Come funziona il GEO in hindi?

L’hindi è la terza lingua più parlata al mondo (oltre 600 milioni di persone secondo Ethnologue) e la lingua dei contenuti di meno dello 0,1% dei siti. Nessun’altra lingua in cui lavoriamo ha un rapporto tra parlanti e contenuti così sbilanciato: la quota dello 0,4% dell’ebraico sul web serve circa nove milioni di parlanti; la minuscola quota dell’hindi ne serve seicento milioni. Quando un assistente compone una risposta in hindi, recupera le pagine da uno dei corpora commerciali più scarni del web.

Questa scarsità cambia chi viene citato. Gli assistenti si appoggiano alla manciata di fonti strutturate in hindi che esistono, oppure ripiegano su pagine inglesi e le traducono al volo; perciò le poche fonti madrelingua in hindi che rispondono bene a una domanda vengono citate più e più volte. Nelle nicchie inglesi affollate, conquistare una citazione richiede mesi di corroborazione; in hindi una sola pagina ben strutturata può presidiarla quasi senza concorrenza.

Questa guida è il complemento linguistico della nostra guida al mercato indiano, che tratta il mercato in sé: numero di utenti, domande delle grandi città, sensibilità al prezzo. Qui restiamo sulla lingua: che cosa fa il devanagari a byte e token, come si comporta l’hinglish nel recupero delle pagine e perché il lavoro sull’entità in hindi supera i confini dell’India.

Il devanagari ha un costo meccanico che la maggior parte dei team non vede mai. In UTF-8 ogni carattere devanagari occupa tre byte, contro uno per il latino; i testi in hindi sono più corti e conservano nomi latini e cifre, perciò in pratica le stesse guide pesano circa il doppio delle equivalenti inglesi (1,7 MB contro 0,84 MB sul nostro sito, ottobre 2026). Ne risentono i crawl budget e le esportazioni leggibili dalle macchine (sul nostro sito l’esportazione llms-full in hindi è stata la prima a superare il limite di dimensione, da allora passato da 100 KB a 2 MB), e tutto ciò che tronca in base al numero di byte tronca per primo l’hindi.

La tokenizzazione aggrava il problema. I tokenizer dei principali modelli sono addestrati soprattutto su testi in inglese e in alfabeto latino e frammentano il devanagari in molti più token per frase: una ricerca sull’equità dei tokenizer ha misurato differenze fino a 15 volte tra le lingue per lo stesso testo. In pratica nella finestra di contesto entra meno hindi, gli estratti delle pagine si interrompono prima e le pagine prolisse perdono le affermazioni chiave per troncamento.

Tenete i passaggi brevi e autosufficienti, con il nome del marchio e il fatto principale all’inizio. Usate formulazioni coerenti e titoli che rispecchiano le domande dei lettori. Le risposte dirette contano in ogni lingua; il fabbisogno di token dell’hindi rende la struttura concisa particolarmente utile.

Una buona parte delle domande reali in hindi non tocca mai il devanagari. Gli utenti scrivono la grammatica hindi in caratteri latini, con vocaboli commerciali inglesi (nomi di marchi, categorie, «best», «price») mescolati a metà frase. Questa alternanza di lingue è così strutturale che i ricercatori di NLP hanno costruito un benchmark apposta (GLUECoS, in cui inglese-hindi è una delle due coppie di lingue), e il recupero delle pagine tratta la forma in devanagari, quella in hinglish e quella in inglese della stessa domanda come tre formulazioni diverse che raggiungono tre insiemi di fonti diversi.

L’hinglish non ha un’ortografia standard: la stessa parola può comparire come «accha», «acha» o «achha», e variano anche «kaise» e «kese», oppure «zyada» e «jyada». Un sito hinglish separato non è la soluzione che consigliamo. Indicate marchio e categoria nelle due scritture dove serve sulle pagine in hindi, poi testate separatamente le domande in hinglish per vedere se quelle pagine vengono trovate.

I modelli devono imparare che la resa in devanagari e quella in caratteri latini di un marchio sono la stessa entità; altrimenti le citazioni si dividono tra due nomi conosciuti a metà e nessuno dei due accumula autorevolezza. Perciò entrambe le forme vanno dichiarate in modo deliberato: dati strutturati con nomi alternativi, profili che riportano entrambe le rese e pagine in hindi che mostrano il nome latino del marchio accanto a quello in devanagari, invece di lasciare l’associazione al caso. Le fonti in hindi mescolano di solito le scritture a metà frase, e questo gioca a vostro favore, purché siano le vostre pagine a stabilire per prime l’abbinamento canonico.

Il lavoro in hindi serve anche lettori fuori dall’India. Persone negli Emirati, negli Stati Uniti e nel Regno Unito pongono domande in hindi agli assistenti. La nostra guida su Dubai include l’hindi perché la comunità indiana è il gruppo più numeroso della popolazione degli Emirati. Una pagina utile in hindi può servire clienti sia a Lucknow sia a Dubai, estendendo il valore dei contenuti a più mercati.

L’hindi non è una scommessa sul futuro: i servizi sono già attivi. Google ha lanciato le AI Overviews in India nell’agosto 2024 sia in inglese sia in hindi, con un selettore di lingua presentato come funzione pensata prima di tutto per l’India, e ChatGPT, Perplexity e Gemini rispondono oggi a domande in hindi e in hinglish. Il corpus è scarso e la maggior parte dei marchi non se n’è accorta: questa combinazione è tutta l’opportunità.

L’hindi è una delle nostre nove lingue native e lo misuriamo come tutte le altre: un set di prompt fisso per lingua, definito il primo giorno; sessioni pulite su ChatGPT, Perplexity e Gemini; share of voice e tasso di citazione seguiti rispetto a quella misurazione iniziale. Il metodo è applicato prima al nostro sito e documentato con schermate non ritoccate nel nostro caso studio pubblico, dove l’hindi figura esplicitamente tra le capacità verificate.