Come funziona il GEO multilingue?

Chiedete a un assistente la stessa domanda commerciale in inglese e in ebraico: non traduce una risposta nell'altra. Esegue due retrieval — da due bacini di fonti diversi — e compone due risposte che possono nominare fornitori del tutto diversi. Il retrieval è per lingua: il modello confronta la formulazione digitata dall'utente con i contenuti scritti in quella lingua, e i corpora dietro quelle corrispondenze differiscono di ordini di grandezza. L'inglese è la lingua di contenuto di circa metà del web (49,5% su W3Techs); l'ebraico è lo 0,4%, l'arabo lo 0,6%, l'hindi sotto lo 0,1%.

Questa è l'intera premessa del GEO multilingue — Generative Engine Optimization, che il settore chiama anche AEO (Answer Engine Optimization) o LLM SEO; i nomi cambiano, il lavoro è lo stesso. Un brand non è «visibile nella ricerca IA» in astratto. È visibile in inglese, o in spagnolo, o in ebraico — ciascuno un concorso separato, con le sue fonti, i suoi concorrenti e il suo vincitore. Le AI Overviews di Google da sole girano ormai in più di 200 Paesi e territori e in più di 40 lingue, e ciascuna di quelle superfici linguistiche attinge alla propria fetta del web.

Questa guida è l'hub della nostra serie mercati — Israele e l'ebraico, la doppia pista arabo-inglese di Dubai, l'India, il mercato ispanofono degli Stati Uniti e la federazione svizzera a quattro lingue. Ciascuna di quelle guide applica i meccanismi qui sotto a un mercato; questa spiega i meccanismi stessi.

Il divario di corpus di un ordine di grandezza crea due giochi diversi. In inglese, il bacino di fonti candidate per qualsiasi prompt commerciale è profondo: siti di recensioni, listicle, pagine di confronto, thread sui forum. Nessuna pagina singola domina; gli assistenti pesano la corroborazione — quante fonti indipendenti vi descrivono in modo coerente — e il lavoro è un accumulo lento di menzioni allineate. Questo è il gioco del corpus affollato, ed è lì che la maggior parte dei brand globali compete già.

In un corpus sottile l'aritmetica si ribalta. Quando una lingua vale lo 0,4% del web, la maggior parte dei prompt commerciali ha solo una manciata di fonti plausibili — a volte nessuna. Una sola pagina nativa ben strutturata, answer-first, può possedere uno slot di citazione da sola, in settimane anziché mesi, perché semplicemente non c'è altro da recuperare per il modello. Lo chiamiamo arbitraggio del corpus sottile, e per noi è l'opportunità più sottovalutata della ricerca IA: le lingue che tutti saltano sono quelle in cui una sola fonte può dominare.

C'è un però: l'arbitraggio paga solo se il contenuto è davvero nativo e davvero strutturato per l'estrazione. In un corpus sottile le pagine mediocri non hanno dove nascondersi — e non c'è nemmeno una folla di concorrenti a cui perdere. Le nostre guide su Israele e Dubai documentano come appare, prompt per prompt, in ebraico e in arabo.

L'istinto, nell'ottimizzazione internazionale per la ricerca IA, è classificare le lingue per parlanti: l'hindi ne ha centinaia di milioni, quindi hindi per primo. È l'asse sbagliato. Quello giusto è il valore degli acquirenti per pista linguistica: dove i vostri acquirenti interrogano davvero gli assistenti in quella lingua con intenzione commerciale, e quanto vale lì uno slot di citazione conquistato? Un gestore patrimoniale svizzero ricava di più dal tedesco e dal francese che da dieci lingue più grandi; un promotore immobiliare a Dubai può ricavare di più dal russo che dall'arabo, perché la comunità di acquirenti russofoni interroga gli assistenti interamente in russo.

Il secondo asse è quanto lo slot è conquistabile. Un corpus sottile con una vera domanda da parte degli acquirenti è la casella migliore del tabellone: alta intenzione, bassa concorrenza. Un corpus affollato con alta domanda è un gioco lungo in cui si entra di proposito, con il lavoro di corroborazione messo a budget. Una lingua con molti parlanti ma pochi prompt commerciali nella vostra categoria può aspettare, qualunque cosa dicano le statistiche di popolazione.

In pratica valutiamo ogni lingua candidata su questi due assi alla baseline — domanda misurata dalla batteria di prompt, concorrenza misurata da chi detiene oggi le citazioni — e sequenziamo il programma di conseguenza. La tabella sotto mostra quanto diversamente si comportano le lingue principali.

La traduzione automatica produce pagine grammaticalmente passabili che perdono il concorso del retrieval. Il motivo è meccanico, non estetico: il retrieval fa corrispondere la formulazione che gli utenti digitano davvero. Un madrelingua ebraico chiede "הכי טוב בישראל"; una pagina tradotta porta una struttura di frase inglese resa in parole ebraiche — forme flesse e formulazioni calcate che gli utenti reali non digitano mai. La pagina esiste, il crawler la legge, e perde comunque il match rispetto a qualsiasi fonte scritta come è stata posta la domanda.

Le lingue morfologicamente ricche puniscono questo più di tutte. In ebraico e in arabo, articoli e preposizioni si fondono nella parola stessa, quindi una sola forma sbagliata significa che l'affermazione chiave non corrisponde letteralmente al token della query. E gli assistenti notano gli artefatti di traduzione come i lettori umani — un corpus di pagine evidentemente tradotte in automatico si legge come un brand che in quella lingua non opera davvero: l'esatto contrario del segnale che volete mandare.

La soluzione non è una traduzione migliore, ma una stesura nativa su una base di fatti condivisa: un madrelingua scrive ogni versione linguistica intorno alle stesse affermazioni verificate — answer-first, formulate come i compratori di quel mercato interrogano gli assistenti. Le affermazioni si allineano; la formulazione non viaggia mai da una lingua all'altra.

Un brand multilingue vive sotto diverse grafie del proprio nome: latina, ebraica, araba, devanagari, cinese. I modelli devono imparare che tutte sono una sola entità, altrimenti le citazioni si spezzano tra nomi a metà conosciuti e nessuno accumula autorevolezza. Servono cioè dati strutturati che dichiarino i nomi alternativi, profili che mettano le grafie insieme, e fonti in lingua nativa che colleghino la scrittura locale al nome del brand in latino su pagine che i modelli leggono davvero.

Il fallimento più sottile è la coerenza linguistica: un brand descritto in un modo in inglese e in un altro in tedesco sta perdendo in silenzio su entrambi i fronti. Gli assistenti incrociano sempre più le lingue, e affermazioni contraddittorie — elenchi di servizi diversi, posizionamenti diversi, numeri diversi — si leggono come inaffidabilità. Facciamo un controllo esplicito di coerenza linguistica proprio per questo: la risposta in ebraico descrive il brand allo stesso modo di quella in inglese? È la metrica che la maggior parte dei programmi multilingue non pensa mai a misurare.

Sotto tutto questo c'è un impianto che deve essere noioso e corretto: annotazioni hreflang così i crawler servono la versione giusta alla query giusta, un solo host canonico verso cui punta ogni segnale, ed export leggibili dalle macchine per locale invece di un dump unico in nove lingue che diluisce la densità di retrieval per ogni query. Il nostro stesso sito funziona così — il protocollo è documentato, errori compresi, nella nostra guida su come facciamo GEO per noi stessi.

Operiamo nativamente in nove lingue — inglese, russo, tedesco, francese, italiano, spagnolo, cinese, hindi ed ebraico — e diciamo chiaramente che l'arabo non è tra queste: i contenuti arabi arrivano da un partner madrelingua, con la nostra struttura answer-first, il lavoro sull'entità e lo strato di misurazione sopra. Ogni tecnica che vendiamo gira prima sul nostro stesso sito, in tutte e nove le lingue, scritture da destra a sinistra comprese.

La misurazione è sempre per pista linguistica. Una batteria di prompt fissa per lingua, fissata il primo giorno; sessioni pulite non autenticate su ChatGPT, Perplexity e Gemini; tasso di citazione e share of voice riportati per lingua rispetto alla baseline del primo giorno; e sopra, il controllo di coerenza linguistica. Le piste si muovono in modo indipendente — l'ebraico può salire mentre l'inglese resta fermo — e riportarle separate è l'unico modo onesto di mostrare cosa funziona dove. Il protocollo completo è pubblico nella nostra guida alla misurazione.

La prova che funziona è il nostro stesso caso studio, citato per quello che è — un'auto-dimostrazione, non un risultato cliente. Su sei run puliti in sessione non autenticata, ChatGPT ha classificato GET-GEO.AI primo per query di agenzia GEO multilingue, e il motivo dichiarato ogni volta era il metodo descritto in questa pagina: lingue elencate in modo esplicito e verificabile, invece di una «capacità multilingue» rivendicata in modo generico. Non pubblichiamo mai numeri cliente inventati; la serie mercati — Israele, Dubai, India, gli Stati Uniti, la Svizzera — mostra gli stessi meccanismi applicati mercato per mercato, e ogni incarico parte dalla vostra baseline misurata, prima di qualsiasi promessa.