Ricerca semantica

TL;DR — La ricerca semantica significa che i motori di ricerca associano il significato di ciò che cerchi, non soltanto le parole esatte digitate. Google cerca di capire «che cosa vuole davvero questa persona?» e «di che cosa parla davvero questa pagina?», poi collega le due cose. Ecco perché non devi più ripetere le parole chiave all’infinito e perché scrivere naturalmente su un argomento funziona meglio del riempirlo di frasi chiave.

Che cos’è la ricerca semantica

La ricerca semantica cerca corrispondenze basate su significato e contesto, oltre che sui termini esatti. Evidence for this claim BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Scope: BERT research; semantic retrieval systems may use many other models and signals. Confidence: high · Verified: 2026-07-14 Devlin et al.: BERT I sistemi moderni possono combinare modelli linguistici, recupero lessicale, entità e altri segnali invece di affidarsi a una sola tecnica. Evidence for this claim Google reported using BERT to better understand language and context in some Search queries. Scope: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Confidence: high · Verified: 2026-07-14 Google: Understanding searches better than ever before

Per molto tempo i motori di ricerca hanno contato soprattutto le parole. Se cercavi «voli economici», cercavano pagine che contenessero «economici» e «voli». Utile, ma poco intelligente: non capivano che «biglietti aerei convenienti» significa la stessa cosa, né che «jaguar» può essere un animale oppure un’auto.

La ricerca semantica risolve questo problema. Invece di confrontare lettere e parole, cerca di comprendere il significato. La guidano due idee:

• Capire che cosa intendi. Google legge l’intera query come una frase, non come un insieme di parole chiave. Determina il tuo intento: vuoi comprare qualcosa, imparare qualcosa o trovare un sito specifico?
• Capire di che cosa parla una pagina. Individua gli argomenti trattati e le cose del mondo reale (persone, luoghi, prodotti) menzionate, non solo quali parole compaiono.

Un modo efficace per immaginarlo: cercare «come riparare un rubinetto che perde» e «riparare un rubinetto gocciolante» dovrebbe restituire gli stessi risultati, anche se le frasi condividono quasi nessuna parola. Per un motore basato sulle parole sembrano scollegate; per un motore semantico significano la stessa cosa.

Perché ha cambiato la SEO

Quando Google ha iniziato a comprendere il significato, molti vecchi trucchi hanno smesso di funzionare:

• Non devi riempire le pagine di parole chiave. Google conosce già sinonimi e termini correlati. Ripetere «migliori scarpe da corsa» venti volte non aiuta e può danneggiare.
• Non ti serve una pagina separata per ogni formulazione. «Tutorial Python», «guida Python» e «imparare Python» significano più o meno la stessa cosa, quindi Google può scegliere una pagina per posizionarla per tutte. Dividerle tra più pagine significa competere con te stesso.
• Copri bene l’argomento invece di inseguire un conteggio di parole chiave. Una pagina che risponde davvero a una domanda, con i dettagli correlati che servono al lettore, supera una pagina che cita spesso la parola chiave.

L’errore più comune

La ricerca semantica non significa che le parole chiave siano morte. La ricerca delle keyword dice ancora che cosa cercano le persone e con quale frequenza. Ciò che è morto è il keyword stuffing e l’idea di dover ripetere frasi esatte. E per essere chiari: le «LSI keywords» non esistono davvero. John Mueller di Google lo ha detto esplicitamente. Spargere «parole chiave semanticamente correlate» suggerite da uno strumento non è il modo in cui funziona: devi coprire l’argomento in modo naturale.

Vuoi la storia completa (Knowledge Graph, Hummingbird, RankBrain, BERT, MUM) e i dettagli tecnici del funzionamento? Passa alla scheda Advanced.

TL;DR — La ricerca semantica recupera risultati in base al significato, non alla corrispondenza esatta delle keyword. Google l’ha costruita per strati: Knowledge Graph (2012), Hummingbird (2013), RankBrain (2015), neural matching (2018), BERT (2019), MUM (2021), ognuno dei quali risolve un problema diverso (entità, significato dell’intera query, query nuove, sinonimi a livello concettuale, significato contestuale delle parole, ragionamento multimodale). Questi sistemi potenziano il recupero per parole chiave (BM25 viene ancora eseguito per primo su larga scala), non lo sostituiscono. La ricerca semantica è l’obiettivo; la ricerca vettoriale è una delle implementazioni. Le «LSI keywords» sono un mito. La risposta per l’ottimizzazione non è cambiata in un decennio: linguaggio naturale, profondità tematica, entità chiare e allineamento all’intento.

Ricerca per parole chiave contro ricerca semantica

Il recupero per parole chiave e quello semantico sono complementari, non epoche mutuamente esclusive. Evidence for this claim BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Scope: BERT research; semantic retrieval systems may use many other models and signals. Confidence: high · Verified: 2026-07-14 Devlin et al.: BERT Le spiegazioni pubbliche di Google confermano sistemi di comprensione linguistica senza rivelare tutti i pesi del ranking. Evidence for this claim Google reported using BERT to better understand language and context in some Search queries. Scope: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Confidence: high · Verified: 2026-07-14 Google: Understanding searches better than ever before

Il recupero classico ordina i documenti in base alle statistiche dei termini. TF-IDF (frequenza del termine × frequenza inversa del documento) assegna un peso a una parola in base a quanto compare in un documento rispetto a quanto è rara nell’intero corpus. BM25 («Best Match 25») perfeziona il metodo con la normalizzazione della lunghezza e una curva di saturazione, ed è ancora la base dominante della prima fase in Elasticsearch, Solr e Lucene, oltre che dentro Google e Bing. È potente, veloce e riguarda interamente le parole. Non sa che «rubinetto che perde» e «rubinetto gocciolante» significano la stessa cosa.

La ricerca semantica aggiunge uno strato di comprensione sopra questo sistema:

L’inquadramento importante è questo: la ricerca semantica potenzia il recupero per parole chiave invece di sostituirlo. Alla scala di Google, una fase basata su indice inverso in stile BM25 esegue ancora il primo taglio ad alta copertura per velocità; poi i sistemi neurali riordinano i risultati e aggiungono documenti che condividono concetti ma non parole. La testimonianza al DOJ del 2023 di Pandu Nayak ha descritto proprio questo: un sistema di embedding (internamente RankEmbed) che “identifies a few more documents to add to those identified by the traditional retrieval.” (traduzione) «identifica alcuni altri documenti da aggiungere a quelli individuati dal recupero tradizionale». Il recupero per keyword non è morto: ha acquisito un alleato che comprende il significato.

Come Google ha costruito la ricerca semantica: le tappe

L’evoluzione è stata incrementale. Nessun singolo aggiornamento ha trasformato Google da «keyword» a «significato»: è stato un decennio di strati, ognuno volto a risolvere un problema distinto.

2012 — Knowledge Graph («cose, non stringhe»)

Il database di Google sulle entità del mondo reale e sui loro rapporti. La formula con cui Amit Singhal lo presentò — “things, not strings” (traduzione) «cose, non stringhe» — resta la migliore spiegazione in una riga del cambiamento semantico. Al lancio conteneva 500+ milioni di entità e oltre 3,5 miliardi di fatti; conta più l’idea dei numeri. È ciò che permette a Google di disambiguare «Taj Mahal» (monumento, musicista o casinò) e rispondere direttamente alle domande sulle entità. Il Knowledge Graph è la spina dorsale delle entità su cui si appoggia il resto dello stack: ne approfondisco il funzionamento nell’articolo sulla entity SEO.

2013 — Hummingbird (significato dell’intera query)

Una riscrittura completa del motore centrale delle query di Google, non un semplice ritocco come Panda o Penguin, ma un nuovo motore. Singhal la definì il cambiamento più radicale dal 2001. L’obiettivo erano le query conversazionali e long-tail: prestare attenzione all’intera query, all’intera frase e al significato, invece che a parole specifiche. La sintesi contemporanea di Danny Sullivan lo descrive bene: Hummingbird “is paying more attention to each word in a query, ensuring that the whole query… is taken into account, rather than particular words.” (traduzione) «presta più attenzione a ogni parola di una query, assicurando che venga considerata l’intera query… invece di parole specifiche». Google dice che ha interessato il 90% delle ricerche. (Ora è indicato come ritirato nella Ranking Systems Guide, superato dai sistemi che ne sono derivati.)

2015 — RankBrain (query mai viste prima)

Machine learning applicato all’interpretazione delle query. Il compito di RankBrain riguarda circa il 15% delle query giornaliere che Google non aveva mai visto prima: converte una query sconosciuta in un vettore matematico e trova query concettualmente simili che invece comprende. Greg Corrado, lo scienziato di Google che lo ha confermato (tramite Bloomberg, non in un post del blog Google), lo ha descritto come l’inserimento di “vast amounts of written language into mathematical entities — called vectors — that the computer can understand.” (traduzione) «grandi quantità di linguaggio scritto in entità matematiche, chiamate vettori, che il computer può comprendere». Nel 2016 elaborava ogni query. Il confine è importante: RankBrain mappa query sconosciute su concetti conosciuti; non è la stessa cosa di BERT.

2018 — Neural matching (sinonimi a livello concettuale)

Dove RankBrain collegava le query ai concetti, il neural matching ha esteso la corrispondenza concettuale al lato dei documenti: collega i concetti di una query ai concetti di una pagina anche quando non condividono alcun vocabolario. La descrizione in linguaggio semplice di Danny Sullivan è la migliore: “Last few months, Google has been using neural matching, [an] AI method to better connect words to concepts. Super synonyms, in a way, and impacting 30% of queries.” (traduzione) «Negli ultimi mesi Google ha usato il neural matching, un metodo di IA per collegare meglio le parole ai concetti. Super sinonimi, in un certo senso, e riguarda il 30% delle query». L’esempio canonico: «perché il mio televisore sembra strano» può mostrare risultati sull’«effetto soap opera», un concetto che nessuna delle due frasi nomina. (La testimonianza DOJ del 2023 ha rivelato internamente questa linea evolutiva come RankEmbed / RankEmbedBERT.)

2019 — BERT (significato contestuale delle parole)

La grande svolta dell’NLP. BERT, cioè un sistema di rappresentazioni bidirezionali basate su encoder Transformer, legge una parola nel contesto, guardando le parole che la precedono e la seguono invece di procedere da sinistra a destra una alla volta. È ciò che gli permette di cogliere come «to» cambi il significato di «2019 brazil traveler to usa need a visa» (un brasiliano che viaggia verso gli Stati Uniti, che i sistemi precedenti interpretavano al contrario). Pandu Nayak lo ha definito il “biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search,” (traduzione) «il più grande passo avanti degli ultimi cinque anni e uno dei più grandi nella storia della Ricerca», con un impatto iniziale su una query inglese statunitense su dieci e oggi su quasi tutte. È anche l’aggiornamento interpretato più spesso male dai SEO: la risposta di Danny Sullivan è stata netta — “There’s nothing to optimize for with BERT.” (traduzione) «Non c’è nulla da ottimizzare per BERT».

2021 — MUM (multimodale, multilingue)

Multitask Unified Model, costruito sul framework T5, addestrato su 75 lingue e capace di comprendere informazioni in testi e immagini. Google dice che è 1 000 volte più potente di BERT e che, a differenza di BERT, può sia comprendere sia generare linguaggio. Precisazione importante: MUM viene usato per casi specifici ad alta complessità (domande complesse a più passaggi, alcuni featured snippet, shopping); non è mai stato il motore generale del ranking di Google e non ha «sostituito» BERT.

2023+ — LLM e ricerca AI

Il recupero semantico alimenta ora le risposte generative. AI Overviews e AI Mode usano lo stesso recupero basato sul significato per trovare passaggi pertinenti, poi un LLM sintetizza una risposta: vedi RAG. Lo strato semantico determina che cosa viene recuperato e citato; il modello si limita a scriverlo.

Ricerca semantica contro ricerca vettoriale

Vengono confuse continuamente, quindi è importante essere precisi:

• La ricerca semantica è l’obiettivo: recuperare per significato e intento.
• La ricerca vettoriale è una delle implementazioni: rappresentare query e documenti come vettori densi e trovare i vicini più prossimi in base alla distanza coseno.

La ricerca vettoriale è l’implementazione moderna più comune, ma non è l’unica strada verso la ricerca semantica: espansione delle query, regole sui sinonimi, interrogazioni del Knowledge Graph e riconoscimento delle entità portano allo stesso risultato senza calcolare un singolo embedding. Pensa alla ricerca semantica come alla destinazione e alla ricerca vettoriale come a un veicolo veloce e scalabile. I meccanismi del veicolo — embedding, similarità coseno e ricerca dei vicini più prossimi — sono trattati negli articoli su embeddings e vector search; qui non li derivo di nuovo.

Come funziona davvero sotto il cofano

Quattro parti in movimento, grosso modo in quest’ordine:

1. Comprensione della query: classificazione dell’intento (informativo, navigazionale, transazionale, commerciale), estrazione delle entità ed espansione di sinonimi/concetti. È il territorio di RankBrain e BERT.
2. Riconoscimento delle entità + Knowledge Graph: identificare le cose del mondo reale di cui parlano una query e un documento e disambiguarle. Circa il 40% delle parole inglesi ha più significati; il contesto risolve quale intendi.
3. Embedding e similarità semantica: codificare il significato come vettori, così «riparare un rubinetto che perde» e «riparare un rubinetto gocciolante» risultano vicini (similarità circa 0,89 nonostante condividano a malapena una parola). Approfondimento in embeddings.
4. Ranking dei passaggi e nuovo ranking neurale: dal 2020 singoli passaggi di una pagina possono posizionarsi per una query anche quando la pagina intera non è perfettamente mirata, mentre un riordinatore neurale riordina l’insieme recuperato per keyword in base all’affinità semantica. Ecco perché ogni sezione deve reggersi da sola.

Il mito delle LSI keywords

Questo punto conta perché alimenta molti cattivi consigli. «LSI keywords» (Latent Semantic Indexing) è una tecnica di information retrieval del 1988 che Google non ha mai confermato come input del ranking. John Mueller lo ha detto chiaramente: “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (traduzione) «Le LSI keywords non esistono: chi dice il contrario si sbaglia, mi dispiace». Ciò che Google usa davvero è molto più sofisticato: neural matching, BERT, word embedding e riconoscimento delle entità. Quando uno strumento ti consegna un elenco di «LSI keywords», la parte utile non è LSI, ma il fatto che quei termini riflettono il vocabolario dell’argomento. Copri l’argomento naturalmente e ottieni quel risultato gratis.

Che cosa significa la ricerca semantica per la SEO

Ogni grande aggiornamento semantico ha spinto nella stessa direzione, rendendo il playbook insolitamente stabile:

• La copertura dell’argomento batte la densità delle keyword. Google valuta se una pagina copre un tema in modo approfondito, non se ripete una keyword n volte. Una copertura profonda permette di posizionarsi per decine di query correlate che non hai mirato singolarmente.
• Ottimizzazione delle entità. Nomina e descrivi chiaramente le entità; usa dati strutturati (sameAs, @id) per disambiguarle rispetto a Wikipedia/Wikidata. Questa è la disciplina della entity SEO.
• L’allineamento all’intento non è negoziabile. Google classifica l’intento delle query e filtra in base a esso. Una pagina che risponde a un intento diverso dalla query non si posizionerà, per quanto le keyword corrispondano.
• Scrivi naturalmente. Con BERT che legge il contesto, preposizioni e struttura delle frasi trasmettono significato. Il consiglio di Gary Illyes su RankBrain resta valido: “If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (traduzione) «Se provi a scrivere come una macchina, RankBrain si confonderà e probabilmente ti farà arretrare».
• I sinonimi vengono gestiti per te. Non serve ogni variante: coprire il vocabolario naturale dell’argomento segnala profondità senza stuffing.
• Qualità a livello di passaggio. Ogni H2/sezione deve reggersi come risposta pulita e autosufficiente: è ciò che recuperano il passage ranking e AI Overviews.

Quando la SEO semantica conta meno

Controllo di onestà: per un’attività locale con un solo servizio o per un sito sottile, un lavoro intenso su entità e autorevolezza tematica potrebbe non ripagarsi. Il ROI emerge quando competi sulla profondità informativa all’interno di un argomento. Come ha detto Sally Mills: “If you do SEO properly, you’re automatically doing semantic SEO. It’s just that most people aren’t doing it properly.” (traduzione) «Se fai bene la SEO, stai automaticamente facendo SEO semantica. È solo che la maggior parte delle persone non la fa bene». E Google non diventerà puramente semantico a breve: il recupero completamente semantico è costoso, il comportamento degli utenti basato sulla corrispondenza esatta è ancora comune e i risultati puramente semantici restano poco affidabili. Recupero per keyword e comprensione semantica convivono.

Come la ricerca AI costruisce su questo

AI Overviews, AI Mode e gli assistenti AI sono ricerca semantica più generazione. Recuperano passaggi per significato (di solito con recupero denso: vedi RAG e vector search), poi un LLM scrive la risposta. La formulazione di Bing sul cambiamento è netta: il grounding dell’indice, nelle sue parole, “is being built to help AI systems decide what to say.” (traduzione) «viene costruito per aiutare i sistemi AI a decidere che cosa dire». La conseguenza pratica è che le stesse cose che fanno posizionare bene un passaggio — entità chiare, sezioni autosufficienti e profondità tematica — lo rendono anche più probabile da citare in una risposta AI. Non esiste un trucco separato.

Riepilogo AI

Una sintesi della versione Advanced:

• Ricerca semantica = recupero per significato, non corrispondenza esatta delle keyword. È questo il punto centrale. «Riparare un rubinetto che perde» e «riparare un rubinetto gocciolante» dovrebbero restituire gli stessi risultati pur non condividendo parole.
• Potenzia la ricerca per keyword, non la sostituisce. Il recupero in stile BM25 viene ancora eseguito per primo su larga scala (velocità e copertura); i sistemi neurali riordinano e aggiungono documenti corrispondenti per concetto. La testimonianza DOJ ha confermato che lo strato di embedding di Google (RankEmbed) aggiunge documenti al recupero tradizionale.
• Google l’ha costruita per strati: Knowledge Graph (2012, «cose, non stringhe») → Hummingbird (2013, significato dell’intera query, 90% delle ricerche) → RankBrain (2015, query nuove) → neural matching (2018, «super sinonimi» concettuali, 30% delle query) → BERT (2019, significato contestuale delle parole, 1 query su 10) → MUM (2021, multimodale, 75 lingue, mai motore generale del ranking).
• Ricerca semantica ≠ ricerca vettoriale. La ricerca semantica è l’obiettivo; quella vettoriale è una delle implementazioni (altre sono espansione query, regole sui sinonimi e consultazioni del Knowledge Graph).
• Le «LSI keywords» sono un mito: John Mueller lo ha detto direttamente. Google usa neural matching, BERT ed embedding.
• Playbook SEO (invariato da un decennio): copertura tematica invece di densità delle keyword, entità chiare e dati strutturati, allineamento all’intento, scrittura in linguaggio naturale, qualità a livello di passaggio. La ricerca keyword conta ancora; il keyword stuffing no.
• Ricerca AI = recupero semantico + generazione. Ciò che si posiziona bene (entità chiare, passaggi autosufficienti, profondità) è ciò che viene citato.

Documentazione ufficiale

Documentazione e annunci da fonti primarie di Google e Microsoft.

Google

• Guida ai sistemi di ranking di Google — descrizioni ufficiali aggiornate di BERT, neural matching, RankBrain, MUM e Passage Ranking (oltre all’elenco dei sistemi ritirati, incluso Hummingbird).
• Presentazione del Knowledge Graph: cose, non stringhe — il lancio delle entità nel 2012 e la formula «things, not strings».
• Comprendere le ricerche meglio che mai (BERT) — l’annuncio BERT di Pandu Nayak del 2019, con gli esempi su visti ed estetiste.
• MUM: una nuova tappa dell’IA per comprendere le informazioni — il modello multimodale e multilingue del 2021.
• Come l’IA alimenta ottimi risultati di ricerca — panoramica di Google su come si combinano RankBrain, neural matching, BERT e MUM.

Microsoft / Bing

• La scienza della ricerca semantica (Azure AI) — «un motore di ranking semantico basato su Transformer che comprende il significato del testo».
• Ranking semantico in Azure AI Search — il pattern recupero BM25/RRF → nuovo ranking Transformer, descritto in dettaglio.
• Verso una ricerca più intelligente: deep learning per la semantica delle query — raro approfondimento tecnico sul ranking neurale di Bing prima di BERT (vettori GloVe, CNN + similarità coseno).
• Presentazione di Deep Search — una delle prime descrizioni pubbliche del query fan-out su scala di produzione.

Citazioni dalla fonte

Dichiarazioni ufficiali di rappresentanti di Google e Microsoft. Dove disponibile, il deep link porta al passaggio citato nella pagina sorgente.

Google — il cambiamento semantico

• “Things, not strings.” (traduzione) «Cose, non stringhe» — Amit Singhal, presentando il Knowledge Graph nel 2012. Vai alla citazione

Google — BERT (Pandu Nayak, 2019)

• “BERT models can therefore consider the full context of a word by looking at the words that come before and after it — particularly useful for understanding the intent behind search queries.” (traduzione) «Questi sistemi valutano ogni vocabolo alla luce di ciò che lo precede e lo segue, riuscendo così a interpretare meglio lo scopo della ricerca».
• “[The] biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search.” (traduzione) «[Il] maggiore progresso degli ultimi cinque anni e uno dei più importanti nella storia della Ricerca».
• “Language understanding remains an ongoing challenge, and it keeps us motivated to continue to improve Search.” (traduzione) «Comprendere il linguaggio resta una sfida aperta e ci spinge a continuare a migliorare la Ricerca». Vai alla citazione

Danny Sullivan, Google Search Liaison

• Sul neural matching (2018): “Last few months, Google has been using neural matching — AI method to better connect words to concepts. Super synonyms, in a way, and impacting 30% of queries.” (traduzione) «Da alcuni mesi Google impiega il neural matching, un metodo di IA che collega meglio le parole ai concetti: una sorta di super-sinonimi, coinvolti nel 30% delle query».
• “RankBrain helps Google better relate pages to concepts. Neural matching helps Google better relate words to searches. It’s like a super synonym system.” (traduzione) «RankBrain consente a Google di collegare meglio le pagine ai concetti; il neural matching collega meglio le parole alle ricerche, come un sistema di sinonimi potenziato».
• Sul BERT (2019): “There’s nothing to optimize for with BERT, nor anything for a site owner to be ‘concerned’ about. The fundamentals of us seeking to reward great content remain unchanged.” (traduzione) «Non c’è nulla da ottimizzare per BERT e nulla di cui il proprietario di un sito debba preoccuparsi. Restano invariati i principi con cui cerchiamo di premiare contenuti eccellenti».

Gary Illyes, Google

• Sulla scrittura per RankBrain (Big Digital Adelaide, 2016): “Optimizing for RankBrain is actually super easy… write in natural language. Try to write content that sounds human. If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (traduzione) «Ottimizzare per RankBrain è davvero semplice: scrivi in linguaggio naturale e fai in modo che il contenuto suoni umano. Se scrivi come una macchina, RankBrain si confonderà e probabilmente ti farà arretrare».

John Mueller, Google

• Sul mito LSI (Twitter, 30 luglio 2019): “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (traduzione) «Le keyword LSI non esistono; chi sostiene il contrario è in errore, mi dispiace».

Greg Corrado, Google (su RankBrain, tramite Bloomberg, 2015)

• “RankBrain uses artificial intelligence to embed vast amounts of written language into mathematical entities — called vectors — that the computer can understand. If RankBrain sees a word or phrase it isn’t familiar with, the machine can make a guess as to what words or phrases might have a similar meaning and filter the result accordingly.” (traduzione) «RankBrain usa l’intelligenza artificiale per rappresentare grandi quantità di linguaggio scritto come entità matematiche, dette vettori, comprensibili dal computer. Quando incontra una parola o una frase sconosciuta, può stimare quali espressioni abbiano un significato simile e filtrare i risultati di conseguenza».

Pandu Nayak, Google (testimonianza antitrust al DOJ, 2023)

• “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (traduzione) «RankEmbed individua qualche documento in più da aggiungere a quelli trovati dal recupero tradizionale». Conferma che lo strato semantico di embedding di Google potenzia il recupero classico per keyword invece di sostituirlo.

Microsoft — Azure AI / Bing

• “Semantic search is moving beyond keyword-based ranking to a Transformer-based semantic ranking engine that understands the meaning behind the text.” (traduzione) «La ricerca semantica supera il ranking basato sulle keyword e adotta un motore semantico fondato sui Transformer, capace di comprendere il significato del testo» — Microsoft Research, 2021.

Le tappe semantiche di Google: scheda rapida

Lo stack a strati, in ordine. Ognuno ha risolto un problema diverso; nessuno ha sostituito quello precedente.

Distinzioni rapide da tenere a mente

• RankBrain contro BERT: RankBrain mappa query sconosciute su concetti conosciuti; BERT comprende il significato contestuale delle parole dentro una frase-query.
• Ricerca semantica contro ricerca vettoriale: la ricerca semantica è l’obiettivo; la ricerca vettoriale è un’implementazione (altre: espansione query, regole sui sinonimi, Knowledge Graph).
• SEO semantica: copertura tematica, rapporti tra entità e corrispondenza dell’intento. Non stuffing di sinonimi e certamente non «LSI keywords» (un mito: vedi l’articolo).
• La ricerca per keyword non è morta: il recupero in stile BM25 viene ancora eseguito per primo; i sistemi semantici riordinano e aggiungono documenti che corrispondono ai concetti.

I modelli mentali

1. Obiettivo contro implementazione. La ricerca semantica è la destinazione (recuperare per significato). La ricerca vettoriale è un veicolo (embedding + vicini più prossimi). Ci si può arrivare anche a piedi: espansione query, regole sui sinonimi, consultazione delle entità. Non confondere la destinazione con una sola strada.

2. Uno stack a strati, non un interruttore. Knowledge Graph (entità) + RankBrain (query sconosciute) + neural matching (sinonimi concettuali)

• BERT (contesto delle parole) + MUM (multimodale). Si sovrappongono e collaborano; nessun aggiornamento ha eliminato quello precedente. Quando ragioni su «come Google comprende questa query?», chiediti quale strato sta svolgendo il lavoro.

3. Il recupero avviene in due fasi. Fase 1: veloce, basata sulle keyword e ad alta copertura (BM25 su un indice inverso). Fase 2: nuovo ranking neurale + aggiunte corrispondenti per concetto. La ricerca semantica è soprattutto la fase 2: potenzia la fase 1, non la cancella.

4. L’invariante dell’ottimizzazione. Ogni aggiornamento semantico punta nella stessa direzione: linguaggio naturale, profondità tematica, entità chiare e allineamento all’intento. Se una tattica ha senso solo per un motore che conta le keyword (stuffing, ossessione per la corrispondenza esatta, «LSI keywords»), stai ottimizzando per una macchina che non esiste più.

5. La regola del «che cosa viene citato» nella ricerca AI. Le risposte AI = recupero semantico + generazione. Ciò che fa posizionare un passaggio (entità chiare, sezioni autosufficienti, profondità) è ciò che lo fa recuperare e citare. Non esiste un trucco separato per la ricerca AI: è la stessa qualità a livello di passaggio.

Errori nella ricerca semantica

Costruire pagine intorno a elenchi di «LSI keywords»

I consigli sulle LSI keywords descrivono in modo errato il funzionamento del recupero moderno. Copri l’argomento naturalmente, nomina le entità e i rapporti reali e rispondi all’intento dell’utente invece di aggiungere un elenco di sinonimi generato meccanicamente.

Trattare ricerca semantica e ricerca vettoriale come sinonimi

Il recupero semantico è l’obiettivo di associare i significati; i vettori sono un metodo che può supportarlo. Mantieni la distinzione quando valuti un sistema o scegli un audit.

Ripetere il termine principale invece di risolvere l’ambiguità

Ripetere di più non chiarisce quale entità o intento rappresenti una pagina. Usa nomi espliciti, attributi, contesto e sottotemi collegati, così il significato resta comprensibile oltre una singola stringa di keyword.

Mettiti alla prova: ricerca semantica

Risorse che meritano il tuo tempo

Le mie recensioni correlate

• SEO semantica (Ahrefs) — la guida per professionisti avanzati (sono recensore di questo contenuto), con il modello EAV e il motivo per cui Google non sarà completamente semantico.

Su questo sito

• Entity SEO: la disciplina pratica di nominare, descrivere e disambiguare le entità (il lato Knowledge Graph della ricerca semantica).
• Embeddings e vector search: il meccanismo tecnico che rende possibile la similarità basata sul significato.
• RAG: come la ricerca AI recupera passaggi e fonda le risposte generate.

Da altri

• Ricerca semantica — la guida di Mateusz Makosiewicz su Ahrefs al recupero basato sul significato, alle entità e ai contenuti.
• Il Knowledge Graph di Google — la guida di Despina Gavoyannis e Michal Pecánek su Ahrefs ai dati sulle entità e alla SEO.
• Glossario RankBrain e glossario Hummingbird (Ahrefs) — voci di riferimento rapide della redazione Ahrefs.
• La guida ai sistemi di ranking della Ricerca di Google — l’elenco autorevole dei sistemi attivi e ritirati.
• SEO by the Sea — retrospettiva su Hummingbird — storia dettagliata con il contesto di Singhal.
• Hummingbird di Google (Search Engine Land) — il resoconto dell’annuncio originale del 2013 di Danny Sullivan, con citazioni di Singhal; fonte primaria per «90% delle ricerche» e significato dell’intera frase.
• Scopri RankBrain, l’algoritmo di ricerca con intelligenza artificiale di Google (Search Engine Land) — il resoconto originale del 2015 su RankBrain, con le citazioni testuali di Greg Corrado su vettori e query sconosciute.
• Il neural matching di Google (Search Engine Journal) — copre il lancio del neural matching nel 2018, il tweet di Danny Sullivan sui «super sinonimi» e la distinzione da RankBrain.
• FAQ: tutto sull’algoritmo BERT nella Ricerca Google (Search Engine Land) — domande e risposte complete, compresa l’indicazione di Danny Sullivan che non c’è nulla da ottimizzare.
• Google affida la sua redditizia ricerca web alle macchine di IA (Bloomberg) — la rivelazione originale di RankBrain; Greg Corrado lo conferma come «il terzo segnale più importante».
• La scienza della ricerca semantica: come l’IA di Bing alimenta Azure Cognitive Search (Microsoft Research) — la pipeline BM25 → nuovo ranking Transformer di Bing; include i dati sull’aumento CTR del 2% / 4,5% dai test della documentazione Microsoft.

Video

• Google Search Central (YouTube): la serie How Google Search Works, compresi gli approfondimenti sulla comprensione delle query e sui sistemi che la realizzano. Canale

Statistiche degne di citazione

• ~40% delle parole inglesi ha più significati: per questo il contesto (luogo, storia e parole circostanti) è ciò che la ricerca semantica usa per disambiguare «apple» o «jaguar». Fonte
• ~0,89 di similarità vettoriale tra «come riparare un rubinetto che perde» e «riparare un rubinetto gocciolante», nonostante condividano quasi nessuna parola. Il volto concreto della corrispondenza basata sul significato. Fonte
• Il neural matching interessa ~30% delle query (Danny Sullivan, 2018): la portata della corrispondenza concettuale dei «super sinonimi».
• BERT ha interessato una query inglese statunitense su 10 al lancio (Pandu Nayak, 2019) e oggi svolge un ruolo in quasi tutte le query inglesi. Fonte
• Il Knowledge Graph contiene oggi ~1,6 trilioni di fatti su ~54 miliardi di entità (rispetto a 500M entità al lancio del 2012): la scala della spina dorsale delle entità di Google. Fonte

Cronologia modifiche