Il tuo catalogo è ottimizzato per Google, ma l’AI non riesce a leggerlo

Molti e-commerce hanno schede prodotto che rispettano ogni indicazione della SEO, si posizionano su Google e convertono bene, eppure faticano a comparire quando un modello generativo deve suggerire che cosa acquistare. La causa sta quasi sempre nel modo in cui le informazioni sono scritte, perché una pagina pensata per convincere una persona può offrire pochissimo a un sistema che deve mettere a confronto prodotti diversi, e su cataloghi di centinaia o migliaia di referenze questo limite si moltiplica.

La scheda prodotto è diventata il primo punto di contatto

Per anni la scheda prodotto è stata l’ultima tappa di un percorso che partiva da una categoria, da un articolo o da un confronto. Con i modelli AI quel percorso si accorcia. Secondo i dati Shopify del primo trimestre 2026, oltre la metà delle sessioni che arrivano da una conversazione con l’AI inizia direttamente da una scheda prodotto, contro circa il 20% di quelle dalla ricerca organica. Quando il cliente apre la pagina, il modello ha già scelto il prodotto e scartato le alternative.

Il presidente di Shopify, Harley Finkelstein, ha spiegato come avviene quella scelta con un esempio: un cliente chiede il miglior seggiolino auto che possa stare in tre affiancati sul sedile di una berlina. Un motore di ricerca tradizionale si concentra sulla parola “seggiolino auto”, mentre un agente AI interroga più volte i dati di catalogo per trovare i prodotti che rispettano quella specifica richiesta dell’utente.

Il fenomeno riguarda soprattutto i prodotti di nicchia. Nel secondo trimestre, ha aggiunto Finkelstein, tre ordini su quattro arrivati tramite l’AI hanno riguardato articoli esterni alle cento categorie più vendute su Shopify: prodotti legati a esigenze specifiche, come il seggiolino per la berlina o la scrivania adatta a un monolocale.

È un cambiamento importante per chi vende online. Nella ricerca tradizionale i prodotti di nicchia partono svantaggiati, perché le richieste che li riguardano sono poche e frammentate, e il traffico si concentra sui termini più cercati e sui prodotti più noti. Un assistente AI ragiona al contrario: parte dall’esigenza della persona e cerca il prodotto che la soddisfa, anche se appartiene a una categoria marginale o a un marchio poco conosciuto.

Per un e-commerce con migliaia di referenze si apre quindi uno spazio che su Google era difficile da conquistare. Resta però una condizione: il modello deve trovare nella scheda le informazioni che dimostrano che quel prodotto risponde al vincolo richiesto. Se la larghezza del seggiolino non è scritta, il prodotto non entra nella selezione, per quanto sia adatto.

Due letture diverse della stessa pagina

Google valuta una scheda prodotto per decidere se rappresenta una buona risposta a una ricerca, e per farlo considera la pertinenza, la qualità della pagina, i segnali di esperienza e autorevolezza e il comportamento degli utenti. Un modello generativo che deve consigliare un acquisto svolge un lavoro diverso, perché estrae dalla pagina informazioni puntuali e le mette a confronto con quelle ricavate da altri prodotti e da altre fonti. Quello che gli serve sono dati in grado di reggere un confronto, come misure, materiali, compatibilità, limiti d’uso e condizioni di garanzia.

Per questo il testo persuasivo, che in conversione funziona molto bene, è anche il materiale meno utile per un modello. Espressioni come “comfort senza compromessi” o “qualità superiore” orientano la percezione di una persona che sta già guardando il prodotto, mentre per un sistema che deve scegliere tra cinque alternative non contengono nulla di verificabile e potrebbero descrivere qualunque concorrente. Una scheda può così soddisfare pienamente il cliente che la legge e lasciare il modello privo degli elementi necessari per inserirla in una raccomandazione. Chiamiamo questa condizione scarsa descrivibilità: il prodotto è indicizzato e posizionato, però le sue caratteristiche sono espresse in una forma che un sistema automatico fatica a estrarre e confrontare. Lo stesso principio vale per i blocchi di domande e risposte, come abbiamo approfondito nell’articolo sulle FAQ nell’era degli answer engine.

Quattro carenze ricorrenti nelle schede prodotto

Nelle analisi che svolgiamo sui cataloghi e-commerce, le schede che i modelli faticano a usare mostrano spesso una o più di queste quattro carenze. Per renderle concrete le applichiamo a un caso esemplificativo, la scheda di una sedia da ufficio ergonomica:

Le quattro carenze hanno origini diverse, e quindi responsabili diversi. Attributi impliciti e contesto d’uso dipendono da come vengono scritte le schede, e sono compito del team contenuti. L’incoerenza tra canali nasce dalla gestione dei dati tra sistemi diversi, e riguarda chi governa i feed e il PIM, il sistema che centralizza le informazioni di prodotto. Gli elementi di confronto mancanti, invece, spesso sono già in azienda: l’ufficio tecnico o il product management custodiscono schede tecniche, test e certificazioni che non sono mai arrivati sul sito. Per questo, in un e-commerce, intervenire sulle schede non è un lavoro che resta nel reparto marketing, ma coinvolge fin dall’inizio chi gestisce i dati di prodotto.

Come interveniamo su un catalogo di migliaia di prodotti

Un prodotto con informazioni incomplete perde il confronto prima che prezzo, qualità e reputazione possano pesare. Su un catalogo ampio, però, riscrivere tutte le schede è insostenibile e distribuirebbe lo sforzo anche su prodotti che incidono poco sul fatturato. Il primo lavoro, quindi, è decidere dove intervenire. Il metodo che applichiamo nei progetti e-commerce procede in cinque fasi:

1. Scegliere le famiglie prioritarie: incrociamo margine, volumi, stagionalità e posizionamento competitivo, per concentrare il lavoro dove una maggiore presenza nelle risposte vale di più.
2. Misurare come vengono descritte oggi: per ogni famiglia costruiamo richieste d’acquisto basate sui bisogni reali dei clienti e verifichiamo se i prodotti vengono proposti, con quali attributi e accanto a quali alternative.
3. Definire un modello di attributi: stabiliamo quali informazioni ogni scheda della famiglia deve contenere e in quale forma, così l’intervento si estende a centinaia di schede mantenendo la stessa qualità.
4. Allineare i canali: portiamo gli stessi dati su sito, feed, marketplace e comparatori partendo da un’unica fonte, di solito il PIM o il gestionale.
5. Verificare e correggere: ripetiamo le misurazioni a intervalli regolari e interveniamo sulle famiglie che non rispondono.

Ogni fase consegna all’azienda un risultato che può controllare: una lista di priorità motivata, una base di confronto documentata, un modello di scheda riutilizzabile, un feed coerente e un confronto periodico con i concorrenti. Sui cataloghi più grandi affianchiamo a questo lavoro le verifiche tecniche su scansione e indicizzazione previste dal nostro Audit SEO, perché una scheda prodotto completa serve a poco se non si riesce a raggiungerla.

Un catalogo scritto anche per chi confronta

Per concludere, le schede prodotto hanno avuto a lungo due lettori: il motore di ricerca che deve posizionarle e il cliente che deve sceglierle. Oggi se n’è aggiunto un terzo, che legge la pagina per estrarne dati da confrontare e decide quali prodotti arrivano davanti al cliente.

Molti e-commerce hanno curato a fondo le schede per i primi due lettori, senza aver mai verificato come le legge il terzo. Chi lo ha fatto sa quali famiglie di prodotto sono già competitive e dove conviene intervenire. Chi non lo ha fatto continua a ottimizzare senza sapere che cosa arriva davvero al modello.