traduzione del nome tedesco. È il punto in cui una traduzione corretta può fallire. Un «Akku-Staubsauger» tradotto alla lettera diventa «aspirapolvere a batteria», mentre molti acquirenti italiani cercano «scopa elettrica». Lo studio premia le parole e i sinonimi che usano gli acquirenti: in una scheda localizzata vanno ricavati dall’italiano, non dalla sorgente.

Togli il tono pubblicitario, anche se la sorgente lo ha. Il tono pubblicitario è la strategia che ha fatto perdere più posizioni dopo il racconto creativo, che gli autori hanno incluso apposta come controllo negativo. Se la scheda tedesca è scritta come uno slogan, tradurla fedelmente porta in italiano lo stesso difetto.

Non lasciare parole straniere per dare colore. Lo studio ha testato espressioni straniere aggiunte di proposito per suggerire raffinatezza, non le parole tedesche o inglesi rimaste in una traduzione. L’analogia è mia: un «Must-have» o un «Highlights» lasciati nella scheda italiana non aggiungono informazione all’acquirente né al modello che la legge.

Non aggiungere né perdere fatti nella localizzazione. Lo schema vincente conserva i fatti della scheda originale e non aggiunge promesse. In una localizzazione il rischio è doppio: un dato tecnico perso nella traduzione o un’affermazione aggiunta per rendere il testo più vendibile.

Struttura la scheda come la vuole lo schema. Una frase di apertura che dica cos’è il prodotto e a cosa serve, le caratteristiche in elenco con un’etichetta chiara, i casi d’uso, due o tre domande con risposta. È anche la struttura che rende la scheda più leggibile per una persona.

Domande frequenti

E-GEO vale anche per Google?

No. Lo studio misura la classifica prodotta da modelli linguistici che ordinano prodotti, non il posizionamento nei risultati di Google. Alcune indicazioni coincidono con le buone pratiche SEO, come le parole di chi cerca e una struttura chiara, ma lo studio non lo verifica.

Devo riscrivere tutte le schede con un modello AI?

Lo studio mostra che il risultato dipende molto dal modello usato per riscrivere e dalle istruzioni: con istruzioni semplici, alcuni modelli peggioravano le schede. Per l’italiano vale una cautela in più, perché un modello riscrive volentieri in un italiano corretto ma tradotto. Se usi un modello, le istruzioni dovrebbero riprendere lo schema descritto sopra e il risultato dovrebbe passare da una revisione madrelingua.

Quanto contano le domande frequenti nella scheda?

Da sole poco: come strategia isolata hanno dato un guadagno minimo. Contano come parte dello schema complessivo, dove rispondono alle domande che chi compra si fa davvero su durata, compatibilità e uso.

Esiste uno studio simile in italiano?

Che io sappia, no. E-GEO pubblica dati e codice, quindi un esperimento in italiano è tecnicamente possibile. Finché non c’è, le indicazioni per l’italiano restano deduzioni ragionate, non risultati misurati.

Fonti

• Bagga, P. S., Farias, V. F., Korkotashvili, T., Peng, T., Wu, Y. (2026). E-GEO: A Testbed for Generative Engine Optimization in E-Commerce. Preprint arXiv:2511.20867, versione 2 del 14 luglio 2026.

Note

1. Bagga et al. (2026), sezione 4 e tabella 2.
2. Bagga et al. (2026), sezione 5.3 e tabella 5. Valori medi sui cinque modelli, con GPT-4.1 come riscrittore.
3. Bagga et al. (2026), sezione 5.2.
4. Bagga et al. (2026), sezione 5.5.
5. Bagga et al. (2026), sezione 6.1.
6. Bagga et al. (2026), sezioni 3.2, 5.1 e 7.1.

Pagine collegate

• Come scrivere testi in italiano che i sistemi di AI possano citare
• Glossario GEO in italiano
• SEO e GEO in italiano per brand e agenzie DACH