Glossario francofono AEO / SEO / GEO

Un glossario francofono documentato dei termini AEO, SEO e GEO — definizioni strutturate (affermazione, prove, garanzia e limiti) su tre livelli di approfondimento, con trasparenza sullo status terminologico di ogni termine (nove status possibili, dallo standard formale al posizionamento marketing).




—

AEO Convenzione emergente
Principiante
Affermazione
L'AEO consiste nell'ottimizzare un contenuto affinché un motore di risposta, come Google SGE o Alexa, lo riprenda direttamente come risposta; è una pratica precedente alla diffusione dell'IA generativa.
Esempio
Una pagina che risponde con una frase chiara a «Qual è la capitale del Portogallo?» e compare nel riquadro di risposta di Google è un esempio di AEO.
Intermedio
Affermazione
L'AEO è il precursore storico della GEO, incentrato su featured snippet, assistenti vocali e risposte dirette prima della diffusione degli LLM conversazionali.
Dati
Le tecniche AEO (risposta in apertura, struttura Domanda/Risposta, formulazione concisa e autonoma) possono facilitare la GEO, che estende questa logica a motori generativi più complessi.
Garanzia
Un motore di risposta come SGE o Alexa e un motore generativo come ChatGPT condividono la stessa esigenza: estrarre una risposta breve e non ambigua — da qui la continuità metodologica tra AEO e GEO.
Esperto
Affermazione
L'AEO è la disciplina che ottimizza i contenuti per sistemi di risposta diretta — featured snippet, assistenti vocali e SGE — basandosi sull'estrazione di un passaggio breve e autonomo anziché sul posizionamento di un'intera pagina.
Dati
I motori di risposta storici usano euristiche di estrazione dei passaggi, simili al QA estrattivo, anziché una generazione libera — le prestazioni dipendono dalla corrispondenza diretta tra domanda e risposta fornita nella pagina.
Garanzia
Una risposta esplicita collocata vicino alla domanda può facilitarne l'individuazione e l'interpretazione, ma nessuna lunghezza universale di 40-60 parole ne garantisce o massimizza l'estrazione. Google crea automaticamente gli snippet in base alla query e al contenuto; la formulazione va quindi testata, non trattata come una ricetta causale.
Fondamento
Questa pratica deriva dall'esperienza SEO con i featured snippet di Google tra il 2015 e il 2023, documentata dal settore ma mai formalizzata da un organismo di standardizzazione.
Portata
L'AEO resta pertinente per i sistemi tradizionali di estrazione dei passaggi, ma è un sottoinsieme insufficiente per i motori generativi che riformulano e sintetizzano più fonti invece di estrarre un unico passaggio.
Confutazione
Affidarsi unicamente alle tecniche AEO (risposta breve e struttura domanda/risposta) non garantisce la citazione da parte di un motore generativo — ma non per la ragione che si potrebbe credere: Google precisa esplicitamente che non sono richiesti markup speciali né file dedicati all'IA per apparire nelle sue funzionalità di ricerca IA. Il vero limite dell'AEO è altrove: mira all'estrazione di un singolo passaggio, mentre un motore generativo può sintetizzare e citare più fonti contemporaneamente.

Fonte autorevole: https://www.searchenginejournal.com/google-answers-what-to-do-for-aeo-geo/558322/

Vedi anche: GEO (Generative Engine Optimization) · RAG (Retrieval-Augmented Generation)

Pratica emergente che struttura i contenuti affinché un motore di risposta possa estrarne una risposta diretta e verificabile. Il suo perimetro si sovrappone in parte a SEO e GEO e varia ancora secondo gli autori.

aeo

Trasversale Posizionamento marketing
Principiante
Affermazione
«AI-READY» e «AI-First» significano «pronto per l'IA» — espressioni utili per spiegare una visione alla direzione, ma non sono termini tecnici ufficiali.
Esempio
Dire a un cliente «il vostro sito deve essere AI-READY» è chiaro e convincente, ma uno sviluppatore preferirà requisiti concreti come «servono JSON-LD e rendering SSR».
Intermedio
Affermazione
AI-READY e AI-First sono termini di posizionamento strategico e marketing, utili per comunicare una visione a una direzione non tecnica, ma non corrispondono ad alcuno standard riconosciuto dal W3C, dall'IETF o dall'ecosistema dell'IA.
Dati
Esiste già un vocabolario tecnico equivalente e documentato: GEO/Machine-First Design per «AI-READY» e Agentic SEO/WebMCP-UCP per «AI-First».
Garanzia
Usare una terminologia adatta all'interlocutore — marketing con un decisore, tecnica con uno sviluppatore — evita confusioni e rende il messaggio più credibile.
Esperto
Affermazione
«AI-READY» e «AI-First» sono etichette di posizionamento strategico — adottate esplicitamente qui, in particolare da Jean-Jacques Valognes — che indicano rispettivamente l'obiettivo di visibilità nei motori generativi, comprendente GEO/Machine-First Design, e un'architettura che privilegia l'interazione agentica, comprendente Agentic SEO/WebMCP/UCP; nessuna delle due etichette è standardizzata.
Dati
Nessun organismo — W3C, IETF o consorzio specifico per l'IA — definisce o certifica «AI-READY» o «AI-First», a differenza di JSON-LD, una Raccomandazione W3C, o persino di llms.txt, una convenzione documentata da un autore identificabile.
Garanzia
Il valore di questi termini è comunicativo — vendere una visione — e non tecnico — specificare un'implementazione; entrambi gli usi sono legittimi purché non vengano confusi.
Fondamento
Questa constatazione è coerente con il lavoro di chiarimento terminologico svolto nel progetto — tabella di corrispondenza marketing/tecnica e Vocabulaire.txt: indicare esplicitamente la natura marketing del termine distingue questo glossario da un uso acritico del vocabolario dell'IA.
Portata
AI-READY è un posizionamento proprietario il cui ambito dipende dai criteri pubblicati e dalla versione del metodo Jean-Jacques Valognes. In assenza di un protocollo di valutazione condiviso, non costituisce né una certificazione interoperabile né una misura comparabile tra fornitori e non garantisce alcun risultato da parte di un sistema di IA.
Confutazione
La debolezza strutturale del termine non risiede soltanto nel mancato riconoscimento da parte di un organismo di normazione, ma anche nell'assenza di criteri misurabili, verificabili e interoperabili a esso associati: a differenza del JSON-LD (validabile sintatticamente) o di llms.txt (la cui presenza è verificabile), nulla consente di stabilire oggettivamente se un sito sia «AI-READY» — il che rende il termine strutturalmente inadatto a qualsiasi forma di certificazione, anche informale.

Vedi anche: Machine-First Design · GEO (Generative Engine Optimization)

Posizionamento strategico proprietario di Jean-Jacques Valognes per valutare quanto un contenuto, un sito o un'organizzazione siano preparati agli usi dell'IA. AI-READY e AI-First non sono né standard W3C/IETF né certificazioni; i loro criteri devono essere esplicitati nel metodo Jean-Jacques Valognes.

ai-ready

Trasversale Tassonomia editoriale (Jean-Jacques Valognes)
Principiante
Affermazione
Il Discovery Layer comprende tutto ciò che consente a un agente IA di trovare e capire rapidamente di cosa tratta un sito, senza doverlo leggere interamente.
Esempio
Il file llms.txt nella radice di un sito, che riassume in poche righe ciò che il sito offre, fa parte del Discovery Layer.
Intermedio
Affermazione
La Discovery Layer raggruppa file e tag con ruoli distinti — llms.txt, robots.txt, sitemap.xml, JSON-LD — che questo glossario accosta per aiutare un agente a situare e interpretare un sito, senza che nessuno di essi copra da solo l'intero contesto.
Dati
Questi elementi svolgono ruoli distinti ed eterogenei (riepilogo editoriale per llms.txt, regole di esplorazione proposte ai robot per robots.txt, inventario degli URL per sitemap.xml, semantica strutturata per JSON-LD); raggrupparli in un livello di scoperta è una lettura editoriale di questo glossario, non un'architettura tecnica unificata riconosciuta come tale.
Garanzia
Quando un sistema li supporta, queste risorse offrono a un agente punti d'ingresso espliciti e poco costosi da analizzare, rispetto a un parsing completo del sito. L'ordine reale in cui un agente li consulta, e l'effetto esatto di un tempo di scoperta più lungo sulla sua decisione di proseguire, dipendono tuttavia da ciascun sistema e generalmente non sono documentati pubblicamente.
Esperto
Affermazione
La Discovery Layer è il primo dei tre livelli di una tassonomia agentica editoriale (Discovery / Action / Trust): l'insieme dei punti d'ingresso, di status eterogenei, che questo glossario raggruppa perché ciascuno contribuisce, secondo il proprio ruolo, all'esplorazione, all'orientamento, all'interpretazione o alle regole di crawl di un sito da parte di un agente.
Dati
In concreto: llms.txt (riepilogo editoriale), robots.txt (direttive allow/disallow per user-agent, RFC 9309), sitemap.xml (inventario degli URL), JSON-LD (semantica per pagina).
Garanzia
In assenza di punti d'ingresso strutturati pubblicati dal sito, un agente potrebbe dover fare affidamento su altre vie di elaborazione o recupero — in particolare il parsing dell'HTML grezzo, il DOM renderizzato, il testo estratto o un indice di ricerca, alcune delle quali ricorrono a euristiche — senza che sia pubblicamente documentata una quantificazione universale delle differenze di costo o affidabilità tra questi approcci.
Fondamento
Questa tassonomia a tre livelli è una classificazione editoriale proposta da questo glossario nel 2026, senza normazione formale — accosta meccanismi di status distinti: llms.txt è una proposta pubblicata da Jeremy Howard nel 2024, JSON-LD 1.1 una Raccomandazione W3C e Sitemaps un protocollo documentato.
Portata
La composizione esatta del Discovery Layer evolve rapidamente, con nuovi file proposti regolarmente, come agents.md e ai-plugin.json; l'elenco del 2026 non è definitivo.
Confutazione
La tassonomia a tre livelli (Discovery/Action/Trust) è essa stessa discutibile: non è una nomenclatura convalidata da un organismo di normazione, il suo confine con l'Action Layer è poroso (alcuni file di discovery evolvono verso capacità azionabili) e la sua composizione cambia troppo rapidamente (agents.md, ai-plugin.json ecc.) per pretendere di essere esaustiva — è uno strumento didattico di questo glossario, non una classificazione stabilizzata.

Vedi anche: llms.txt · JSON-LD

Tassonomia editoriale proposta da Jean-Jacques Valognes per raggruppare i meccanismi che aiutano software, assistenti IA e agenti IA a scoprire le risorse e le informazioni di un sito: link, llms-sitemap, sitemap, robots.txt, metadati strutturati e convenzioni emergenti come llms.txt. Questi meccanismi non hanno lo stesso status né le stesse garanzie.

discovery-layer

SEO Termine consolidato
Principiante
Affermazione
L'E-E-A-T décrit quatre qualités que Google cherche dans un contenu : l'expertise de l'auteur, son expérience vécue, sa reconnaissance, et la fiabilité. Ce n'est pas une note affichable, ni un bouton de classement.
Esempio
Un avis sur un aspirateur écrit par quelqu'un qui l'a vraiment utilisé pendant des semaines montre de l'Experience. Le même texte recopié par un site anonyme n'en montre pas, même s'il est bien rédigé.

Fonte autorevole: https://developers.google.com/search/docs/fundamentals/creating-helpful-content

Vedi anche: Trust Layer

Concept documenté par Google dans les Search Quality Rater Guidelines (E-A-T, puis E-E-A-T en décembre 2022 avec l'ajout d'Experience). Google indique que l'E-E-A-T n'est pas un facteur de classement unique : les systèmes combinent plusieurs signaux pour reconnaître ces qualités. À distinguer de la Trust Layer, taxonomie éditoriale qui s'en inspire dans un contexte agentique.

eeat

GEO Convenzione emergente
Principiante
Affermazione
La GEO è l'arte di rendere un sito abbastanza chiaro e ben strutturato perché un'IA come ChatGPT o Perplexity possa comprenderlo e citarlo nelle proprie risposte.
Esempio
Se cercate «migliore officina biciclette Parigi» su Perplexity e la risposta cita un sito preciso con nome e indirizzo, quel sito ha applicato la GEO — non soltanto la SEO tradizionale.
Intermedio
Affermazione
La GEO è la disciplina che ottimizza un sito affinché venga citato e raccomandato dai motori generativi — ChatGPT, Perplexity, Gemini e Claude — integrando la SEO tradizionale orientata al posizionamento in un elenco di link.
Dati
A differenza della SEO, in cui l'utente sceglie un link tra dieci, nella GEO l'IA sintetizza un'unica risposta e talvolta cita solo poche fonti — la visibilità dipende dalla citabilità del contenuto, non soltanto dal suo posizionamento.
Garanzia
Un contenuto strutturato — JSON-LD, HTML semantico e risposte dirette all'inizio della pagina — è meccanicamente più facile da estrarre per un sistema di generazione aumentata dal recupero (RAG) e ha quindi maggiori probabilità di essere citato.
Esperto
Affermazione
La GEO comprende le pratiche tecniche ed editoriali volte ad aumentare la probabilità che un contenuto venga selezionato e citato da un motore generativo in risposta alla richiesta di un utente — un aumento di visibilità misurato empiricamente su alcuni sistemi, non una catena causale «recupero → citazione» dimostrata universalmente per tutti i motori.
Dati
In Google Search, le funzionalità generative possono eseguire più ricerche correlate e mostrare link a diverse pagine di supporto. Il numero e la selezione di tali link variano in base alla query, al modello e alla funzionalità; Google non documenta alcuna finestra universale di «3-8 fonti».
Garanzia
Dati strutturati conformi, HTML accessibile e contenuti espliciti possono migliorare la leggibilità tecnica complessiva, ma nessuna fonte pubblica dimostra che provochino da soli una citazione. Google precisa che per le sue funzionalità di IA non è richiesto alcun markup Schema.org speciale: il loro effetto sulla citazione deve restare un'ipotesi da verificare per ogni motore e corpus.
Fondamento
Questo legame tra contenuto strutturato e maggiore probabilità di citazione è coerente con la letteratura sul RAG (Lewis et al., 2020): un sistema di recupero funziona meglio con passaggi autonomi, non ambigui e correttamente segmentati — lo studio dimostra tuttavia soltanto un aumento misurato della visibilità, non una garanzia meccanica di citazione.
Portata
La GEO non è uno standard tecnico registrato — nessun organismo W3C o IETF la definisce — ma un termine condiviso dal settore nel 2026, destinato a evolvere insieme ai meccanismi di recupero e citazione dei motori.
Confutazione
Un contenuto perfettamente strutturato può comunque non essere mai citato se il motore privilegia altre fonti secondo criteri propri di ciascun motore, non pubblicati e quindi non verificabili dall'esterno — la GEO aumenta una probabilità, non garantisce alcuna citazione, e l'entità reale di questo effetto rimane scarsamente documentata pubblicamente.

Fonte autorevole: https://arxiv.org/abs/2311.09735

Vedi anche: AEO (Answer Engine Optimization) · LLMO (Large Language Model Optimization) · Machine-First Design

Disciplina emergente volta a migliorare la visibilità e la rappresentazione dei contenuti nelle risposte dei motori generativi. Il termine GEO è stato introdotto da Aggarwal et al. nel 2023 in un quadro sperimentale; non indica né uno standard né una garanzia di citazione.

geo

Trasversale Standard normativo
Principiante
Affermazione
JSON-LD è codice invisibile aggiunto a una pagina per dire chiaramente a una macchina «questa è una ricetta», «questo è un evento» e così via, senza cambiare ciò che vede un visitatore.
Esempio
In una pagina di evento, JSON-LD può specificare data, luogo e prezzo in un formato che Google o un'IA comprende immediatamente, anche se le stesse informazioni compaiono nel testo normale della pagina.
Intermedio
Affermazione
JSON-LD è il formato di serializzazione raccomandato per integrare dati strutturati Schema.org in una pagina web, consentendo a una macchina di identificare senza ambiguità il tipo di entità descritto — prodotto, articolo, persona o organizzazione.
Dati
JSON-LD è una Raccomandazione formale del W3C; Schema.org, il vocabolario più usato con JSON-LD, è un progetto comunitario sostenuto da Google, Microsoft, Yahoo e Yandex — non uno standard W3C in senso stretto.
Garanzia
Separare i dati strutturati — nel head o alla fine della pagina — dal contenuto visibile consente di aggiungere markup senza rischiare di compromettere il layout né dipendere dall'interpretazione visiva della macchina.
Esperto
Affermazione
JSON-LD è un formato di serializzazione dei Linked Data e una Raccomandazione W3C, usato per incorporare un grafo di dati strutturati — più spesso con il vocabolario Schema.org — in una pagina HTML tramite un elemento <script type="application/ld+json">, indipendentemente dal rendering visivo.
Dati
Un documento JSON-LD può descrivere una singola entità o un @graph di più entità collegate tramite @id — per esempio una pagina collegata al suo autore, a sua volta collegato a un'organizzazione — pattern usato in particolare su alchimiste-ia-home.
Garanzia
La standardizzazione W3C garantisce a JSON-LD una sintassi stabile e un supporto duraturo negli strumenti; sebbene Schema.org non sia uno standard W3C, beneficia del supporto di fatto dei principali motori, che ne definiscono l'interpretazione pratica.
Fondamento
JSON-LD 1.1 è una Raccomandazione W3C pubblicata nel 2020; Schema.org è documentato e versionato pubblicamente dal Community Group W3C dedicato, con diverse migliaia di tipi specificati.
Portata
La presenza di JSON-LD sintatticamente valido non garantisce né l'uso da parte di un determinato motore né un rich result; ogni piattaforma sceglie quali tipi e campi elaborare e come.
Confutazione
Un JSON-LD incoerente con il contenuto visibile — markup eccessivo o dati inventati — è una pratica ingannevole che i motori di ricerca possono penalizzare; i dati strutturati devono restare fedeli al contenuto reale.

Fonte autorevole: https://www.w3.org/TR/json-ld11/

Vedi anche: Schema.org · Discovery Layer · Trust Layer

Formato basato su JSON per serializzare dati collegati. JSON-LD 1.0 è diventato una Raccomandazione W3C nel 2014 e JSON-LD 1.1 nel 2020. Può integrare vocabolari come Schema.org o Dublin Core in documenti e servizi web.

json-ld

GEO Convenzione emergente
Principiante
Affermazione
llms.txt è un piccolo file di testo nella radice di un sito che riassume ciò che un'IA deve sapere sul sito — simile a robots.txt, ma fornisce contesto anziché divieti.
Esempio
Un sito con un file /llms.txt di 20 righe che elenca le pagine principali e l'ambito di competenza facilita molto il lavoro di un agente che deve comprenderlo rapidamente.
Intermedio
Affermazione
llms.txt è una convenzione per un file Markdown nella radice del dominio che fornisce un sommario e un contesto editoriale direttamente leggibili da un LLM senza dover scansionare l'intero sito.
Dati
Avviato da Jeremy Howard di Answer.AI, il formato non è adottato da alcun organismo di standardizzazione, ma importanti editori tecnici, tra cui Vercel, Stripe e Anthropic, lo hanno implementato nel 2025–2026.
Garanzia
Un Markdown semplice, senza dipendenze di rendering, può essere elaborato direttamente da un LLM senza parsing HTML, il che spiega la rapida adozione nonostante l'assenza di uno standard formale.
Esperto
Affermazione
llms.txt è una convenzione comunitaria — né W3C né IETF — per un file /llms.txt nella radice del dominio che struttura in Markdown un riepilogo editoriale e un elenco di risorse prioritarie per gli LLM, a complemento di robots.txt e sitemap.xml.
Dati
Il formato tipico include titolo e riepilogo del sito, link alle risorse principali, ambiti di competenza, entità responsabile, politica dei contenuti e data dell'ultimo aggiornamento.
Garanzia
L'assenza di markup HTML e CSS in llms.txt elimina ogni rumore di impaginazione; un LLM può assimilarlo direttamente come contesto di sistema con un costo di elaborazione minimo.
Fondamento
È documentato dalla proposta iniziale di Howard del 2024 e dalla crescente adozione presso importanti editori tecnici, benché a oggi non esista alcuna specifica formale vincolante.
Portata
llms.txt non ha alcun valore vincolante: nulla obbliga un LLM o crawler a leggerlo o rispettarne il contenuto — è una convenzione volontaria, non un meccanismo tecnico di applicazione.
Confutazione
Un file llms.txt mal mantenuto (obsoleto o incoerente con il contenuto reale del sito) può indurre in errore un agente anziché aiutarlo, e nulla nel formato consente all'agente di rilevare automaticamente questa deriva. Una precisazione importante: neppure la validità sintattica del JSON-LD garantisce la veridicità dei dati che contiene — entrambi i formati condividono questo limite, perché una struttura valida non certifica mai l'esattezza del contenuto.

Fonte autorevole: https://llmstxt.org/

Vedi anche: Discovery Layer

Proposta comunitaria pubblicata da Jeremy Howard nel 2024, priva di status W3C o IETF. Un file Markdown situato in /llms.txt fornisce una presentazione concisa del sito e link utili durante l'inferenza; la proposta non impone alcuna modalità specifica di elaborazione ai modelli o agli agenti.

llms-txt

Trasversale Vocabolario comunitario
Principiante
Affermazione
Schema.org è un vocabolario condiviso: fornisce nomi comuni per descrivere che cosa rappresenta un'informazione — una persona, un prodotto o un evento — e le proprietà che la caratterizzano.
Esempio
Per un prodotto, Schema.org permette di indicare esplicitamente nome, prezzo, valuta e disponibilità; questi termini possono poi essere inseriti nella pagina in formato JSON-LD.
Intermedio
Affermazione
Schema.org è un vocabolario comunitario di tipi e proprietà per i dati strutturati del Web. Definisce il significato di termini come Product, Person e Organization, mentre JSON-LD, Microdata e RDFa sono possibili sintassi per codificarli.
Dati
Fondato da Google, Microsoft, Yahoo e Yandex, Schema.org è oggi utilizzato da milioni di domini in tutto il mondo, con un'adozione che continua a crescere.
Garanzia
Quando produttori e consumatori utilizzano gli stessi tipi e proprietà, riducono l'ambiguità lessicale e possono scambiarsi una descrizione semantica senza imporre un unico formato di serializzazione.
Esperto
Affermazione
Schema.org è un insieme aperto, collaborativo, versionato ed estensibile di vocabolari identificati da IRI per descrivere entità, proprietà e relazioni. È indipendente da JSON-LD, Microdata e RDFa, che sono soltanto sintassi di codifica, e non è una Raccomandazione W3C.
Dati
Il sito ufficiale attribuisce la fondazione del progetto a Google, Microsoft, Yahoo e Yandex e ne documenta pubblicamente le versioni; l'adozione si misura in milioni di domini a livello mondiale, ma questo volume cambia continuamente e non viene qui citato con una cifra datata che diventerebbe presto obsoleta.
Garanzia
Identificatori e definizioni condivisi consentono a produttori e consumatori indipendenti di allineare il significato dei dati anche con sintassi diverse; questa interoperabilità semantica non garantisce tuttavia né la veridicità del dato né il suo utilizzo da parte di un motore.
Fondamento
Schema.org pubblica documentazione, cronologia delle versioni e attività di sviluppo su GitHub attraverso un processo comunitario aperto che utilizza anche una mailing list ospitata dal W3C. Tale hosting non gli conferisce lo status di Raccomandazione W3C.
Portata
Schema.org definisce un vocabolario, non una sintassi, un protocollo di scansione, un algoritmo di ranking o una prova di autorevolezza. Ogni utilizzatore decide quali tipi e proprietà supportare e il vocabolario continua a evolvere tra le versioni.
Confutazione
Un markup Schema.org valido può essere ignorato se usa un tipo non supportato, è incompleto o contraddice il contenuto visibile. Non garantisce quindi un rich result, un posizionamento migliore o una citazione da parte di un sistema IA; l'effetto dipende dall'utilizzatore e dalla qualità effettiva dei dati.

Fonte autorevole: https://schema.org/

Vedi anche: JSON-LD · Discovery Layer · Trust Layer

Vocabolario collaborativo fondato da Google, Microsoft, Yahoo e Yandex per i dati strutturati sul Web. Non è una Raccomandazione W3C. Può essere codificato mediante JSON-LD, Microdata o RDFa; è adottato da milioni di domini nel mondo, un volume in continua evoluzione che pertanto non viene indicato qui con un dato numerico datato.

schema-org

SEO Termine consolidato
Principiante
Affermazione
Una SERP è la pagina dei risultati mostrata da un motore dopo una query. Può riunire link ordinati, snippet, immagini, mappe o una sintesi generata accompagnata da più link alle fonti.
Esempio
Dopo la query «miglior ristorante italiano a Parigi», Google può mostrare siti, una mappa, recensioni e talvolta una sintesi generata che rimanda a più fonti: l'intera pagina costituisce la SERP.
Intermedio
Affermazione
La SERP è un'interfaccia composita nella quale un motore organizza diversi tipi di risultati in base alla query: risultati testuali, contenuti multimediali, funzionalità avanzate, moduli di esplorazione e, in alcuni casi, una risposta generativa.
Dati
La galleria ufficiale degli elementi visivi di Google Search Central distingue, tra l'altro, risultati testuali, rich result, risultati di immagini e video e funzionalità di esplorazione. Una SERP reale non si riduce quindi a un elenco fisso di link blu.
Garanzia
Poiché più moduli possono rispondere alla stessa intenzione, l'analisi SEO deve osservare la visibilità nell'intera pagina, non soltanto la posizione di un link convenzionale. Questa lettura descrive l'interfaccia; non garantisce la presenza in alcun modulo.
Esperto
Affermazione
La SERP è il livello di presentazione di un sistema di ricerca: assembla risultati ordinati e funzionalità attivate in base alla query. Una sintesi generativa può far parte di questa pagina e citare più documenti; non costituisce quindi l'opposto concettuale della SERP.
Dati
Google indica che le sue AI Overviews e AI Mode possono eseguire più ricerche correlate e mostrare successivamente link a diverse pagine di supporto. La composizione e i link variano in base ai modelli, alle tecniche impiegate e alla query; non è garantito alcun elenco universale di moduli.
Garanzia
Distinguere il ranking dei documenti dalla sintesi generativa evita una falsa contrapposizione tra SEO e GEO: una stessa pagina può essere classificata come risultato, fungere da fonte per una sintesi, svolgere entrambi i ruoli oppure nessuno dei due.
Fondamento
Questa definizione si basa sulla galleria degli elementi visivi di Google Search Central e sulla documentazione «AI features and your website», aggiornata il 10 dicembre 2025, che descrive risposte generate accompagnate da più link di supporto.
Portata
Il termine SERP descrive ciò che viene presentato all'utente, non gli algoritmi di recupero, ranking o generazione in quanto tali. La sua composizione varia in base al motore, alla lingua, al Paese, al dispositivo, alla query e alla data di osservazione.
Confutazione
Assumere la SERP come unica unità di analisi diventa insufficiente quando la risposta viene fornita tramite un assistente, un'API o un'altra interfaccia priva di una pagina dei risultati convenzionale. Lo studio delle sole SERP non copre quindi tutti i contesti della GEO.

Fonte autorevole: https://developers.google.com/search/docs/appearance/visual-elements-gallery

Vedi anche: AEO (Answer Engine Optimization) · GEO (Generative Engine Optimization)

Termine consolidato della SEO che indica una pagina dei risultati prodotta da un motore di ricerca. Una SERP può combinare link, snippet, contenuti multimediali, funzionalità avanzate e risposte generative; non si riduce quindi a un elenco di link e non si contrappone meccanicamente al GEO.

serp

Trasversale Tassonomia editoriale (Jean-Jacques Valognes)
Principiante
Affermazione
L'Action Layer comprende le porte che un sito apre affinché un agente IA possa agire — non soltanto leggere, ma prenotare, acquistare o compilare un modulo.
Esempio
Un agente che aggiunge un articolo al carrello ed effettua un ordine tramite un'interfaccia dedicata, anziché fare clic come una persona, usa l'Action Layer del sito.
Intermedio
Affermazione
L'Action Layer riunisce le interfacce programmatiche — API ed endpoint — che consentono a un agente di interagire con il sito anziché limitarsi a leggerlo.
Dati
A differenza del Discovery Layer, dedicato alla lettura, l'Action Layer avvia una transazione o modifica lo stato del sito, per esempio un carrello, una prenotazione o un contatto.
Garanzia
Un'azione affidabile da parte di un agente richiede un contratto d'interfaccia esplicito, con schema di input/output definito; un agente non può dedurre un modulo web con la stessa affidabilità con cui richiama una funzione tipizzata.
Esperto
Affermazione
L'Action Layer è il livello dell'architettura agentica che espone interfacce programmatiche strutturate — API REST, tool/function calling e protocolli come UCP o WebMCP — con cui un agente può eseguire un'azione transazionale sul sito.
Dati
I protocolli chiave del 2026 sono UCP — Universal Commerce Protocol per l'e-commerce — e WebMCP — bozza di un Community Group W3C guidata da Google e Microsoft per la connessione generale tra agenti, strumenti e dati — entrambi basati sul tool/function calling.
Garanzia
Un'interfaccia strutturata riduce il tasso di errore di un agente durante un'azione rispetto a un'automazione che deve interpretare un DOM HTML progettato per le persone.
Fondamento
Il tool calling è documentato fin dalle prime architetture di agenti LLM, incluso il function calling di OpenAI nel 2023; WebMCP e UCP ne sono estensioni web-native e settoriali.
Portata
Il supporto di un'Action Layer varia a seconda dei settori, delle piattaforme e degli agenti. Un'interfaccia azionabile richiede inoltre meccanismi di fiducia, autenticazione, autorizzazione e conferma: la sua presenza non significa che un agente potrà o dovrà utilizzarla.
Confutazione
L'idea che sia sempre necessario uno strato dedicato è messa in discussione dagli agenti capaci di utilizzare un'API esistente o un'interfaccia web accessibile senza uno specifico protocollo agentico. Viceversa, un'Action Layer non offre alcun beneficio a un agente incompatibile o non autorizzato, né a un agente il cui compito non richiede alcuna azione.

Vedi anche: WebMCP · UCP (Universal Commerce Protocol)

Tassonomia editoriale proposta da Jean-Jacques Valognes per raggruppare le interfacce che consentono a un agente di eseguire azioni su un servizio web, per esempio cercare, prenotare, acquistare o inviare un modulo. Può includere API tradizionali e specifiche emergenti come WebMCP o UCP.

action-layer

GEO Convenzione emergente
Principiante
Affermazione
Agentic SEO indica anzitutto l'uso di agenti IA per automatizzare o assistere attività SEO, come il crawling, l'audit o la preparazione di raccomandazioni. Alcuni autori usano inoltre il termine per l'adattamento di un sito agli agenti capaci di agire su di esso; questa seconda accezione si sovrappone all'Action Layer.
Esempio
Un agente IA a cui si chiede «prenotami un tavolo per due stasera» e che compila direttamente il modulo di prenotazione di un ristorante è un esempio di Agentic SEO sul sito visitato.
Intermedio
Affermazione
Agentic SEO è un termine il cui uso rimane instabile: a seconda degli autori, indica l'automazione adattiva degli stessi workflow SEO mediante agenti IA (il significato più diffuso nell'uso settoriale attuale) oppure — per estensione — la capacità di un sito di essere azionato da un agente IA esterno (ricerca, prenotazione o acquisto), nel qual caso si sovrappone ampiamente all'Action Layer.
Dati
A differenza della GEO, che mira alla citazione in una risposta, il secondo significato mira all'azione effettiva dell'agente sul sito (riempire un carrello o avviare un pagamento); il primo mira all'ottimizzazione iterativa del lavoro SEO stesso (audit e adeguamenti automatizzati dei contenuti).
Garanzia
Nel 2026 non è ancora stato raggiunto alcun consenso terminologico — i due usi coesistono nella letteratura di settore senza che un organismo o una convenzione dominante abbia stabilito quale prevalga.
Esperto
Affermazione
Agentic SEO è un termine il cui uso rimane instabile, impiegato con due accezioni distinte: (1) l'automazione adattiva degli stessi workflow SEO mediante agenti IA (audit e ottimizzazione iterativa dei contenuti) — il significato dominante nell'uso settoriale attuale; (2) per estensione presso alcuni autori, la capacità di un sito di essere azionato da un agente IA esterno — uso che si sovrappone allora ampiamente all'Action Layer. In assenza di un consenso consolidato, questo glossario non sceglie tra le due accezioni.
Dati
I protocolli emergenti del 2026 (UCP per l'e-commerce e WebMCP per la connessione a strumenti/dati) definiscono contratti d'interazione strutturati tra agente e sito — pertinenti per il significato (2), senza rapporto diretto con il significato (1).
Garanzia
Un sito che espone queste interfacce (significato 2) riduce drasticamente il tasso di errore e di allucinazione dell'agente durante un'attività transazionale rispetto a un agente costretto a dedurre l'azione attraverso il DOM.
Fondamento
Il significato (2) estende il tool/function calling (la capacità di un LLM di invocare una funzione esterna secondo uno schema definito), componente tecnico di base di WebMCP/UCP; il significato (1) appartiene invece alla letteratura settoriale SEO sull'automazione mediante agenti (ad es. Ahrefs, 2026).
Portata
Disciplina emergente nel 2026 in entrambe le accezioni: pochi siti implementano interfacce azionabili (significato 2), mentre i workflow SEO agentici (significato 1) rimangono in gran parte sperimentali — da non confondere con l'Action Layer, che è il nome del livello tecnico, non della disciplina.
Confutazione
Presentare l'Agentic SEO (significato 2) come una disciplina autonoma e distinta dall'Action Layer è discutibile: senza un Trust Layer solido, un agente può rifiutarsi di agire anche quando l'interfaccia tecnica è presente, e la definizione stessa si sovrappone ampiamente a quella dell'Action Layer — la distinzione rimane più editoriale che tecnica.

Fonte autorevole: https://www.searchenginejournal.com/agentic-ai-in-seo-ai-agents-workflows-ideation/540206/

Vedi anche: Action Layer · UCP (Universal Commerce Protocol) · WebMCP

Termine usato principalmente per l'automazione autonoma o semi-autonoma dei workflow SEO tramite agenti IA: ideazione, crawling, audit, analisi e raccomandazioni. Un secondo uso, distinto e meno consolidato, indica l'adattamento dei siti agli agenti capaci di agire; questo secondo significato si sovrappone all'Action Layer.

agentic-seo

Trasversale Tassonomia editoriale (Jean-Jacques Valognes)
Principiante
Affermazione
Il Machine-First Design consiste nel costruire un sito pensando anzitutto a ciò che una macchina deve comprendere, non soltanto a ciò che appare gradevole a una persona.
Esempio
Aggiungere codice invisibile (JSON-LD) che dichiara esplicitamente «questa è una ricetta con questi ingredienti», oltre al testo visibile, è Machine-First Design.
Intermedio
Affermazione
Il Machine-First Design è un approccio all'architettura web in cui la leggibilità per le macchine — JSON-LD e DOM semantico — ha priorità pari o superiore alla leggibilità umana, sostituendo il posizionamento marketing «AI-First».
Dati
Un sito Machine-First espone sistematicamente un livello semantico esplicito, come Schema.org, accanto al rendering visivo, anziché affidarsi all'IA perché deduca il significato dall'HTML e dal CSS visivi.
Garanzia
Una macchina non percepisce né l'impaginazione né le intenzioni visive; soltanto una struttura esplicita — markup e gerarchia semantica — elimina l'ambiguità che il solo layout non può risolvere per un parser.
Esperto
Affermazione
Il Machine-First Design è un principio di architettura software secondo cui ogni informazione significativa di una pagina deve essere accessibile e non ambigua per un parser automatizzato — crawler, agente o LLM — indipendentemente dal rendering visivo.
Dati
Il principio si traduce in SSR o contenuto statico senza dipendenza da JavaScript per il contenuto principale, JSON-LD sistematico, HTML semantico e una gerarchia coerente dei titoli.
Garanzia
Il rendering esclusivamente client-side in JavaScript è invisibile a una parte significativa dei crawler IA che non eseguono JavaScript; il Machine-First Design elimina questo punto di errore per progettazione.
Fondamento
Un riscontro empirico documentato in questo progetto lo dimostra: prima del refactoring SSR, un dashboard renderizzato soltanto in JavaScript forniva un DOM vuoto al primo caricamento, invisibile a ogni crawler senza JavaScript.
Portata
Il Machine-First Design non si oppone a una buona esperienza umana — aggiunge un requisito, non la sostituisce.
Confutazione
Spingere il Machine-First Design all'estremo — markup eccessivo o JSON-LD che duplica male il contenuto visibile — può creare incoerenze tra ciò che legge una macchina e ciò che vede una persona, con il rischio di penalizzazioni per contenuto ingannevole.

Vedi anche: JSON-LD

Tassonomia editoriale proposta da Jean-Jacques Valognes per un'architettura dell'informazione che affronta congiuntamente la comprensione umana e la leggibilità automatica mediante struttura semantica, metadati, formati espliciti e interfacce documentate. Non è né uno standard né un termine consolidato del settore.

machine-first-design

Trasversale Tecnica consolidata
Principiante
Affermazione
Il RAG è il processo con cui un'IA cerca informazioni aggiornate su Internet o in un database prima di rispondere, anziché affidarsi soltanto a ciò che ha appreso durante l'addestramento.
Esempio
Quando ChatGPT cerca sul web per rispondere a una domanda di attualità recente e cita le fonti, utilizza il RAG.
Intermedio
Affermazione
Il RAG — Retrieval-Augmented Generation — combina un sistema di recupero delle informazioni con un modello generativo (LLM), ancorando la risposta a fonti esterne anziché soltanto alla memoria parametrica del modello.
Dati
Il RAG riduce il rischio di allucinazioni fornendo all'LLM un contesto fattuale recuperato al momento della richiesta, che il modello potrebbe non aver memorizzato durante l'addestramento.
Garanzia
Un contenuto correttamente strutturato e indicizzabile ha maggiori probabilità di essere selezionato nella fase di recupero e quindi di influenzare la risposta generata — il legame diretto tra RAG e GEO.
Esperto
Affermazione
Il RAG è un'architettura in due fasi: recupero di passaggi pertinenti da un corpus esterno, spesso tramite ricerca vettoriale o dense retrieval, seguito dalla generazione di una risposta da parte di un LLM condizionato su tali passaggi; è stato formalizzato in particolare da Lewis et al. nel 2020.
Dati
Il recupero dipende dalla qualità dell'indicizzazione — embedding e chunking — e dalla disponibilità del contenuto — scansionabile, non bloccato e non esclusivamente JavaScript; la generazione dipende dalla capacità dell'LLM di sintetizzare fedelmente i passaggi forniti.
Garanzia
In un sistema RAG controllato, segmentazione, metadati e indicizzazione possono influenzare il recupero, ma il loro effetto dipende dal corpus, dalla suddivisione in chunk, dalle rappresentazioni, dalla query e dal ranking. Va verificato mediante metriche di retrieval; la GEO sul web pubblico non può presumere che un motore segua la segmentazione scelta dall'editore.
Fondamento
Il riferimento accademico fondatore è Lewis, P. et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», NeurIPS 2020; da allora la tecnica è stata ampiamente industrializzata.
Portata
Non tutti i motori generativi usano il RAG tradizionale; alcuni combinano ricerca web in tempo reale, cache e RAG interno — il termine indica una famiglia di tecniche, non un'unica implementazione.
Confutazione
Il RAG riduce ma non elimina le allucinazioni: un LLM può interpretare o attribuire erroneamente un passaggio recuperato correttamente — la qualità del recupero è necessaria ma non sufficiente per una risposta affidabile.

Fonte autorevole: https://arxiv.org/abs/2005.11401

Vedi anche: GEO (Generative Engine Optimization) · AEO (Answer Engine Optimization)

Tecnica di IA consolidata derivata dai lavori di Lewis et al. presentati a NeurIPS 2020. Combina una memoria parametrica con una memoria esterna recuperata per condizionare la generazione. La sua applicazione a GEO/AEO è un uso successivo e non trasforma RAG in uno standard.

rag

GEO Convenzione emergente
Principiante
Affermazione
LLMO indica le tecniche che rendono un contenuto più facile da assimilare e riutilizzare per un LLM — un termine più tecnico e meno usato della GEO in ambito strategico.
Esempio
Suddividere un articolo in paragrafi brevi e autonomi invece di un unico blocco di 2.000 parole è una pratica LLMO.
Intermedio
Affermazione
LLMO è la controparte tecnica, orientata agli sviluppatori, della GEO: ottimizza l'ingestione dei contenuti da parte di un LLM — segmentazione, formattazione e assenza di rumore visivo — anziché la strategia globale di visibilità.
Dati
Gli sviluppatori usano LLMO per indicare scelte implementative precise, come la dimensione dei chunk e una struttura Markdown o HTML pulita, mentre GEO indica soprattutto l'obiettivo aziendale di essere citati.
Garanzia
Un contenuto segmentato male o sovraccarico di JavaScript costringe l'LLM, o la sua pipeline RAG, a un'elaborazione degradata — LLMO interviene direttamente su questa fase meccanica.
Esperto
Affermazione
LLMO comprende le pratiche di ingegneria dei contenuti che ottimizzano segmentazione, pulizia e formattazione di una pagina per le fasi di chunking ed embedding di una pipeline RAG.
Dati
Una pipeline RAG segmenta il testo in chunk, spesso di 200–800 token, prima di vettorizzarli; un HTML rumoroso — menu, pubblicità o JavaScript non renderizzato — inquina tale segmentazione.
Garanzia
Un rendering accessibile, testo disponibile e una struttura semantica facilitano l'esplorazione e l'analisi del contenuto. Il loro effetto sulla suddivisione in chunk e sul recupero dipende tuttavia dal sistema di destinazione, i cui metodi spesso non sono pubblici; tale effetto va misurato, non presentato come meccanico.
Fondamento
Ciò deriva dalle pratiche documentate di preparazione dei corpus per la vettorizzazione nel RAG, comuni nell'ingegneria ML, senza costituire uno standard formalizzato con il nome LLMO.
Portata
LLMO è un termine d'uso meno diffuso di GEO o AEO; il suo perimetro esatto varia a seconda che lo impieghi uno sviluppatore o un marketer.
Confutazione
Un contenuto tecnicamente perfetto per LLMO può comunque non essere citato se manca dell'autorevolezza del Trust Layer — LLMO ottimizza l'ingestione, non la fiducia accordata alla fonte.

Vedi anche: GEO (Generative Engine Optimization) · RAG (Retrieval-Augmented Generation)

Termine emergente e non standardizzato che indica, secondo gli autori, l'ottimizzazione di contenuti, dati o sistemi per il loro utilizzo da parte dei modelli linguistici. Il suo perimetro si sovrappone a GEO, AEO e all'ingegneria RAG.

llmo

Trasversale Tassonomia editoriale (Jean-Jacques Valognes)
Principiante
Affermazione
Il Trust Layer comprende le prove che un sito mostra a un'IA per dire «puoi fidarti di me» — chi sono, chi ha scritto il contenuto e se l'informazione è verificabile.
Esempio
Indicare chiaramente l'autore di un articolo con il relativo profilo di competenza, anziché pubblicare anonimamente, rafforza il Trust Layer della pagina.
Intermedio
Affermazione
La Trust Layer raggruppa gli elementi (Entity Schema, marcatura dell'autore, fonti primarie citate) che consentono a un agente di valutare la verificabilità di un'informazione prima di citarla o di agire sulla base di essa.
Dati
Un agente IA può incrociare più segnali (sito + profili terzi + recensioni) anziché fidarsi di una singola pagina isolata, ma questo comportamento dipende dal sistema e non è documentato in modo universale.
Garanzia
Un'attribuzione esplicita (autore, organizzazione) facilita la verifica dell'origine di un'informazione. La sua influenza reale sulla selezione o sulla citazione da parte di un dato sistema dipende tuttavia da tale sistema e non è dimostrata da alcuna documentazione pubblica generalizzabile.
Esperto
Affermazione
Il Trust Layer è il livello dell'architettura agentica che fornisce segnali di verificabilità e autorevolezza (Entity Schema, paternità, fonti primarie e coerenza tra piattaforme), consentendo a un agente di valutare l'affidabilità editoriale di un contenuto prima di citarlo o agire. Il DNSSEC interviene a un livello diverso: autentica l'origine e l'integrità dei dati DNS, non l'affidabilità del contenuto pubblicato.
Dati
In concreto: markup Person/Organization di Schema.org, coerenza dei dati NAP (nome, indirizzo e telefono) tra il sito e le directory di terze parti, recensioni aggregate dei clienti, anzianità e freschezza dei contenuti, sicurezza del trasporto (HTTPS) e della risoluzione del dominio (DNSSEC, senza alcun rapporto con l'affidabilità editoriale).
Garanzia
Attribuzione, fonti primarie e aggiornamento rendono un'informazione più facile da verificare. In assenza di documentazione pubblica specifica del sistema studiato, non si può tuttavia affermare che tali segnali ne riducano meccanicamente le allucinazioni o garantiscano una citazione; sono indicatori di verificabilità da sottoporre a test.
Fondamento
Questo principio estende al contesto agentico i criteri E-E-A-T di Google — Expertise, Experience, Authoritativeness e Trustworthiness — già documentati nella SEO tradizionale.
Portata
La Trust Layer non dispone di un'unica misura oggettiva: la sua valutazione dipende dal motore o dall'agente. Inoltre, i suoi segnali possono essere esaminati solo se il contenuto è accessibile; non compensa né una risorsa non individuabile né un'informazione che il sistema non è in grado di interpretare.
Confutazione
Un'identità dichiarata chiaramente, citazioni e un markup tecnicamente corretto possono accompagnare contenuti falsi, obsoleti o manipolati. L'accumulo di segnali di fiducia non dimostra quindi la verità di un'affermazione e può essere esso stesso costruito ad arte.

Vedi anche: JSON-LD

Tassonomia editoriale proposta da Jean-Jacques Valognes per raggruppare i segnali di provenienza, attribuzione, citazione, identità e aggiornamento che un sistema può esaminare. Questi segnali facilitano la verifica, ma non dimostrano da soli l'affidabilità di un'informazione.

trust-layer

GEO Specifica aperta
Principiante
Affermazione
UCP è un linguaggio comune che consente a un'IA di acquistare in qualsiasi negozio online nello stesso modo, senza che ogni sviluppatore debba reinventare il processo.
Esempio
Con UCP, un agente IA potrebbe cercare un prodotto, aggiungerlo al carrello e pagare in qualsiasi negozio compatibile seguendo ogni volta gli stessi passaggi.
Intermedio
Affermazione
UCP — Universal Commerce Protocol — è uno standard aperto co-sviluppato da Shopify e Google nel 2026 che consente agli agenti IA di interagire in modo uniforme con i negozi e-commerce per ricerca nel catalogo, carrello e checkout.
Dati
Prima di UCP, ogni sito e-commerce esponeva — o non esponeva — una propria logica d'integrazione con gli agenti; UCP mira a fornire un unico contratto, indipendentemente dal sito.
Garanzia
Un'interfaccia transazionale unificata riduce i costi d'integrazione per gli sviluppatori di agenti — un solo protocollo da supportare — e amplia la copertura dell'e-commerce realmente azionabile da un agente.
Esperto
Affermazione
UCP è un protocollo aperto e standardizzato, co-sviluppato da Shopify e Google nel 2026, che definisce operazioni e-commerce azionabili da un agente IA — ricerca nel catalogo, gestione del carrello e checkout — indipendentemente dalla piattaforma sottostante.
Dati
UCP e ACP propongono contratti distinti per il commercio agentico. I loro ambiti e le loro integrazioni sono ancora in evoluzione; i documenti disponibili pubblicamente non consentono di stabilire che uno dei due protocolli domini in modo duraturo l'intero mercato.
Garanzia
Il coinvolgimento di organizzazioni consolidate può facilitare le integrazioni iniziali di UCP, ma non dimostra né un effetto di rete duraturo né una sua futura posizione come standard de facto. Tale esito dipenderà da implementazioni interoperabili, dal supporto delle piattaforme e dall'uso effettivo rispetto a specifiche concorrenti come ACP.
Fondamento
UCP e ACP (Agentic Commerce Protocol) sono due specifiche aperte, distinte e concorrenti, per il commercio agentico. ACP, co-sviluppato da OpenAI e Stripe e pubblicato nel 2025, definisce in particolare un'interfaccia di checkout tra applicazioni compatibili e commercianti; non ingloba UCP. La loro adozione relativa resta una questione empirica non risolta.
Portata
È uno standard settoriale per l'e-commerce, non generalista: non copre casi d'uso estranei alle transazioni commerciali, come la prenotazione di servizi o i moduli di contatto.
Confutazione
L'adozione di UCP dipende dall'integrazione effettiva nelle piattaforme e-commerce di terze parti, oltre Shopify; un sito su una piattaforma incompatibile non può beneficiarne nonostante lo status di standard aperto.

Fonte autorevole: https://ucp.dev/

Vedi anche: WebMCP · Action Layer

Specifica aperta per il commercio agentico, sviluppata congiuntamente da un ecosistema che comprende in particolare Google, Shopify e altri operatori del commercio. UCP descrive funzionalità che vanno dalla scoperta al carrello, al checkout e alla gestione degli ordini. La sua recente introduzione impone di distinguere una specifica pubblicata dalla sua adozione reale.

ucp

GEO Proposta in incubazione
Principiante
Affermazione
WebMCP è un progetto in discussione che dovrebbe consentire a un'IA di connettersi facilmente agli strumenti e ai dati di un sito, un po' come una presa elettrica universale tra agenti IA e siti web — non è ancora uno standard ufficiale.
Esempio
Con WebMCP, un agente IA potrebbe interrogare direttamente le scorte di un negozio online invece di dedurre l'informazione leggendo la pagina del prodotto.
Intermedio
Affermazione
WebMCP è una bozza (Community Group Draft, esplicitamente al di fuori dello Standards Track) discussa in un Community Group W3C (con la partecipazione di Google e Microsoft, avviato all'inizio del 2026), volta a definire un'API JavaScript che standardizzi la connessione tra LLM/agenti e strumenti o dati esterni — l'evoluzione web-native del protocollo MCP di Anthropic (fine 2024).
Dati
MCP — Model Context Protocol — è stato inizialmente progettato per collegare un LLM a strumenti locali e server; WebMCP trasferisce questo principio al contesto web, da sito a sito e da agente a sito.
Garanzia
Standardizzare questa connessione evita che ogni sito definisca un proprio protocollo ad hoc e che ogni agente sviluppi un'integrazione specifica per ciascun sito.
Esperto
Affermazione
WebMCP è un Community Group Draft (esplicitamente al di fuori dello Standards Track del W3C e quindi non una proposta di standard in senso stretto) discusso all'interno di un Community Group W3C (con la partecipazione di Google e Microsoft, avviato all'inizio del 2026). Definisce un'API JavaScript — non un protocollo di rete generico — che consente a un agente o LLM di scoprire e invocare strumenti esposti da una pagina web, nella diretta filiazione del Model Context Protocol di Anthropic (2024).
Dati
Il protocollo mira a definire la scoperta degli strumenti disponibili su un sito, i relativi schemi d'invocazione con input e output tipizzati e il meccanismo di chiamata — allo stesso livello di astrazione del tool/function calling, ma standardizzato tra siti.
Garanzia
L'incubazione di WebMCP in un gruppo comunitario dell'ecosistema W3C può favorire una terminologia comune e l'interoperabilità, ma solo se la proposta converge, riceve implementazioni indipendenti e viene adottata. Il suo stato fuori dallo Standards Track al 3 agosto 2026 non garantisce né durata né effetto di rete.
Fondamento
La derivazione da MCP — specifica pubblicata da Anthropic alla fine del 2024 e ampiamente adottata negli strumenti di sviluppo IA — offre a questa estensione web una base tecnica collaudata.
Portata
Nel 2026 resta una bozza: la specifica non è definitiva e l'implementazione reale nei browser e nei siti è marginale — va considerata una direzione, non uno standard operativo.
Confutazione
Una bozza può essere abbandonata o modificata sostanzialmente prima della standardizzazione; usare oggi WebMCP come base di produzione comporta un rischio di rapida obsolescenza, a differenza di JSON-LD, Raccomandazione W3C stabile.

Fonte autorevole: https://webmachinelearning.github.io/webmcp/

Vedi anche: Action Layer · UCP (Universal Commerce Protocol)

Draft Community Group Report del W3C Web Machine Learning Community Group, al di fuori dello Standards Track. Il rapporto del 28 luglio 2026, curato da contributori di Microsoft e Google, descrive un'API JavaScript che consente alle applicazioni web di esporre strumenti agli agenti IA. L'incubazione è iniziata nel 2025.

webmcp