Come funziona il GEO in hindi?

L'hindi è la terza lingua più parlata al mondo — oltre 600 milioni di persone secondo il conteggio di Ethnologue — e la lingua di contenuto di meno dello 0,1% dei siti web. Nessun'altra lingua in cui lavoriamo ha un rapporto parlanti-contenuti anche lontanamente così sbilanciato: lo 0,4% di quota web dell'ebraico serve circa nove milioni di parlanti; la fetta hindi ne serve seicento milioni. Quando un assistente compone una risposta in hindi, attinge a uno dei corpus commerciali più sottili del web.

Quel corpus così sottile cambia chi viene citato. Gli assistenti o si appoggiano alla manciata di fonti hindi strutturate che esistono, o ricadono sulle pagine inglesi e traducono al volo — il che significa che le poche fonti hindi native che rispondono a una domanda in modo pulito vengono citate di continuo. Nelle nicchie inglesi affollate, uno slot di citazione si conquista in mesi di corroborazione; in hindi, una sola pagina ben strutturata può possederlo quasi senza concorrenza.

Questa guida è il complemento a livello di lingua della nostra guida sul mercato indiano, che tratta il mercato in sé — numeri di utenti, prompt a livello di metropoli, schemi di sensibilità al prezzo. Qui restiamo sulla lingua: cosa fa il Devanagari a byte e token, come si comporta l'hinglish nel retrieval, e perché il lavoro sull'entità in hindi viaggia oltre 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, quindi lo stesso contenuto pesa circa tre volte l'equivalente inglese. I crawl budget ne risentono, gli export leggibili dalle macchine ne risentono — sul nostro stesso sito, l'export llms-full in hindi ci ha costretto a raddoppiare il limite di dimensione — e qualunque cosa tronchi per conteggio di byte tronca prima l'hindi.

La tokenizzazione aggrava il problema. I tokenizer dietro i modelli principali sono addestrati soprattutto su inglese e testo in scrittura latina, e frammentano il Devanagari in molti più token per frase: la ricerca sull'equità dei tokenizer ha misurato differenze fino a 15 volte tra lingue per lo stesso testo. In pratica nell'hindi entra meno testo nella finestra di contesto, gli snippet di retrieval si interrompono prima, e le pagine verbose perdono le affermazioni chiave per il troncamento.

La contromisura è strutturale, non furba: passaggi brevi e autosufficienti che dichiarano il nome del brand e l'affermazione nella prima frase, forme piane e ripetute invece di variazioni eleganti, e intestazioni che coincidono con il modo in cui le domande vengono davvero formulate. La scrittura answer-first conta in ogni lingua; in hindi l'economia dei token la rende non negoziabile.

Una quota ampia dei prompt hindi reali non tocca mai il Devanagari. Gli utenti digitano la grammatica hindi in scrittura latina, con vocabolario commerciale inglese — nomi di brand, categorie, "best", "price" — mescolato a metà frase. Questo code-switching è abbastanza strutturale da aver spinto i ricercatori NLP a costruirci intorno un benchmark (GLUECoS, con inglese-hindi come una delle due coppie di lingue), e il retrieval tratta la forma Devanagari, la forma hinglish e la forma inglese della stessa domanda come tre formulazioni diverse che raggiungono tre bacini di fonti diversi.

L'hinglish aggiunge uno scoglio che le altre due modalità non hanno: nessuna ortografia standard. La stessa parola si romanizza come "accha", "acha" o "achha"; "kaise" compete con "kese"; "zyada" con "jyada". Non lo si risolve con un sito hinglish a parte — l'hinglish è una modalità di retrieval, non una locale. Lo si risolve con passaggi che nominano brand e categoria in entrambe le scritture, così il matching a scrittura mista li trova, e con una batteria di prompt in hinglish misurata sulla propria curva.

I modelli devono imparare che la forma Devanagari e la forma latina di un brand sono la stessa entità — altrimenti le citazioni si spezzano tra due nomi mezzo noti e nessuno dei due accumula autorevolezza. Significa dichiarare entrambe le forme di proposito: dati strutturati con nomi alternativi, profili che scrivono entrambe le forme, e pagine hindi che stampano il nome latino del brand accanto a quello Devanagari invece di lasciare la corrispondenza al caso. Le fonti hindi mescolano abitualmente le scritture a metà frase, e questo lavora a vostro favore — se le vostre pagine impostano per prime l'abbinamento canonico.

Il lavoro sull'entità in hindi viaggia anche. I prompt in hindi arrivano dalla diaspora negli Emirati, negli USA e nel Regno Unito, non solo dall'India — la nostra guida su Dubai conduce una pista hindi dedicata proprio per questo, perché la comunità indiana è il primo gruppo di popolazione negli Emirati. Una fonte hindi che gli assistenti possono citare serve un acquirente a Lucknow e uno a Dubai dalla stessa pagina; lo strato linguistico è un unico investimento ammortizzato su ogni mercato in cui i parlanti hindi fanno domande.

L'hindi non è una scommessa sul futuro; le superfici sono già attive. Google ha lanciato le AI Overviews in India nell'agosto 2024 in inglese e in hindi, con un interruttore di lingua presentato come funzione India-first, e ChatGPT, Perplexity e Gemini rispondono oggi ai prompt in hindi e in hinglish. Il corpus è sottile e la maggior parte dei brand non se n'è accorta — quella combinazione è l'intera occasione.

L'hindi è una delle nostre nove lingue native, e lo misuriamo come misuriamo tutte: un set di prompt fisso per lingua definito il primo giorno, sessioni pulite non autenticate su ChatGPT, Perplexity e Gemini, e share of voice più tasso di citazione tracciati rispetto a quella baseline del primo giorno. Non inventiamo risultati dei clienti — il metodo lo applichiamo prima al nostro stesso sito e lo documentiamo con screenshot non ritoccati nel caso studio pubblico, con l'hindi esplicitamente tra le capacità verificate.