Passare al contenuto
GET-GEO.AI
/
← Tutte le guide

// guida

Perché «quale LLM usate?» è la domanda sbagliata?

Dmitry Filippov

Autore: Dmitry Filippov, Founder, GET-GEO.AI
Pubblicato: 2026-08-03 · Aggiornato: 2026-11-18

// risposta breve

Il comportamento di un modello dipende dal sistema che lo circonda: ricerca, strumenti, istruzioni, ordinamento dei risultati e controlli di sicurezza. Lo stesso modello può quindi citare fonti diverse in prodotti diversi. Il GEO riguarda il modo in cui ogni prodotto trova e legge le pagine e quali fonti esterne confermano le informazioni che contengono.

  • «Quale LLM?» è la domanda sbagliata: mettete un solo modello dentro due prodotti, gli agenti cloud di Cursor e Claude Tag (Anthropic, giugno 2026), e l’harness gli affida due lavori diversi.
  • Un harness ha quattro parti: il prompt di sistema, gli strumenti, il contesto e la memoria, il ciclo di lavoro; cambiatele e lo stesso modello diventa un altro prodotto.
  • Prima di pagare un modello più potente, controllate le quattro parti dell’harness: un modello migliore non può aggiungere strumenti, memoria o accesso ai dati che il prodotto non gli dà.
  • Tre passaggi quando un assistente cerca: la ricerca trova le pagine, un parser estrae il testo, il modello compone. Nella nostra ricerca di settembre 2026, 22 risposte di ChatGPT su 52 non avevano link registrabili.
  • Misurate separatamente i prodotti di un fornitore: nelle 20 risposte dell’app Gemini e Google AI Mode della nostra verifica del 14 settembre 2026, un solo URL completo recuperato era in entrambi. Un giorno, URL incompleti.

Lo stesso modello può svolgere lavori diversi

Spesso le aziende cominciano a valutare uno strumento di IA chiedendo quale modello usa: GPT o Claude, quale versione, e se l’ultima uscita renderà il prodotto migliore. Sono domande ragionevoli, ma dicono poco degli strumenti e delle informazioni che il prodotto può usare per portare a termine un compito.

Supponiamo che lo stesso modello si trovi dentro due prodotti che ricevono entrambi le richieste in Slack. Il primo sono gli agenti cloud di Cursor, un prodotto per la programmazione: avviato con una menzione @cursor, un agente lavora in una macchina virtuale isolata, con un modello che scegliete dall’elenco di Cursor, clona il repository, scrive e testa la modifica e può aprire una pull request.

Il secondo è Claude Tag, che Anthropic ha lanciato in beta il 23 giugno 2026: Claude entra nei canali Slack selezionati come membro del team, costruisce il contesto a partire da ciò che vi legge e si collega agli strumenti, ai dati e alle basi di codice scelti da un amministratore. Sa scrivere codice anche lui, ma in un canale impostato per il lavoro commerciale potrebbe altrettanto bene rivedere una conversazione con un cliente e suggerire come rispondere alla terza richiesta di sconto.

In questa ipotesi il modello di base è lo stesso, ma i prodotti gli affidano ruoli, strumenti e contesto diversi. Un agente di programmazione può essere in grado di commentare una conversazione con un cliente, ma gli mancheranno le informazioni e il flusso di lavoro di uno strumento pensato per quel compito.

Che cos’è un harness

Un harness è il software e la configurazione intorno a un modello: le istruzioni, gli strumenti, il contesto e il flusso di lavoro che lo trasformano in un prodotto utilizzabile.

  • Il prompt di sistema: le istruzioni che definiscono ruolo, tono, priorità e limiti. Decide se l’agente riduce ogni compito a codice o ragiona sull’attività dell’azienda.
  • Gli strumenti: ciò a cui l’agente può accedere. Un terminale e git ne fanno un programmatore. Un CRM e la posta elettronica ne fanno un assistente commerciale. Una ricerca web e un crawler ne fanno un analista che legge il vostro sito e quelli dei concorrenti prima di dare consigli.
  • Contesto e memoria: ciò che l’agente sa di voi. Cronologia dei canali, documenti aziendali, decisioni passate. Un modello senza contesto vi incontra per la prima volta a ogni conversazione.
  • Il ciclo di lavoro: come si svolge l’attività dell’agente, cioè una risposta singola, una lunga sessione autonoma, l’autoverifica o il passaggio a una persona.

Cambiate l’harness, cambiate il prodotto

Cambiate l’harness e lo stesso modello diventa un altro prodotto: riceve un altro ruolo, altri strumenti e altre informazioni su cui lavorare. Il rovescio conta quando un prodotto delude. Un modello migliore non può aggiungere uno strumento, una memoria o un accesso ai dati che il prodotto non gli dà, perciò consigliamo di controllare l’harness prima di pagare un modello più potente. Non abbiamo confrontato noi stessi modelli e harness con prove sistematiche: consideratela una regola di lavoro e verificatela sul vostro compito.

Perché riguarda il vostro sito

Tutto questo vale non solo per gli strumenti che acquistate, ma anche per come l’IA vede la vostra azienda. Quando un potenziale cliente chiede a ChatGPT, Claude o Perplexity «quale servizio scegliere per X», l’harness decide prima di tutto se cercare sul web. Nella nostra ricerca sulle pagine che citano gli assistenti, svolta il 14 e il 15 settembre 2026, 22 delle 52 risposte di ChatGPT (senza account, ricerca web attiva) non avevano alcun link a una fonte che potessimo registrare: o non era partita nessuna ricerca, o l’interfaccia mostrava etichette delle fonti senza URL, e il nostro dato non separa i due casi. Quando una ricerca parte, uno strumento di ricerca trova le pagine, un parser ne estrae il testo e solo dopo il modello compone la risposta. A ogni passaggio il vostro sito supera il filtro oppure no.

Anche il prodotto che risponde può cambiare la provenienza delle fonti. Il 14 settembre 2026 abbiamo posto cinque domande di acquirenti GEO, due volte ciascuna, nell’app Gemini e nell’AI Mode di Google, due prodotti di uno stesso fornitore: in quelle 20 risposte uno solo degli URL completi che siamo riusciti a recuperare compariva in entrambi (la verifica è descritta nella nostra guida per farsi citare da Gemini). Il 27 settembre 2026 abbiamo posto a ChatGPT 30 domande su attività locali, due volte ciascuna, in otto nicchie a Houston, Miami e Londra: nelle 55 risposte che mostravano una mappa, 280 delle 305 attività nominate erano anche nelle schede della mappa, segno che uno strumento di schede delle attività, una parte dell’harness diversa dalla ricerca web, determina quella rosa ristretta. Sono entrambe verifiche di un giorno, in inglese. Per tre delle cinque domande su Gemini non è stato possibile recuperare gli URL completi, l’AI Mode mostrava parte delle fonti come etichette senza URL e la verifica non ha stabilito quale versione del modello rispondesse nei due prodotti. Leggetela come un primo sguardo a due prodotti che elencano fonti diverse, non come un solo modello che si comporta in due modi.

Un bel sito costruito con molto JavaScript lato client può essere invisibile al parser. Una pagina senza una struttura chiara (titoli, fatti, dettagli concreti) può essere letta e comunque non citata: il modello ha poco da prelevare. Con poche menzioni su fonti esterne, la fase di ricerca ha poco da trovare oltre alle vostre pagine. Per una domanda ristretta può bastare: in sei sessioni pulite di ChatGPT del 13 e 17 agosto 2026 le domande su un’agenzia GEO multilingue ci hanno messo al primo posto ogni volta, e la risposta del 17 agosto citava il nostro sito nel testo. Si tratta di un solo assistente e del nostro marchio, su domande ristrette, e le citazioni di quelle esecuzioni comprendevano anche i nostri profili su Crunchbase, LinkedIn e Trustpilot. Per una domanda ampia del tipo «i migliori X» mettete in conto che parte della risposta poggi su pagine di terzi: nelle domande sulla scelta del fornitore della ricerca di settembre citata sopra, elenchi e siti di confronto hanno preso 77 dei 306 link (25%) sui quattro assistenti.

È esattamente di questo che si occupa il GEO (Generative Engine Optimization): ottimizzare non per un algoritmo di posizionamento, ma per l’harness dei sistemi generativi, cioè per il modo in cui gli agenti di IA scoprono, leggono e riraccontano i vostri contenuti. La SEO classica si chiedeva «come entriamo tra i primi 10 link?». Il GEO si chiede «come entriamo nella risposta stessa?»

Che cosa fare di tutto questo

Quando scegliete uno strumento di IA, verificate se i suoi strumenti, l’accesso ai dati e il flusso di lavoro sono adatti al compito. Possono contare più del fatto che usi il modello più potente.

Se create internamente uno strumento di IA, definite prima il ruolo dell’agente, quali informazioni può vedere, quali azioni può compiere e dove deve fermarsi. Scegliete il modello all’interno di quell’impostazione: si può cambiare man mano che i requisiti evolvono.

Per la visibilità del sito, considerate che cosa un assistente può recuperare e usare dalle vostre pagine. Informazioni chiare e accessibili gli danno un contesto utile per rispondere alla domanda di un cliente. Verificate ogni assistente separatamente e ponete ogni domanda più di una volta: come suggeriscono le verifiche descritte sopra, un risultato in un prodotto può non valere per un altro. Misuriamo quattro assistenti per lingua: ChatGPT, Perplexity, Gemini e Google AI Overviews o AI Mode, dove disponibili.

Domande frequenti

Che cos’è un harness nei prodotti di IA?

L’harness è tutto ciò che circonda un modello linguistico e lo trasforma in uno strumento funzionante: il prompt di sistema, gli strumenti che può richiamare, il contesto e la memoria che ha su di voi e il ciclo di lavoro che struttura il suo modo di agire. Cambiando l’harness, lo stesso modello diventa un altro prodotto.

Aggiornare il modello risolve un prodotto debole?

Non da solo, se la debolezza sta nell’harness. Un modello più potente non può richiamare strumenti che il prodotto non gli dà né leggere dati a cui non ha accesso. Consigliamo di elencare ciò che serve al compito (strumenti, memoria, accesso ai dati, un ciclo di lavoro), sistemare ciò che manca e poi confrontare i modelli sullo stesso compito.

Come si collega l’idea di harness al GEO?

Quando ChatGPT, Claude o Perplexity risponde a una domanda commerciale, il suo harness decide se cercare sul web. Se lo fa, la ricerca trova le pagine, un parser estrae il testo e il modello compone la risposta. Il GEO prepara a questi passaggi il sito e le fonti esterne che vi descrivono, perché gli assistenti possano scoprirvi, leggervi e citarvi.

Dobbiamo ignorare quale LLM usa uno strumento?

No: il modello conta ancora. Consideratelo uno dei fattori. Chiedete prima se l’harness è adatto al vostro compito: ruolo, strumenti, accesso ai vostri dati e struttura del ciclo di lavoro. Il modello spesso si può sostituire in seguito, perciò consigliamo di sistemare prima l’harness.

Guide correlate

Fonti

  1. 01Anthropic – Introducing Claude Tag (23 giugno 2026)
  2. 02Anthropic – Claude Managed Agents overview (come Anthropic usa il termine «agent harness»)
  3. 03Cursor – documentazione dei Cloud Agents (in precedenza Background Agents)
  4. 04Aggarwal et al., GEO: Generative Engine Optimization (2023), arXiv:2311.09735
  5. 05La nostra ricerca: quali tipi di pagine citano gli assistenti IA (569 link, quattro assistenti, 14–15 settembre 2026)
  6. 06La nostra ricerca: da dove prende ChatGPT le valutazioni delle attività (verifica della mappa e delle valutazioni, 27 settembre 2026)
  7. 07La nostra guida: come farsi citare da Gemini e Google AI Mode (con la verifica dell’app Gemini e dell’AI Mode del 14 settembre 2026)
  8. 08Il nostro caso studio: sei esecuzioni in sessioni pulite su prompt GEO multilingue (13 e 17 agosto 2026)

// condividi

LinkedInXReddit

Come citare questa pagina

Puoi citare e riutilizzare questi contenuti indicando la fonte e aggiungendo un link a questa pagina.

“Perché «quale LLM usate?» è la domanda sbagliata?” — GET-GEO.AI, 2026-11-18. https://get-geo.ai/it/guides/model-vs-harness