DeepMind chiude 4 anni di ricerche: il ranking di Google diventa generativo
- DeepMind ha teorizzato un modello in grado di classificare documenti senza l'uso di un indice separato.
- Il processo di ranking si sposta da una fase di pre-computazione a una fase dinamica al momento della query.
- La struttura tradizionale dei risultati (i link blu e la "seconda pagina") rischia di scomparire a favore di risposte sintetizzate.
- Per le imprese, la visibilità non dipenderà più dalla posizione in un indice, ma dalla capacità di essere citati in tempo reale dai modelli.
Tutto inizia con un'intuizione pubblicata nel 2021. Quattro ricercatori di Google, nel paper 'Rethinking Search: Making Domain Experts out of Dilettantes', sostenevano che un sistema di ricerca non dovesse limitarsi a consegnare all'utente una lista di riferimenti, ma avrebbe dovuto rispondere direttamente attingendo da un corpus di dati citabili. All'epoca, il documento portava con sé un disclaimer esplicito: si trattava di una proposta di ricerca, non di una roadmap di prodotto. Tuttavia, i passi successivi indicano che quella direzione è stata perseguita con costanza.
Nel 2022, lo stesso gruppo ha presentato il Differentiable Search Index, dimostrando come un singolo Transformer potesse mappare una query direttamente verso un risultato. Ora, un nuovo lavoro di DeepMind chiude un arco di ricerca durato quattro anni, provando teoricamente che un singolo modello linguistico può classificare un numero illimitato di documenti senza la necessità di un indice separato. Sebbene gli esperimenti siano stati condotti su dataset ridotti e non esista ancora una sostituzione integrale dell'indice web, la traiettoria è chiara: Google non investe cinque anni di ricerca in una direzione a meno che non sia quella strategica.
L'evoluzione del ranking: dal database alla generazione
Per comprendere l'impatto di questa scoperta, è necessario analizzare come funziona l'attuale architettura di ricerca. Oggi Google utilizza una pipeline a due stadi. Il primo è affidato a un dual encoder, veloce ed economico, che si occupa del recupero (retrieval) dei documenti. Il secondo stadio utilizza un cross encoder, più lento ma estremamente accurato, per il riordinamento (reranking) dei risultati. Questo processo si basa su un indice invertito statico e un grafo di link aggiornati tramite cicli di crawling.
La proposta di DeepMind mira a collassare questi due stadi in un unico modello generativo. In questo scenario, il ranking smette di essere una lista pre-calcolata che l'utente visualizza e diventa un calcolo interno che il modello esegue mentre genera la risposta. Non si tratta di eliminare l'indicizzazione in senso assoluto, ma di spostare il lavoro decisivo al momento della risposta (answer time). L'approccio dei motori di risposta AI, come Perplexity o Google AI Overviews, anticipa già questo trend: recuperano passaggi freschi durante la sessione, li riordinano con modelli neurali e sintetizzano una risposta basata su citazioni.
Analisi strategica: Per un imprenditore, questo significa che il concetto di posizionamento SEO sta mutando. Se il ranking non è più pre-computato in un indice statico ma assemblato on-the-fly, la competizione non è più per una 'posizione' fissa, ma per la pertinenza contestuale in tempo reale. La visibilità diventa atomica: non conta più che l'intero sito sia in prima pagina, ma che specifici passaggi di contenuto siano selezionati dal modello per comporre la risposta.
Il collasso della pipeline tra recupero e riordinamento
La transizione verso un modello che classifica senza indice implica una semplificazione radicale dell'infrastruttura. Attualmente, il processo di creazione di una risposta AI segue un arco complesso:
- Comprensione della query e fan-out (scomposizione della domanda in sotto-query).
- Recupero ibrido, che combina metodi lessicali e densi.
- Reranking multi-stadio e filtraggio dei contenuti.
- Selezione delle citazioni e ancoraggio dei testi.
- Verifiche di freschezza, autorità e sicurezza.
- Sintesi finale con guardrail per evitare allucinazioni.
L'obiettivo di DeepMind è eliminare la dipendenza da un indice monolitico per decidere chi sta in cima. Invece di consultare un archivio di link blu, il modello agisce come un bibliotecario di ricerca: non consegna una lista pre-ordinata del mese scorso, ma corre tra gli scaffali in quel preciso istante, estrae i capitoli migliori, li confronta e spiega la risposta citando le fonti. La matematica del ranking generativo suggerisce che la pagina dei risultati, come la conosciamo, potrebbe non sopravvivere a questa evoluzione.
Perché la seconda pagina di Google smette di esistere
Se il ranking diventa un processo di generazione e non di elencazione, la struttura a pagine decade. In un sistema di ricerca tradizionale, l'utente naviga tra i risultati; in un sistema generativo, l'utente riceve una sintesi. Se il modello computa il ranking internamente per arrivare a una risposta, la lista di link diventa un sottoprodotto, o scompare del tutto.
Questo scenario elimina di fatto la possibilità di trovarsi in seconda o terza pagina. O il contenuto viene selezionato dal modello per essere parte della sintesi (e quindi riceve visibilità), o rimane invisibile. Non esiste più una zona grigia di visibilità marginale. La lettura critica di questo cambiamento suggerisce che il traffico organico si concentrerà in modo ancora più aggressivo su pochissimi contenuti estremamente autorevoli o specifici, che il modello ritiene indispensabili per la risposta.
'The ranked list stops being something you see and becomes something the model computes on its way to an answer'
Questa citazione di Duane Forrester riassume il rischio per il business: la perdita del controllo sulla navigazione dell'utente. Se l'utente non clicca più su un link per approfondire, ma consuma l'informazione direttamente nella SERP (Search Engine Results Page), il valore del traffico verso il sito web diminuisce, spostando l'importanza verso la 'brand awareness' all'interno della risposta AI.
Implicazioni per la visibilità e l'indicizzazione
In questo contesto, strumenti di controllo dell'indicizzazione come il tag 'noindex' assumono un significato diverso. Sebbene plugin come Rank Math permettano ancora di escludere pagine dai risultati di ricerca tradizionali, l'efficacia di queste istruzioni potrebbe variare se i modelli AI iniziano a processare i dati in modi non convenzionali o attraverso dataset di addestramento che ignorano le direttive di crawling in tempo reale.
Analisi di scenario: Il futuro della visibilità web si divide in due percorsi possibili. Nel primo, i modelli AI rispettano rigorosamente i protocolli di indicizzazione, rendendo il noindex ancora fondamentale per proteggere i dati sensibili. Nel secondo, l'AI utilizza snapshot di dati o crawler specializzati che rendono l'indicizzazione statica irrilevante. Indicatore verificabile: L'introduzione di un nuovo standard di 'AI-robots.txt' o di un protocollo di citazione obbligatorio da parte di Google entro i prossimi 24 mesi.
Visibilità web, AI Act e fine dell'indice statico in UE
Per le imprese italiane ed europee, questo spostamento tecnologico si intreccia con il quadro normativo dell'AI Act. La transizione verso un ranking generativo solleva questioni critiche sulla trasparenza: se un modello decide chi citare senza un indice trasparente, come si può verificare l'assenza di bias o la correttezza della fonte? L'AI Act richiederà che i sistemi ad alto rischio siano trasparenti e tracciabili, il che potrebbe costringere Google a mantenere una forma di indice o di log di ranking accessibile per le autorità europee.
In Italia, dove molte PMI dipendono fortemente dal traffico organico per l'acquisizione clienti, la fine dell'indice statico rappresenta un rischio di concentrazione del mercato. Se l'AI privilegia solo i 'top player' per sintetizzare le risposte, le piccole imprese potrebbero perdere l'unico canale di visibilità democratico rimasto. La strategia per l'imprenditore europeo non è più l'ottimizzazione per le keyword, ma l'ottimizzazione per l'autorità: diventare la fonte che l'AI non può ignorare per essere accurata.
L'integrazione con normative come la NIS2 richiederà inoltre una maggiore attenzione a come i dati aziendali vengono esposti ai crawler AI. Se il ranking avviene in tempo reale, la superficie di attacco e di analisi dei dati aumenta, rendendo la gestione della visibilità non più un compito di marketing, ma una questione di governance del dato e sicurezza informatica.
Domande frequenti
Cosa significa concretamente rankare senza un indice?
Significa che il motore di ricerca non consulta più un database pre-ordinato di pagine web per decidere chi mostrare, ma utilizza un modello AI che seleziona e ordina i contenuti dinamicamente nel momento esatto in cui l'utente pone la domanda.
La SEO tradizionale è morta?
Non è morta, ma si sta trasformando. L'ottimizzazione non riguarda più solo la posizione in una lista di link, ma la capacità di un contenuto di essere estratto, sintetizzato e citato da un modello linguistico come fonte autorevole.
Perché la seconda pagina di Google potrebbe scomparire?
Perché nei sistemi generativi l'utente riceve una risposta sintetica basata sulle migliori fonti. Se il modello seleziona solo 3-4 citazioni per rispondere, non esiste più una lista infinita di risultati da scorrere attraverso diverse pagine.
Fonti: Searchenginejournal, Geneo, Rankmath ·
glacom · Intelligenza artificiale per aziende: i modelli girano sui tuoi server, i dati non escono →Scrivila qui: Susanna, l assistente AI di glacom, ti risponde via email con un approfondimento gratuito.
Nessuna consulenza personalizzata (finanziaria, legale o medica): solo informazione e fonti. Email usata solo per rispondere.
oppure scrivile su: WhatsApp · Telegram · SimpleX · Delta Chat · Email
