GEO Keyword Research e Query Fan-Out: Guida Operativa 2026

Il 68% delle pagine citate negli AI Overviews NON era nella top 10 organica. Questo dato di Surfer SEO (dicembre 2025, 173.902 URL analizzati) ribalta il presupposto fondamentale della keyword research tradizionale: posizionarsi in prima pagina non è più la condizione necessaria per essere visibili.

Il modello "una keyword, una pagina" è morto. Quando un utente inserisce una query in Google AI Mode o in qualsiasi motore di ricerca AI, il sistema non cerca una singola pagina che risponda alla domanda. La scompone in 6-20 sotto-query parallele, recupera frammenti da decine di fonti diverse, e sintetizza una risposta unica. Si chiama query fan-out, ed è il meccanismo che rende obsoleta la keyword research come la conosciamo.

In questo articolo analizzo il funzionamento tecnico del fan-out, la metodologia di keyword research specifica per la GEO, i dati sulle citazioni AI per piattaforma e gli strumenti operativi per costruire contenuti che i motori AI citano davvero. Con numeri, non buzzword.

Come funziona il query fan-out

Il query fan-out è il meccanismo con cui i sistemi di ricerca AI scompongono una singola domanda dell'utente in multiple sotto-query parallele, recuperano informazioni da fonti diverse per ciascuna, e poi sintetizzano tutto in una risposta coerente. Google lo ha formalizzato nel brevetto US12158907B1 "Thematic Search", concesso a dicembre 2024.

La pipeline tecnica

Quando inserisci una query in Google AI Mode o chiedi qualcosa a un LLM con accesso al web, la tua domanda attraversa una pipeline in cinque fasi:

1. Intent Parsing: il sistema analizza la query e identifica l'intento principale e gli intenti secondari impliciti.
2. Query Rewriting: la query originale viene riformulata in varianti più specifiche, disambiguando termini ambigui.
3. Fan-Out / Decomposition: la query viene scomposta in 6-20 sotto-query parallele, ciascuna mirata a un aspetto diverso della domanda.
4. Parallel Retrieval: ogni sotto-query viene eseguita simultaneamente sull'indice, recuperando chunk di testo (non pagine intere) da fonti diverse.
5. Chunk Scoring & Synthesis: i frammenti recuperati vengono valutati per rilevanza, autorevolezza e coerenza, poi sintetizzati in una risposta unica con citazioni.

Il punto chiave: gli LLM recuperano a livello di PARAGRAFO, non di pagina. La tua pagina può essere lunga 5.000 parole, ma il sistema estrae solo il chunk di 100-200 parole che risponde a una specifica sotto-query. Ogni sezione del tuo contenuto deve funzionare come unità autonoma.

Esempio pratico di fan-out

Immagina che un utente cerchi: "come scegliere un consulente SEO a Brescia per un e-commerce". Il sistema potrebbe scomporre questa query in sotto-query come:

• Cosa fa un consulente SEO? (definizione)
• Consulente SEO vs agenzia: differenze (confronto)
• Come valutare le competenze di un consulente SEO (how-to)
• Consulente SEO per e-commerce: competenze specifiche (caso d'uso)
• Quanto costa un consulente SEO a Brescia (metrica)
• Errori da evitare nella scelta di un consulente SEO (obiezione)
• Consulenti SEO Brescia: specializzazioni disponibili (espansione entità)

Ciascuna sotto-query pesca da fonti diverse. La tua pagina potrebbe essere citata solo per una o due di queste sotto-query — non serve (e non è possibile) dominarle tutte con un singolo contenuto. Serve una strategia che copra il topic cluster completo.

L'instabilità delle sotto-query

Un dato fondamentale (SimilarWeb): solo il 27% delle sotto-query rimane consistente tra ricerche diverse della stessa query. Questo significa che il fan-out non è deterministico. La stessa domanda, posta in momenti diversi, genera sotto-query parzialmente diverse. La conseguenza per la keyword research: non puoi ottimizzare per una singola sotto-query — devi coprire l'intero spazio semantico del topic.

GEO keyword research vs keyword research tradizionale

La keyword research tradizionale parte dal volume di ricerca e dalla keyword difficulty per selezionare target specifici. La GEO keyword research parte dallo spazio semantico che il fan-out potrebbe generare e cerca di coprirlo il più possibile. Sono due approcci complementari, ma con logiche molto diverse.

Il dato più controintuitivo: il keyword stuffing peggiora la visibilità nelle risposte AI. Lo studio Princeton sulla GEO ha dimostrato che la sovra-ottimizzazione per keyword produce risultati sotto il baseline. I LLM preferiscono linguaggio naturale e copertura semantica ampia.

Un altro dato che smonta le certezze: il 25% degli URL più citati da ChatGPT ha ZERO visibilità organica su Google (SEOClarity). E solo il 12% degli URL citati dai LLM si posiziona nella top 10 di Google (Status Labs). La correlazione tra ranking tradizionale e citazione AI è debole e in calo.

La metodologia FAN: framework operativo per la GEO keyword research

SimilarWeb ha sviluppato un framework pratico per la keyword research orientata alla GEO, basato sull'analisi di milioni di query e dei relativi fan-out. Si chiama metodologia FAN: Fan-Out Mapping, Authority-Signal Alignment, Node Architecture.

F — Fan-Out Mapping

Il primo passo è mappare lo spazio completo delle sotto-query prima di creare qualsiasi contenuto. Non si parte dalla keyword principale: si parte dalla domanda che l'utente porrebbe a un assistente AI.

Le anchor query conversazionali sono il punto di partenza. Invece di "consulente SEO Brescia" (3 parole, stile Google tradizionale), la query diventa "come scegliere un consulente SEO a Brescia per il mio e-commerce di arredamento" (15-20 parole, stile conversazionale). Questo è il modo in cui le persone interrogano i LLM.

Una volta definita l'anchor query, si mappano i 7 tipi di sotto-query che il fan-out potrebbe generare:

• Definizione: cos'è X, cosa significa Y — il LLM ha bisogno di stabilire il contesto
• Confronto: X vs Y, differenze tra A e B — domande comparative implicite nella query
• How-to: come fare X, passaggi per Y — la componente procedurale
• Caso d'uso: X per [settore/situazione specifica] — verticalizzazione della risposta
• Obiezione: rischi di X, errori comuni, cosa evitare — il LLM bilancia la risposta
• Espansione entità: entità correlate, alternative, varianti — ampliamento del contesto
• Metrica: quanto costa X, tempi di Y, ROI di Z — dati quantitativi

A — Authority-Signal Alignment

Una volta mappato il fan-out, il secondo passo è allineare i segnali di autorità che guidano la selezione delle fonti da parte dei LLM. Lo studio Princeton ha quantificato l'impatto di ciascun segnale:

• Statistiche e dati concreti: +41% di visibilità nelle risposte AI. Ogni affermazione chiave deve avere un numero e una fonte.
• Citazioni di fonti autorevoli: +28% (metrica Subjective Impression). Citare studi, paper, report ufficiali.
• Fluency + statistiche combinate: +5,5% aggiuntivo rispetto a qualsiasi strategia singola. La combinazione vince.
• Keyword stuffing: SOTTO il baseline. La sovra-ottimizzazione è controproducente nella GEO.

In pratica: ogni sezione del tuo contenuto deve contenere almeno un dato quantitativo con fonte, linguaggio naturale (non ottimizzato per keyword density), e riferimenti a fonti primarie verificabili.

N — Node Architecture

L'ultimo pilastro riguarda la struttura del contenuto. Ogni sezione deve essere indipendentemente recuperabile dal fan-out — il LLM deve poter estrarre un chunk senza dover leggere il resto della pagina.

Le regole operative della Node Architecture:

1. Ogni H2 si apre con una risposta diretta di 30-60 parole che riassume il punto chiave della sezione.
2. Chunk ottimali di circa 800 token (~600 parole). Troppo corti: contesto insufficiente. Troppo lunghi: il LLM taglia e perde informazioni.
3. Ogni sezione contiene almeno un dato quantitativo con fonte tra parentesi.
4. Heading formulati come domande implicite: "Come funziona il query fan-out" è meglio di "Query fan-out".
5. Nessuna dipendenza dal contesto precedente: evitare "come abbiamo visto sopra" o "nel paragrafo precedente".

Citazioni AI per piattaforma: chi cita cosa

Non tutti i motori AI citano le stesse fonti. Ogni piattaforma ha bias diversi, e una strategia GEO efficace deve essere platform-aware. Ecco i dati aggiornati a marzo 2026.

Un dato che evidenzia la frammentazione: solo l'11% dei domini è citato sia da ChatGPT che da Perplexity. Essere visibili su una piattaforma non garantisce visibilità sulle altre. La GEO keyword research deve considerare il mix di piattaforme rilevanti per il proprio target.

Dove contano di più le prime righe

Il 44,2% delle citazioni proviene dal primo 30% del testo. L'introduzione e i primi paragrafi hanno un peso sproporzionato nella selezione delle fonti. La risposta diretta all'inizio di ogni sezione non è un consiglio stilistico — è un fattore di ranking GEO misurato.

Questo dato ha implicazioni dirette per la struttura dei contenuti: la risposta alla domanda principale deve apparire nei primi 40-60 parole, non dopo tre paragrafi di contesto. I LLM non leggono tutta la pagina con la stessa attenzione — pesano di più l'inizio.

Studio Surfer SEO: i numeri del fan-out

Lo studio più completo sul rapporto tra fan-out e citazioni AI è quello pubblicato da Surfer SEO a dicembre 2025, basato sull'analisi di 173.902 URL e 33.000 sotto-query fan-out generate da Google AI Mode.

I risultati chiave

• 161% più probabilità di citazione: le pagine che rankano per sotto-query fan-out hanno 2,6 volte più probabilità di essere citate nella risposta AI rispetto a pagine che rankano solo per la query principale.
• Correlazione Spearman 0,77: tra copertura fan-out e probabilità di citazione. È una correlazione forte — più sotto-query copri, più sei citato.
• 68% delle pagine citate NON era nella top 10: il ranking organico tradizionale non è più il prerequisito per la visibilità AI.
• Le sotto-query sono instabili: solo il 27% rimane consistente tra ricerche diverse (SimilarWeb). La copertura ampia batte l'ottimizzazione puntuale.

La lezione operativa è chiara: la keyword research per la GEO non deve cercare la keyword perfetta da posizionare in top 10. Deve mappare l'intero spettro di sotto-query possibili e creare contenuti che ne coprano il maggior numero possibile. La copertura semantica batte il posizionamento puntuale.

Implicazioni per la strategia di contenuto

Questi dati suggeriscono un cambio di paradigma nella content strategy. Invece di creare una singola pagina ottimizzata per una keyword target, la strategia vincente è costruire topic cluster completi dove:

• La pillar page copre la query principale e le sotto-query di definizione e confronto
• Le pagine satellite coprono how-to, casi d'uso e metriche specifiche
• I link interni collegano tutto in un grafo semantico coerente
• Ogni pagina contiene chunk auto-sufficienti estraibili dal fan-out

Impatto del fan-out su CTR e traffico organico

Il fan-out non cambia solo come i contenuti vengono selezionati — cambia radicalmente anche il comportamento degli utenti dopo la ricerca. Ecco i dati più aggiornati sull'impatto sul click-through rate.

Il paradosso della visibilità AI: il CTR crolla per chi non è citato, ma sale per chi è dentro la risposta. L'AI Overview non è solo un concorrente che ruba click — è anche un nuovo canale di distribuzione. La differenza tra essere citati e non esserlo è enorme: +35% di CTR per i siti citati dentro le risposte AI (Seer Interactive).

Il traffico referral da piattaforme AI è ancora marginale in termini assoluti — meno dell'1% del totale web. Ma cresce a ritmi esponenziali: +357% anno su anno secondo Adobe. E c'è un dato qualitativo importante: i visitatori provenienti da piattaforme AI convertono al doppio del tasso degli utenti da ricerca tradizionale e passano il 68% di tempo in più sui siti che visitano.

La conclusione strategica: il fan-out rende la visibilità AI un gioco a somma non-zero. Chi copre le sotto-query e viene citato non solo mantiene il traffico — ottiene utenti migliori. Chi ignora il fan-out perde visibilità sia nelle SERP tradizionali (per il calo strutturale del CTR) sia nelle risposte AI.

Tool per la GEO keyword research

Un ecosistema di strumenti dedicati sta emergendo per supportare la keyword research orientata al fan-out e al monitoraggio delle citazioni AI. Ecco i principali a marzo 2026, dal gratuito all'enterprise.

Come usare Qforia per il fan-out mapping

Qforia di iPullRank è il tool più accessibile per iniziare con il fan-out mapping. È gratuito e simula il processo di decomposizione delle query:

1. Inserisci la tua anchor query conversazionale (15-25 parole).
2. Il tool genera le sotto-query probabili che un LLM produrrebbe.
3. Per ogni sotto-query, analizza quali fonti vengono attualmente citate.
4. Identifica i gap: sotto-query per cui non hai contenuto o il tuo contenuto non viene citato.
5. Crea o aggiorna contenuti per coprire i gap identificati.

Un avvertimento importante: tutti gli strumenti di tracking AI sono "fondamentalmente limitati" (Lily Ray) perché le risposte AI sono non-deterministiche. La stessa query può generare citazioni diverse in momenti diversi. Usali come indicatori di trend e per identificare gap, non come metriche assolute.

Checklist operativa: dalla ricerca alla pubblicazione

Tradurre la teoria in pratica richiede un processo strutturato. Ecco la checklist in quattro fasi per implementare la GEO keyword research nel tuo workflow di content creation.

Fase 1 — Ricerca

1. Definisci 3-5 anchor query conversazionali (15-25 parole) per il tuo topic.
2. Usa Qforia o simula manualmente il fan-out: per ogni anchor query, mappa i 7 tipi di sotto-query (definizione, confronto, how-to, caso d'uso, obiezione, espansione entità, metrica).
3. Esegui una gap analysis: per ogni sotto-query, verifica se hai già contenuto che la copre e se quel contenuto viene citato.
4. Analizza le citazioni cross-piattaforma: cosa citano ChatGPT, Perplexity e Google AIO per le tue sotto-query?
5. Identifica le sotto-query non coperte dalla concorrenza — sono le opportunità a più alto potenziale.

Fase 2 — Creazione

1. Ogni H2 si apre con una risposta diretta di 30-60 parole.
2. Chunk di circa 800 token (~600 parole) per sezione — ogni sezione auto-sufficiente.
3. Almeno una statistica con fonte ogni 150-200 parole.
4. Linguaggio naturale: nessun keyword stuffing, nessuna ripetizione forzata.
5. Heading formulati come domande implicite che matchano le sotto-query mappate in fase 1.
6. Fonti primarie citate inline: studi, paper, report ufficiali con link.

Fase 3 — Ottimizzazione tecnica

1. Schema markup JSON-LD: Article, FAQPage, HowTo — le pagine con schema hanno 2,8x più citazioni AI.
2. Ottimizzazione cross-piattaforma: verifica che i crawler AI (ChatGPT-User, PerplexityBot, Claude-SearchBot) possano accedere al contenuto.
3. Topic cluster con link interni coerenti: la pillar page linkata alle pagine satellite e viceversa.
4. Meta description ottimizzata per il click dalla risposta AI, non solo dalla SERP.

Fase 4 — Monitoraggio

1. Citation frequency: quante volte il tuo contenuto viene citato nelle risposte AI (Otterly.AI o HubSpot AI Search Grader per iniziare).
2. Brand mention rate: la percentuale di query rilevanti dove il tuo brand appare nelle risposte AI.
3. Fan-out coverage score: la percentuale di sotto-query mappate per cui hai contenuto citato.
4. Freshness: aggiorna i contenuti ogni 2 mesi — i LLM privilegiano contenuti recenti con timestamp visibile.

Dalla keyword alla copertura semantica: il nuovo paradigma

La keyword research per la GEO non è un'evoluzione incrementale della keyword research tradizionale — è un cambio di paradigma. L'unità di analisi non è più la keyword singola ma lo spazio semantico che il fan-out genera intorno a un topic. L'obiettivo non è più la posizione in SERP ma la probabilità di essere citati nelle risposte AI.

I dati sono inequivocabili: correlazione 0,77 tra copertura fan-out e citazione (Surfer SEO), 161% di probabilità in più per chi copre le sotto-query, 68% delle pagine citate fuori dalla top 10. Chi continua a fare keyword research solo per il ranking tradizionale sta ottimizzando per un sistema che genera sempre meno click.

La buona notizia: le fondamenta sono le stesse della SEO ben fatta. Contenuti strutturati, dati concreti, competenza reale, risposte chiare. La metodologia FAN aggiunge un layer sistematico per coprire lo spazio del fan-out e massimizzare la probabilità di citazione. Non è un'alternativa alla SEO — è il suo complemento necessario.

Per il quadro completo su GEO, AI Overviews e content strategy AI nel 2026, leggi la guida GEO e AI Overviews.

I fondamentali della SEO nel 2026, dalla tecnica alla strategia, nella guida SEO 2026.

I dati strutturati sono un moltiplicatore per la GEO: scopri come nella guida ai dati strutturati e Schema.org.

Se vuoi implementare la GEO keyword research per il tuo progetto, contattami per una consulenza personalizzata.

Domande frequenti

Cos'è il query fan-out e perché è importante per la SEO?

Il query fan-out è il meccanismo con cui i motori di ricerca AI scompongono una singola query in 6-20 sotto-query parallele, recuperano frammenti da fonti diverse per ciascuna, e sintetizzano una risposta unica. È importante perché cambia radicalmente come i contenuti vengono selezionati: non conta più solo il ranking per la keyword principale, ma la copertura dell'intero spazio semantico delle sotto-query. Le pagine che coprono le sotto-query fan-out hanno il 161% di probabilità in più di essere citate (Surfer SEO).

Come si fa keyword research per la GEO?

Si parte da anchor query conversazionali di 15-25 parole (il modo in cui le persone interrogano i LLM), si mappa il fan-out in 7 tipi di sotto-query (definizione, confronto, how-to, caso d'uso, obiezione, espansione entità, metrica), si esegue una gap analysis per identificare le sotto-query non coperte, e si creano contenuti strutturati in chunk auto-sufficienti di ~800 token con statistiche, fonti e risposte dirette all'inizio di ogni sezione.

La keyword research tradizionale è ancora utile?

Sì, ma non è più sufficiente da sola. La keyword research tradizionale (volume, difficulty, intent) resta fondamentale per il posizionamento nelle SERP organiche, che genera ancora la stragrande maggioranza del traffico. Ma il 68% delle pagine citate negli AI Overviews non era nella top 10, e solo il 12% degli URL citati dai LLM si posiziona in prima pagina. Serve integrare la keyword research classica con il fan-out mapping per coprire entrambi i canali.

Quali tool servono per monitorare la visibilità AI?

Per iniziare: Qforia (gratuito) per simulare il fan-out e HubSpot AI Search Grader (gratuito) per una diagnostica di base. Per un monitoraggio strutturato: Otterly.AI (da $25/mese) traccia citazioni su Google AIO, Perplexity e ChatGPT. Per aziende con budget: Semrush AI Visibility Toolkit ($199/mese) o Ahrefs Brand Radar (~$199/mese). Enterprise: Profound (da $499/mese). Tutti i tool hanno limiti perché le risposte AI sono non-deterministiche — usarli come trend indicator.

Ogni quanto aggiornare i contenuti per la GEO?

Ogni 2 mesi come regola base. I LLM privilegiano contenuti con timestamp recente e segnali di freshness. Non serve riscrivere tutto: aggiornare dati, aggiungere nuove fonti, e integrare nuove sotto-query emerse dal monitoraggio del fan-out. La copertura fan-out non è statica — le sotto-query cambiano nel tempo (solo il 27% rimane consistente), quindi il contenuto deve evolvere con loro.

Il query fan-out funziona anche in Italia?

Sì. Il meccanismo del fan-out è indipendente dalla lingua — è un'architettura di sistema, non una feature locale. Gli AI Overviews sono attivi in Italia dal marzo 2025 (con restrizioni GDPR: solo utenti loggati 18+). ChatGPT, Perplexity e Copilot operano già in italiano. La differenza rispetto al mercato anglosassone è la minore concorrenza: pochi siti italiani stanno ottimizzando per la GEO, il che rappresenta un'opportunità per chi si muove per primo.