Ottimizzazione dello shopping IA

TL;DR — L’ottimizzazione dello shopping IA consiste nel far raccomandare e acquistare i tuoi prodotti dentro assistenti IA come ChatGPT, AI Mode di Google, Copilot e Perplexity. Il grande cambiamento rispetto alla SEO ecommerce normale è che questi strumenti si appoggiano molto a un feed di prodotti — un elenco leggibile dalle macchine con prodotti, prezzi e disponibilità — insieme alla pagina web, non al suo posto, e il peso dato al feed rispetto alla pagina varia esattamente in base alla piattaforma. Il lavoro aggiunge quindi “pubblica un feed completo, accurato e aggiornato” alla SEO a livello di pagina, invece di sostituirla. E c’è una distinzione che confonde tutti: essere raccomandati dipende soprattutto dalla qualità dei dati; essere acquistati dentro la chat richiede una configurazione separata e facoltativa.

Che cos’è l’ottimizzazione dello shopping IA

Le esperienze di shopping IA possono usare feed dei merchant, dati strutturati dei prodotti e informazioni web live, ma i requisiti variano per piattaforma. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search La documentazione sui prodotti di Google distingue i feed del Merchant Center dai dati strutturati dei prodotti sulla pagina. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Quando fai acquisti con un assistente IA, non scorri una pagina con dieci link blu. Fai una domanda — “zaino impermeabile per andare al lavoro sotto i 150 $” — e l’assistente torna con un breve elenco di prodotti specifici, spesso con prezzi, immagini e motivazioni.

Per costruire quella risposta, l’IA spesso non legge la pagina del prodotto come farebbe una persona: si appoggia ai dati strutturati del prodotto, al tuo feed, dove ogni prodotto ha campi come brand, prezzo, disponibilità, taglia, colore e immagini. Quanto una determinata superficie si affidi al feed rispetto alla pagina renderizzata varia per piattaforma. L’ottimizzazione dello shopping IA consiste nel rendere quei dati, e i contenuti della pagina che li supportano, il più possibile completi, accurati e aggiornati, così che i tuoi prodotti vengano scelti.

Perché è diverso dalla SEO normale

La SEO ecommerce classica ottimizza la pagina: titolo, testo, link interni e backlink. Questo conta ancora: alcune superfici di shopping IA continuano a sottoporre a crawling e leggere l’HTML. Tuttavia, la maggior parte degli agenti di shopping IA pesa molto anche il feed, e la maggior parte dei programmi SEO non possiede né verifica il feed.

Una bella pagina di prodotto collegata a un feed rotto o incompleto può restare invisibile agli agenti di shopping che si affidano ai dati del feed. Questo è il cambio mentale: il feed diventa una superficie di ottimizzazione di prima classe accanto alla pagina, non un suo sostituto.

L’unica distinzione da tenere a mente

Essere raccomandati ed essere acquistati sono due cose diverse.

• Scoperta — essere mostrati o raccomandati da ChatGPT, Google AI Mode, Copilot o Perplexity dipende soprattutto dal feed e dalla qualità dei dati. Non serve alcuna integrazione speciale.
• Checkout — consentire a qualcuno di acquistare davvero dentro la chat è uno strato separato e facoltativo, gestito da protocolli commerciali (in questo cluster ci sono articoli dedicati all’Agentic Commerce Protocol e all’Universal Commerce Protocol).

La maggior parte degli articoli confonde questi aspetti. Tienili separati e tutto diventa più chiaro: sistema prima i dati; aggiungi il checkout in chat quando sei pronto.

Che cosa fare per prima cosa

• Assicurati che ogni prodotto abbia identificatori completi — brand, GTIN/MPN — oltre a prezzo e disponibilità accurati.
• Mantieni aggiornati prezzo e stock: gli agenti effettuano transazioni su dati live e informazioni obsolete possono escluderti.
• Aggiungi specifiche reali del prodotto e rispondi in linguaggio semplice a “per chi è, quale problema risolve”.
• Ottieni recensioni. Fungono da criterio di spareggio tra prodotti simili.

Vuoi le superfici, i fattori di ranking, il problema della misurazione e un piano prioritario? Passa alla scheda Advanced.

TL;DR — Il cambiamento di categoria è un cambiamento di enfasi: gli agenti si appoggiano molto a cataloghi leggibili dalle macchine, quindi il feed (attributi, dati strutturati, attualità) diventa una superficie primaria accanto alla pagina; la combinazione esatta tra feed e pagina è specifica del provider e nessuna superficie ha pubblicato una formula universale di ranking o un percorso di inclusione garantito. La distinzione da possedere è questa: la scoperta (essere raccomandati) è guidata soprattutto da feed e qualità dei dati ed è agnostica rispetto ai protocolli, mentre il checkout (ACP, UCP, Copilot Checkout) è uno strato separato di adesione facoltativa. Le leve più efficaci, in ordine, sono completezza degli attributi (GTIN/MPN, brand, varianti), accuratezza in tempo reale di prezzo/disponibilità, immagini ad alta risoluzione, recensioni come criteri di spareggio e copy di prodotto in linguaggio naturale. Uno studio basato su fonti secondarie ha rilevato una forte sovrapposizione tra il carosello organico di shopping di ChatGPT e il ranking organico di Google Shopping (verifica rispetto alla metodologia primaria prima di considerare assestata la cifra esatta), motivo per cui una buona igiene del Merchant Center probabilmente paga su più superfici. Il problema della misurazione è che gli acquisti mediati dall’IA possono non lasciare pageview, anche se dipende dal provider e dal design del passaggio: sempre più team si affidano a metriche di visibilità del feed e alla riconciliazione a livello d’ordine insieme alle sessioni.

Il cambiamento di categoria, enunciato una volta per tutte

Non esiste una formula universale di ranking per lo shopping IA né un percorso di inclusione garantito. Evidence for this claim ChatGPT search can show shopping results using structured product and merchant information. Scope: OpenAI's documented shopping experience; eligibility and presentation can change and do not define every AI shopping system. Confidence: high · Verified: 2026-07-14 OpenAI: Shopping with ChatGPT search Tratta dati di prodotto accurati e aggiornati come infrastruttura di idoneità e comprensione, non come garanzia di citazione. Evidence for this claim Google documents Product structured data and Merchant Center feeds as ways to provide product information for search experiences. Scope: Google Search and merchant surfaces; compliance can enable eligibility but does not guarantee selection or ranking. Confidence: high · Verified: 2026-07-14 Google: Product structured data

Per vent’anni, la SEO ecommerce ha ottimizzato una pagina per un lettore umano e per un elenco ordinato di link. L’ottimizzazione dello shopping IA aggiunge una seconda superficie: i dati per una macchina che legge un catalogo e compone una risposta. Questo è il cambiamento in una frase, ma è un cambiamento di enfasi, non uno scambio netto. Le evidenze attuali supportano combinazioni specifiche del provider tra feed, pagine e cataloghi, non una regola universale “feed, non pagina”; alcune superfici continuano a sottoporre a crawling e pesare l’HTML, e le pagine restano la fonte dei dettagli delle specifiche (casi d’uso, FAQ, materiali) per cui i feed non hanno campi.

Il motivo per cui i feed contano più di prima è meccanico, non legato alla moda. Gli agenti di shopping IA si appoggiano sempre più a dati di prodotto leggibili dalle macchine — feed e attributi strutturati — insieme al tuo HTML renderizzato. Quando Google spiega la sua esperienza di shopping AI Mode, descrive un processo chiamato query fan-out: “AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options” (traduzione) «AI Mode avvia un query fan-out, eseguendo più ricerche simultanee per capire che cosa rende una borsa adatta alla pioggia e ai lunghi viaggi, quindi usa questi criteri per suggerire opzioni impermeabili» (Lilian Rincon, VP Product Management, Google). Il fan-out abbina l’intento scomposto agli attributi del prodotto. Un copy riempito di keyword non offre nulla a cui abbinarsi; un insieme completo e accurato di attributi sì.

Scoperta e checkout: la distinzione che questo articolo possiede

Questo è il modello mentale più utile della pagina ed è quello che la maggior parte dei contenuti concorrenti sbaglia.

• Scoperta — essere raccomandati o mostrati organicamente dipende soprattutto dalla qualità dei dati del feed e degli attributi ed è indipendente dall’aver abilitato un protocollo di checkout. Un merchant può essere raccomandato da ChatGPT, Google AI Mode, Copilot o Perplexity basandosi solo sulla qualità dei dati.
• Checkout — completare la transazione dentro l’assistente è uno strato separato, aggiuntivo e facoltativo. È ciò che fanno i protocolli: l’Agentic Commerce Protocol (ACP) di OpenAI e Stripe abilita il checkout in ChatGPT; l’Universal Commerce Protocol (UCP) di Google e Shopify lo abilita per Google AI Mode e Gemini; Microsoft ha un proprio Copilot Checkout.

Non serve l’integrazione ACP o UCP per essere raccomandati. Serve per essere acquistati in chat. Sistema prima i dati; aggiungi il checkout quando il vantaggio transazionale giustifica l’investimento tecnico. Gli articoli sui protocolli spiegano la meccanica del checkout: questo articolo deliberatamente non la ricostruisce.

Le superfici, in breve

In questo momento contano cinque superfici. Ognuna legge dati strutturati; nessuna premia la densità delle keyword.

Google AI Mode / Shopping Graph. La scala è il motivo per prendere sul serio i feed. In un post di lancio del maggio 2025, Google ha dichiarato “The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability” (traduzione) «Lo Shopping Graph contiene ora oltre 50 miliardi di inserzioni prodotto, dai retailer globali ai piccoli negozi locali, ciascuna con dettagli quali recensioni, prezzi, colori e disponibilità» (Rincon) e che “Every hour more than 2 billion of those product listings are refreshed on Google” (traduzione) «Ogni ora, oltre 2 miliardi di queste inserzioni vengono aggiornate su Google» (stesso post). Google inquadra il tutto in senso ampio: “Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment” (traduzione) «La nostra nuova esperienza AI Mode è progettata per ogni fase dello shopping, dalla scoperta dell’ispirazione all’acquisto nel momento giusto» (Rincon). Tratta le cifre di 50 miliardi e 2 miliardi come dichiarazioni datate di quel post di lancio, non come un contatore live: l’articolo di approfondimento sullo Shopping Graph registra eventuali numeri ufficiali più recenti. Lo Shopping Graph ha un proprio approfondimento in questo cluster.

ChatGPT Shopping. ChatGPT presenta selezioni organiche di prodotti che, secondo il materiale di assistenza ufficiale di OpenAI, non sono annunci e non vengono riclassificate in base a prezzo o spedizione nel ranking di base. La guida di shopping di OpenAI descrive la selezione dei merchant come guidata da fattori quali disponibilità, prezzo, qualità e il fatto che il merchant sia il produttore o il venditore principale dell’articolo (vedi Shopping with ChatGPT Search). La documentazione commerciale per sviluppatori di OpenAI ora supporta l’invio diretto di product feed: un’evoluzione significativa, dato che in passato ChatGPT si appoggiava soprattutto a provider di dati di terze parti invece che a un feed inviato direttamente da te. La specifica dei file prodotto di OpenAI separa oggi uno schema Stable (quello su cui costruire) da uno Draft, riservato alla pianificazione e non pronto per la produzione, ed espone tre flag di idoneità separati sul record prodotto — search, checkout e ads — invece di un solo interruttore on/off. Il percorso di caricamento dei file usa SFTP, con snapshot completi del catalogo attesi almeno ogni giorno, nomi file stabili, formati compressi specifici e gestione esplicita dei prodotti rimossi; è un modello di cadenza molto diverso da un feed live aggiornato minuto per minuto, quindi pianifica la pipeline attorno a snapshot giornalieri invece di presumere un push quasi in tempo reale.

Microsoft Copilot Shopping. La proposta di Microsoft rivolta ai merchant è che con Copilot i clienti ottengano un personal shopper, e il suo Copilot Merchant Program consenta ai merchant di “share key product specifications with us, ensuring we have up-to-date details on all your items.” (traduzione) «condividere con noi le specifiche principali dei prodotti, assicurandoci di disporre di dettagli aggiornati su tutti gli articoli». È tecnicamente meno dettagliato dello stack di Google o OpenAI, ma è una terza superficie per cui vale la pena avere un feed.

Perplexity Shopping. La posizione dichiarata di Perplexity è che i risultati di shopping siano organici e che i brand non possano pagare per il posizionamento; il suo programma merchant condivide dati del catalogo (recensioni, prezzi, specifiche, immagini) per abbinare query in linguaggio naturale ai prodotti (vedi Shop like a Pro).

Gemini utilizza gli stessi dati dello Shopping Graph di Google, quindi qui vale la stessa igiene del feed Google.

Che cosa sposta davvero il risultato

In ordine approssimativo di leva:

1. Completezza degli attributi. GTIN/MPN, brand, prezzo e disponibilità accurati, varianti di taglia/colore, immagini ad alta risoluzione. È una leva ad alto impatto perché la documentazione di Google e la specifica del feed di OpenAI la mettono entrambe in primo piano in modo indipendente. Lo schema Stable dei file prodotto di OpenAI richiede campi tra cui item_id, title, description, url, brand, image_url, prezzo con valuta, availability e seller_name, e ogni record prodotto contiene flag separati is_eligible_search, is_eligible_checkout e di idoneità agli ads: l’idoneità alla ricerca è un prerequisito per quella al checkout e nessuna delle tre è garantita dal semplice invio di un feed. Verifica nomi esatti dei campi e comportamento dei flag rispetto alla specifica live dei file prodotto di OpenAI prima di basarti su di essi: gli schemi evolvono.
2. Attualità, con una cadenza realistica. Accuratezza di prezzo e stock conta più che nella SEO classica, ma “in tempo reale” non è universale: Google descrive l’aggiornamento di oltre 2B di inserzioni all’ora, mentre l’attuale percorso di caricamento file di OpenAI si basa su snapshot completi almeno giornalieri via SFTP, non su un push live. Allinea la cadenza di aggiornamento a ciò che la superficie acquisisce davvero: stock o prezzo obsoleti restano segnali che possono escluderti una volta superata la finestra di aggiornamento della superficie.
3. Immagini di alta qualità. Più angolazioni, sfondi puliti, immagini corrette per variante: gli agenti mostrano e talvolta interpretano le immagini.
4. Recensioni e segnali di fiducia come criteri di spareggio tra prodotti altrimenti simili. Nel scorecard in 6 punti per pagine prodotto pronte per l’IA di Search Engine Land, Jeff Oxford di Visibility Labs ha rilevato che il prodotto mediano su 1 000 prompt ecommerce aveva circa 156 recensioni e suggerisce di considerare circa 150+ recensioni una soglia pratica per valutare la visibilità IA. Il suo punto sul perché le pagine prodotto richiedano dettagli espliciti è questo: gli assistenti IA hanno bisogno di specifiche dichiarate chiaramente per comprendere i prodotti e abbinarli alle esigenze dei clienti.
5. Copy del prodotto semantico e in linguaggio naturale. Scrivi “per chi è, quale problema risolve”, non densità di keyword: è ciò che consumano davvero il fan-out (Google) e il matching conversazionale (Perplexity, ChatGPT).

La scorciatoia multipiattaforma nascosta in bella vista

Ecco il risultato su cui agirei per primo se avessi un pomeriggio. Un’analisi di Search Engine Land sui feed di prodotto e la ricerca IA, che cita uno studio Peec AI su oltre 43 000 inserzioni, ha rilevato che fino all’83% dei prodotti nel carosello di shopping di ChatGPT coincideva con i risultati organici di Google Shopping, con circa il 60% delle corrispondenze proveniente dalle posizioni 1–10 di Google Shopping. In parole semplici: il carosello organico di shopping di ChatGPT si sovrappone molto al ranking organico di Google Shopping. Questo significa che la buona igiene del feed del Merchant Center non paga solo su Google: ha una leva multipiattaforma sproporzionata. Lo stesso articolo osserva che gli AI Overviews ora compaiono in circa il 14% delle query di shopping, rispetto a circa il 2% alla fine del 2024. Entrambe le cifre provengono dalla copertura di Search Engine Land dello studio Peec AI: ricontrollale rispetto allo studio primario prima di citarle come fatti propri.

La lettura pratica è questa: rendi davvero eccellente il feed Google Merchant Center e avrai svolto gran parte del lavoro anche per ChatGPT; poi aggiungi i feed specifici delle superfici (ChatGPT Product Feed, Microsoft Merchant Center, acquisizione del catalogo di Perplexity), ciascuno con il proprio schema e percorso di invio. Un feed non vince automaticamente su cinque motori, ma un feed eccellente ti porta molto lontano.

Ecco la divergenza tra provider al momento della stesura: controlla i termini aggiornati di ogni programma prima di costruirci sopra, perché cambiano rapidamente:

L’idoneità a livello di mercato, account e prodotto varia tra provider oltre a quanto indicato: una funzionalità o capacità di checkout attiva per un merchant o un paese non significa che lo sia per un altro.

John Morabito di Stella Rising considera il feed un asset di marketing strategico e non solo un requisito tecnico: strutturato come lo schema ma autorevole come la pagina prodotto, con la completezza che spesso agisce da criterio di spareggio (Optimizing ChatGPT Shopping).

Misurarlo: il problema del “nessun pageview”

La parte scomoda è questa: una quota crescente di acquisti guidati dall’IA produce poca o nessuna traccia analitica — nessuna pageview, nessuna sessione in GA4. Se un determinato flusso salti davvero la pageview dipende dal provider, dal design del passaggio tra assistente e sito e da come hai configurato il tracciamento: è uno schema reale e comune, non una proprietà garantita di ogni acquisto mediato dall’IA. È più marcato nel checkout mediato da protocolli (l’articolo UCP tratta in dettaglio la transazione senza pageview), ma può estendersi anche alla raccomandazione organica, quando un utente può acquistare da un concorrente a cui non hai mai attribuito la visibilità.

Perciò il KPI passa dalle sessioni alla visibilità del feed e alla riconciliazione a livello d’ordine:

• Google sta costruendo il livello di misurazione nel Merchant Center. La guida di assistenza descrive suggerimenti di merchandising guidati dall’IA — “Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business” (traduzione) «Google Merchant Center usa l’IA per analizzare i tuoi prodotti e i dati sul rendimento e individuare opportunità per la tua attività» (Guida Merchant Center), rassicurando che “you’ll always remain in full control to review, adjust, or approve any changes” (traduzione) «manterrai sempre il pieno controllo per esaminare, modificare o approvare qualsiasi cambiamento» (stessa pagina). Google ha inoltre segnalato che gli insight sulle esperienze di shopping basate sull’IA stanno arrivando nel Merchant Center, e Search Engine Land ha trattato l’arrivo di nuovi AI Performance Insights e attributi conversazionali nel Merchant Center.
• Finché questi strumenti non maturano, riconcilia a livello d’ordine: associa gli ordini ai metadati referral o agente che riesci ad acquisire, come soluzione temporanea.

Una cautela strategica: omogeneità delle scelte

Una sfumatura da tenere come domanda strategica, non solo tattica. Uno studio del 2025 su un simulatore Columbia/Yale di agenti di shopping IA ha trovato evidenze di choice homogeneity: gli agenti concentrano la domanda su un piccolo insieme di prodotti, più di quanto farebbe la navigazione umana, e ha avvertito di una dinamica emergente di “AI-SEO” che rischia risultati in cui il vincitore prende tutto. Lo studio è citato tramite la copertura di Search Engine Journal; verifica nome, istituzioni e risultati rispetto alla fonte primaria prima di basarti su di esso. La lezione è questa: essere nel set raccomandato vale di più, e stare appena fuori vale di meno, rispetto alla posizione equivalente in un mondo di dieci link blu. Questo aumenta il peso del lavoro sui dati descritto sopra.

Dove approfondire

• Meccanica del checkout: Agentic Commerce Protocol (ACP) e Universal Commerce Protocol (UCP), entrambi in questo cluster.
• Meccanica dei feed e catalogo Google: gli articoli sui feed prodotto per l’IA e sullo Shopping Graph di Google, oltre a Google Merchant Center e ottimizzazione dei feed del Merchant Center per i dettagli a livello di attributo.
• Completare un acquisto in-agent end-to-end: l’articolo sul checkout agentico.

Riepilogo IA

Una sintesi della versione Advanced:

• Il cambiamento: un cambiamento di enfasi, non uno scambio netto: gli agenti di shopping IA si appoggiano molto a cataloghi leggibili dalle macchine (attributi del feed di prodotto, dati strutturati, attualità) insieme alla pagina, e la combinazione esatta tra feed e pagina è specifica del provider, non una regola universale.
• La distinzione fondamentale: la scoperta (essere raccomandati) è guidata soprattutto da feed e qualità dei dati ed è agnostica rispetto ai protocolli; il checkout (ACP per ChatGPT, UCP per Google/Gemini, Copilot Checkout per Microsoft) è uno strato separato e facoltativo. Non serve un protocollo per essere visibili, solo per essere acquistati in chat.
• Le superfici: Google AI Mode / Shopping Graph (oltre 50B di inserzioni, oltre 2B aggiornate ogni ora secondo un post di lancio Google del 2025), ChatGPT Shopping (selezioni organiche, non annunci; invio diretto del feed tramite schema Stable e snapshot giornalieri SFTP, più flag separati di idoneità search/checkout/ads), Microsoft Copilot Shopping, Perplexity Shopping (organico, senza pagamento per il posizionamento), Gemini (usa lo Shopping Graph).
• Le leve più efficaci: completezza degli attributi (GTIN/MPN, brand, varianti) → attualità allineata alla cadenza reale di ogni superficie → immagini ad alta risoluzione → recensioni come criteri di spareggio (benchmark circa 150+) → copy semantico in linguaggio naturale.
• La scorciatoia multipiattaforma: uno studio basato su fonti secondarie ha rilevato una forte sovrapposizione del carosello organico di ChatGPT con il ranking organico di Google Shopping (fino a circa l’83% di corrispondenza secondo il report; verifica rispetto allo studio primario), suggerendo che l’igiene del Merchant Center probabilmente paga su più superfici.
• La misurazione: gli acquisti IA possono non lasciare pageview, a seconda del provider e del passaggio; sempre più team si affidano alla visibilità del feed (AI Performance Insights di Google) e alla riconciliazione a livello d’ordine insieme alle sessioni.
• La cautela: l’omogeneità delle scelte (Columbia/Yale) significa che essere nel set raccomandato vale sproporzionatamente di più, aumentando il peso del lavoro sui dati.
• L’idoneità è circoscritta: l’idoneità di provider, mercato, account e prodotto varia: una funzionalità live per un merchant o un paese non è garantita per un altro.

Documentazione ufficiale

Materiale da fonti primarie delle piattaforme che gestiscono le superfici di shopping IA.

Google

• Shopping su Google: aggiornamenti di AI Mode e prova virtuale — scala dello Shopping Graph, cadenza di aggiornamento e query fan-out (Lilian Rincon, VP Product Management).
• Favorire crescita e insight con l’IA — suggerimenti di merchandising guidati dall’IA di Google dentro Merchant Center.
• Insight per le esperienze di shopping basate sull’IA (in arrivo) — report futuro sulle superfici IA nel Merchant Center.
• Informazioni sul checkout basato su UCP e la guida per sviluppatori di Universal Commerce Protocol (FAQ) — meccanica dello strato di checkout; l’articolo gemello sull’UCP la tratta in profondità.

OpenAI

• Acquistalo in ChatGPT: Instant Checkout e Agentic Commerce Protocol — panoramica del commercio in ChatGPT; l’articolo gemello sull’ACP tratta il protocollo.
• Fare shopping con ChatGPT Search — come ChatGPT sceglie le selezioni organiche di prodotti (non annunci).
• OpenAI commerce product-feed spec — gli schemi Stable e Draft dei file prodotto, i campi richiesti e i flag di idoneità search/checkout/ads.
• OpenAI commerce file-upload overview — modello di invio SFTP: cadenza dello snapshot giornaliero, nomi file stabili, formati supportati e gestione delle rimozioni.
• Presentazione della ricerca per lo shopping in ChatGPT — contesto della funzionalità più recente di ricerca per lo shopping.

Microsoft

• Presentazione del Copilot Merchant Program — programma di shopping di Microsoft rivolto ai merchant.

Perplexity

• Fai shopping come un professionista — funzionalità di shopping e programma merchant di Perplexity (organici, senza pagamento per il posizionamento).

Citazioni dalla fonte

Affermazioni attribuite. I deep link portano al passaggio citato nella pagina sorgente, dove l’ancora è stata verificata.

Google — Shopping Graph e AI Mode (Lilian Rincon, VP Product Management)

• “Our new AI Mode experience is built for every part of shopping — from finding inspiration to buying at the right moment.” (traduzione) «La nostra nuova esperienza AI Mode è progettata per ogni fase dello shopping, dalla scoperta dell’ispirazione all’acquisto nel momento giusto». Jump to quote
• “The Shopping Graph now has more than 50 billion product listings, from global retailers to local mom and pop shops, each with details like reviews, prices, color options and availability.” (traduzione) «Lo Shopping Graph contiene ora oltre 50 miliardi di inserzioni prodotto, dai retailer globali ai piccoli negozi locali, ciascuna con dettagli quali recensioni, prezzi, colori e disponibilità». Jump to quote
• “Every hour more than 2 billion of those product listings are refreshed on Google.” (traduzione) «Ogni ora, oltre 2 miliardi di queste inserzioni vengono aggiornate su Google». Jump to quote
• “AI Mode will start a query fan-out, which means it runs several simultaneous searches to figure out what makes a bag good for rainy weather and long journeys, and then use those criteria to suggest waterproof options.” (traduzione) «AI Mode avvia un query fan-out, eseguendo più ricerche simultanee per capire che cosa rende una borsa adatta alla pioggia e ai lunghi viaggi, quindi usa questi criteri per suggerire opzioni impermeabili». Jump to quote

Google — strumenti IA del Merchant Center

• “Google Merchant Center uses AI to analyze your unique products and performance data and uncover opportunities for your business.” (traduzione) «Google Merchant Center usa l’IA per analizzare i tuoi prodotti e i dati sul rendimento e individuare opportunità per la tua attività». Jump to quote
• “It will present these as simple suggestions you can easily action, and you’ll always remain in full control to review, adjust, or approve any changes.” (traduzione) «Le presenterà come semplici suggerimenti su cui intervenire facilmente, mentre manterrai sempre il pieno controllo per esaminare, modificare o approvare qualsiasi cambiamento». Jump to quote

Microsoft — Copilot Merchant Program (attribuito al Copilot Team)

• “With Copilot, customers have a personal shopper at their service, helping guide them towards the right items and best deals.” (traduzione) «Con Copilot, i clienti hanno a disposizione un personal shopper che li guida verso gli articoli giusti e le offerte migliori». Jump to quote
• “Once you’re in the Copilot Merchant Program you can also share key product specifications with us, ensuring we have up-to-date details on all your items.” (traduzione) «Una volta entrato nel Copilot Merchant Program, puoi condividere con noi le specifiche principali dei prodotti, assicurandoci di disporre di dettagli aggiornati su tutti gli articoli». Jump to quote

Indicazioni dal settore

• Jeff Oxford di Visibility Labs scrive che gli assistenti IA hanno bisogno di specifiche dichiarate chiaramente per comprendere i prodotti e abbinarli alle esigenze dei clienti. Leggi il suo scorecard in sei punti per le pagine prodotto.
• John Morabito di Stella Rising raccomanda di trattare il feed come un asset di marketing strategico invece che come un semplice requisito tecnico. Leggi la sua guida a ChatGPT Shopping.
• La guida al commercio agentico di Search Engine Journal collega le affermazioni originali che cita di Kevin Miller di Stripe e Vanessa Lee di Shopify.

Quale problema di shopping IA stai risolvendo?

Usa questo strumento per capire dove spendere il prossimo blocco di lavoro. La maggior parte delle persone passa direttamente a “integrare un protocollo”, quando la risposta è quasi sempre “sistema prima il feed”.

Checklist per l’ottimizzazione dello shopping IA

Procedi dall’alto verso il basso: l’ordine segue approssimativamente la leva.

Qualità dei dati del feed (prima cosa da fare: non serve un protocollo)

• Ogni prodotto ha un identificatore univoco — GTIN e/o MPN — oltre al brand.
• Titoli e descrizioni sono completi e specifici (specifiche, materiali, dimensioni), non riempiti di keyword.
• Prezzo e disponibilità sono accurati e aggiornati spesso: stock/prezzo obsoleti sono un segnale che può escluderti.
• Tutte le varianti (taglia, colore) sono rappresentate come articoli propri con attributi corretti.
• Immagini ad alta risoluzione, più angolazioni, immagini corrette per variante.
• Recensioni presenti e in crescita (circa 150+ è un benchmark operativo utile per considerare la visibilità IA).
• Il copy del prodotto risponde in linguaggio semplice a “per chi è / quale problema risolve”.

Copertura delle superfici

• Il feed Google Merchant Center è la priorità (i feed dello Shopping Graph alimentano AI Mode + Gemini e si sovrappongono al carosello organico di ChatGPT).
• ChatGPT Product Feed inviato direttamente (non affidarsi solo all’aggregazione di terze parti).
• Feed Microsoft Merchant Center inviato per Copilot Shopping.
• Catalogo / programma merchant di Perplexity configurato.

Checkout (facoltativo: solo dopo aver consolidato la scoperta)

• Decidi se il checkout in chat vale l’investimento; se sì, ACP per ChatGPT e/o UCP per Google/Gemini (vedi quegli articoli).

Misurazione

• Accetta che molti ordini IA non lascino pageview; non giudicare il canale dalle sessioni GA4.
• Osserva AI Performance Insights / gli attributi conversazionali del Merchant Center mentre vengono distribuiti.
• Riconcilia gli ordini guidati dall’IA a livello d’ordine come soluzione temporanea.

I modelli mentali

1. I dati si aggiungono alla pagina, non la sostituiscono. Il feed leggibile dalle macchine diventa una superficie di ottimizzazione di prima classe accanto alla pagina rivolta agli esseri umani: il peso dato a una o all’altra superficie è specifico del provider. Quando un prodotto non viene raccomandato, verifica il feed prima di presumere che il problema sia il copy della pagina; non presumere nemmeno che la pagina sia irrilevante.

2. Scoperta ≠ checkout. Essere raccomandati dipende da feed e qualità dei dati ed è agnostico rispetto ai protocolli. Essere acquistati in chat è uno strato separato e facoltativo (ACP/UCP/Copilot Checkout). Non lasciare che un vendor o un blog confonda i due aspetti: sistema prima i dati e aggiungi il checkout quando il vantaggio della transazione giustifica l’investimento.

3. Un feed eccellente, poi mappalo verso l’esterno. Un feed non vince automaticamente su cinque motori, perché ogni superficie ha il proprio schema, ma poiché i dati sottostanti si sovrappongono molto (e il carosello organico di ChatGPT segue il ranking organico di Google Shopping), un feed del Merchant Center davvero eccellente rappresenta l’80% del lavoro per il resto.

4. Gli attributi sono la superficie di ranking. Query fan-out e matching conversazionale valutano gli attributi, non la densità delle keyword. Completezza e accuratezza dei campi strutturati sono la leva; il “copywriting SEO” non lo è.

5. L’attualità è un motivo di esclusione, non un dettaglio. Gli agenti effettuano transazioni su dati live. Un prezzo errato o un flag di disponibilità obsoleto non si limita a infastidire l’utente: può farti uscire completamente dall’insieme raccomandato.

6. Sessioni → visibilità del feed + riconciliazione degli ordini. Il modello di misurazione si capovolge: senza pageview, il reporting della visibilità del feed diventa l’indicatore principale e la riconciliazione a livello d’ordine è il controllo di riserva.

Errori comuni (e che cosa fare invece)

“La mia SEO esistente copre già questo aspetto.” Perché è sbagliato: la SEO on-page classica (titoli, backlink, profondità dei contenuti) conta ancora per le superfici che fanno crawling dell’HTML, ma la superficie primaria per gli agenti di shopping IA è il feed strutturato dei prodotti, che la maggior parte dei programmi SEO non possiede né verifica. Una bella pagina con un feed rotto può essere invisibile agli agenti di shopping. Fai invece così: verifica e possiedi il feed come asset di prima classe, separato dal lavoro SEO sulla pagina.

“Mi servono ACP o UCP per comparire in ChatGPT o Google AI Mode.” Perché è sbagliato: la scopribilità organica dipende soprattutto dalla qualità dei dati del feed/degli attributi ed è indipendente dai protocolli di checkout. L’integrazione del checkout è aggiuntiva, non un prerequisito per la visibilità. Fai invece così: sistema i dati del feed per essere raccomandato; aggiungi ACP/UCP in seguito, solo per il checkout in chat. (I rilasci dei protocolli commerciali cambiano rapidamente: in caso di dubbio, verifica la documentazione aggiornata di OpenAI/Google.)

“I risultati di shopping IA si possono comprare come annunci a pagamento.” Perché è sbagliato: OpenAI dichiara che le sue selezioni di shopping non sono annunci e non vengono riclassificate in base a prezzo/spedizione/resi nel ranking di base; Perplexity afferma che i risultati del suo programma merchant sono organici e non acquistabili. Fai invece così: competi su qualità dei dati e recensioni. Nota la sfumatura: i posizionamenti a pagamento (per esempio gli annunci Shopping nelle superfici IA di Google) possono coesistere accanto alle raccomandazioni organiche sulla stessa superficie; “raccomandazione organica” e “posizionamento a pagamento” non si escludono a vicenda, ma non puoi comprare l’accesso alla selezione organica.

“È ancora teorico / ha volumi ridotti: non vale la pena dargli priorità.” Perché è sbagliato: segnali provenienti da fonti indipendenti (scala di aggiornamento di Google di 2B di inserzioni all’ora, studio Peec AI sulla sovrapposizione dei caroselli, traffico riferito dall’IA e crescita degli ordini) indicano volumi reali e in rapida crescita. “È ancora teorico” è superato. Fai invece così: inizia ora il lavoro sul feed; si accumula ed è una scelta a basso rimpianto anche se il mix di traffico cambia lentamente.

“Un feed di prodotto funziona ovunque.” Perché è sbagliato: ogni superficie (Google Merchant Center, ChatGPT Product Feed, Microsoft Merchant Center, catalogo Perplexity) ha il proprio schema e meccanismo di invio, anche se i dati sottostanti si sovrappongono. Fai invece così: costruisci un dataset canonico eccellente, poi mappalo/invialo per superficie: trattalo come lavoro di mapping, non come cinque progetti di contenuto separati.

Cheat sheet dell’ottimizzazione dello shopping IA

Lavora in questo ordine

1. Dati prodotto canonici: ID stabili, GTIN/MPN, brand, varianti, specifiche.
2. Verità transazionale: prezzo e disponibilità corrispondono al backend live.
3. Input di presentazione: titoli/descrizioni accurati, immagini di varianti di alta qualità, recensioni autentiche.
4. Mapping delle superfici: invia i dati canonici a Google, OpenAI, Microsoft e Perplexity nel formato richiesto da ciascuna superficie.
5. Checkout: aggiungi ACP o UCP solo quando l’acquisto in-agent giustifica l’investimento.
6. Misurazione: riconcilia visibilità del feed e ordini, non solo le sessioni.

Scoperta e checkout

Mappa delle superfici

Un dataset canonico eccellente riduce il lavoro di mapping, ma ogni superficie conserva il proprio schema e percorso di acquisizione.

Metriche per l’ottimizzazione dello shopping IA

Copertura dei prodotti idonei e senza errori

• Metrica: quota del catalogo vendibile idonea alla scoperta senza errori attivi di feed o policy.
• Che cosa indica: se i dati prodotto sono abbastanza completi per entrare nell’insieme raccomandato prima di considerare ranking o conversione.
• Come acquisirla: combina la diagnostica del Merchant Center con export equivalenti dello stato del feed da ogni superficie di shopping supportata.
• Benchmark/intervallo realistico: usa come denominatore interno il totale degli SKU attualmente vendibili; indaga ogni divario non spiegato invece di prendere in prestito una percentuale di settore.
• Cadenza: monitoraggio giornaliero e revisione settimanale per tipo di errore.

Parità dell’offerta selezionata

• Metrica: quota di varianti campionate o transate il cui PDP visibile, Product/Offer JSON-LD renderizzato, elemento del feed, carrello e checkout concordano con il backend autorevole su identità prodotto, SKU, group ID, prezzo, valuta e disponibilità.
• Che cosa indica: se gli agenti possono fidarsi abbastanza dei dati da raccomandare e completare un acquisto.
• Come acquisirla: riconcilia gli export dei feed delle superfici con dati di catalogo/checkout usando ID prodotto e variante stabili; separa la rivalidazione spiegata dalla posizione o dal momento del checkout dalle sostituzioni silenziose e dai dati obsoleti.
• Benchmark/intervallo realistico: le discrepanze vanno trattate come difetti; stabilisci una baseline per fonte e dai priorità ai prodotti idonei al checkout.
• Cadenza: continua per i campi che cambiano rapidamente, con riepilogo giornaliero.

Usa il contratto SEO dell’offerta selezionata per le varianti prodotto completo quando definisci la popolazione di test e la strategia degli URL padre rispetto alle varianti.

Ordini e ricavi attribuiti all’agente

• Metrica: ordini, ricavi e tasso di completamento collegati a una superficie o a un protocollo agente a livello d’ordine.
• Che cosa indica: se la visibilità del feed produce risultati commerciali anche quando non esiste pageview o sessione.
• Come acquisirla: conserva metadati referral, di protocollo o dell’agente nella sessione di checkout e riconciliali nell’OMS; usa UTM quando i flussi con redirect li espongono.
• Benchmark/intervallo realistico: confronta con la baseline storica e il mix di prodotti del canale; le superfici iniziali non supportano un obiettivo universale.
• Cadenza: revisione operativa settimanale e reporting aziendale mensile.

Mettiti alla prova: ottimizzazione dello shopping IA

Cinque domande rapide sull’ottimizzazione per le superfici di shopping IA. Scegli una risposta per ciascuna, poi controlla.

Risorse che meritano il tuo tempo

I miei scritti correlati

Non ho ancora pubblicato un articolo dedicato allo shopping IA: è un terreno nuovo, ma un paio dei miei studi per Ahrefs informano questa posizione. Sul perché «IA» e «si posiziona bene» non siano la stessa cosa, vedi Google ritiene che AI Mode sia utile agli utenti, ma i contenuti non sono abbastanza validi da posizionarsi; per mantenere le aspettative sul traffico IA ancorate ai dati, vedi ChatGPT ha il 12% del volume di ricerca di Google, ma Google invia ai siti 190 volte più traffico. E poiché lo stato accurato dell’inventario è ormai letteralmente un campo del feed che gli agenti leggono, il mio vecchio articolo ecommerce Come gestire i prodotti esauriti? Dipende è più rilevante di quando l’ho scritto.

I miei interventi

• Come funziona la ricerca (SlideShare) — il percorso crawl/render/index/rank che dà fondamento alla tesi «le superfici leggono dati, non pagine». (Vale il mio disclaimer abituale: questa è la mia comprensione dei sistemi, non una garanzia di completezza o accuratezza al 100%.)

Dal settore

• Shopping su Google: aggiornamenti di AI Mode e prova virtuale (Google) — scala dello Shopping Graph, cadenza di aggiornamento e query fan-out.
• Scheda di valutazione in 6 punti per pagine prodotto pronte per l’IA (Search Engine Land / Jeff Oxford) — checklist di specifiche, USP, casi d’uso, FAQ, recensioni e dati strutturati e benchmark di circa 150 recensioni.
• Perché i feed prodotto richiedono una strategia organica per la ricerca IA (Search Engine Land) — lo studio Peec AI che collega il ranking organico di Google Shopping all’inclusione nel carosello di ChatGPT.
• Ottimizzare lo shopping in ChatGPT: come i feed prodotto alimentano la GEO (Search Engine Land / John Morabito) — il framing del feed come asset strategico.
• Come la scoperta dello shopping guidata dall’IA cambia l’ottimizzazione delle pagine prodotto (Search Engine Land) — pagine prodotto come documenti di conoscenza.
• Vendere all’IA: guida completa al commercio agentico (Search Engine Journal) — citazioni dei dirigenti e statistiche sulla crescita del canale.
• Google introduce AI Performance Insights e attributi conversazionali in Merchant Center (Search Engine Land) — lo strato emergente di misurazione.
• Fare shopping con ChatGPT Search (OpenAI) — come ChatGPT sceglie le selezioni organiche di prodotti.

Statistiche che vale la pena citare

• Oltre 50 miliardi di inserzioni prodotto nello Shopping Graph di Google, con oltre 2 miliardi aggiornate ogni ora: cifre di Google per il catalogo dietro AI Mode e Gemini. Fonte
• Sovrapposizione fino a circa l’83% tra i prodotti del carosello di shopping di ChatGPT e i risultati organici di Google Shopping (studio Peec AI su oltre 43 000 inserzioni, circa il 60% delle corrispondenze dalle posizioni 1–10 di Google Shopping), secondo Search Engine Land: il caso per trattare l’igiene del Merchant Center come leva multipiattaforma. Copertura Ricontrolla rispetto allo studio primario Peec AI.
• Circa il 14% delle query di shopping mostra ora AI Overviews, rispetto a circa il 2% alla fine del 2024, secondo la stessa analisi di Search Engine Land. Copertura Ricontrolla rispetto ai dati primari.
• Circa 156 recensioni mediane su 1 000 prompt ecommerce, con circa 150+ suggerite come benchmark pratico per la visibilità IA (Jeff Oxford, Visibility Labs, via Search Engine Land). Fonte
• Omogeneità delle scelte: uno studio del 2025 su un simulatore Columbia/Yale ha riportato che gli agenti di shopping IA concentrano la domanda su meno prodotti rispetto alla navigazione umana, avvertendo di dinamiche “AI-SEO” in cui il vincitore prende tutto (via Search Engine Journal). Verifica nome dello studio e istituzioni rispetto alla fonte primaria. Copertura

Cronologia modifiche