Ricerca parole chiave con l'IA: cosa fa e dove sbaglia

L'intelligenza artificiale non sostituisce gli strumenti di keyword research: accelera due fasi molto precise del lavoro, l'espansione dei semi e il raggruppamento per intento, e fallisce in modo sistematico su una terza, quella dei numeri. Un modello linguistico può leggere in pochi secondi centinaia di pagine di un settore e restituire decine di variazioni di una frase; non può misurare quante persone digitano davvero quella frase su Google, perché non ha accesso all'indice di ricerca né ai dati di clic reali.

Questo articolo separa le due cose: dove un assistente IA dentro il flusso di keyword research fa risparmiare ore vere, e dove i suoi numeri vanno trattati come una stima di partenza da verificare, non come un dato.

Espandere i semi di partenza con l'IA

Il punto di forza più immediato è l'espansione laterale. Dai a un modello tre o quattro parole seme del tuo settore e, invece di un elenco di sinonimi come farebbe un thesaurus, ottieni frasi che un utente reale formulerebbe: domande, confronti, casi d'uso specifici, varianti colloquiali che nessun database di keyword avrebbe raggruppato sotto lo stesso seme.

La ragione tecnica è che un modello linguistico non pesca da un dizionario di sinonimi ma da pattern statistici di co-occorrenza appresi su enormi quantità di testo. Se nel suo addestramento ha visto migliaia di forum, recensioni e articoli che parlano di un argomento, sa quali parole tendono a comparire vicino a quel concetto anche quando non condividono nessuna radice lessicale. È lo stesso motivo per cui può suggerire "quanto costa" accanto a un prodotto senza che tu gliel'abbia chiesto esplicitamente: ha visto quella combinazione migliaia di volte.

Questo però ha due limiti concreti che vale la pena conoscere prima di fidarsi ciecamente dell'elenco, e che lo rendono un punto di partenza ampio, non l'universo delle keyword da coprire:

• Il modello non conosce nulla di ciò che è accaduto dopo la data di taglio del suo addestramento: un termine emerso di recente, un nuovo prodotto o un cambio di terminologia del settore semplicemente non compare, anche se oggi è già cercato.
• Il modello privilegia le formulazioni più comuni nel suo corpus, spesso dominato da contenuti in inglese o da fonti generaliste: il gergo davvero locale, di una nicchia verticale o di un mercato regionale, tende a restare fuori se non lo inserisci tu stesso nel prompt come contesto.

Raggruppare le keyword per intento di ricerca

La seconda fase in cui un assistente IA aiuta davvero è la classificazione in massa. Prendi un elenco di centinaia di frasi esportate da un tool e chiedi al modello di etichettarle per intento (informativo, navigazionale, commerciale, transazionale) e di raggrupparle per sotto-argomento: un lavoro che a mano richiederebbe ore diventa una prima passata in pochi minuti.

Qui il modello lavora bene perché il compito è linguistico, non statistico: riconoscere che "come configurare X" è informativo e "prezzo X" è commerciale non richiede dati di ricerca, richiede comprensione del linguaggio, ed è esattamente ciò per cui un LLM è stato addestrato. Lo stesso vale per accorpare varianti morfologiche e sinonimi che un raggruppamento automatico basato su stringhe non riconoscerebbe come collegati, ad esempio forme verbali diverse o l'ordine invertito delle parole.

Il punto dove serve occhio umano è ai margini: frasi ambigue che potrebbero avere un doppio intento, o cluster che il modello ha unito perché lessicalmente simili ma che nella pratica portano a pagine diverse con obiettivi diversi. Un modo pratico per gestirlo è chiedere al modello non solo l'etichetta ma anche una riga di motivazione: quando la motivazione è debole o generica, quel cluster va controllato a mano prima di costruirci sopra una pagina. Alcuni casi meritano sempre una revisione manuale dopo il raggruppamento automatico:

• Frasi che contengono sia un nome di prodotto che una parola di confronto, spesso a metà tra intento commerciale e informativo.
• Termini troppo generici che il modello ha inserito in un cluster specifico solo per somiglianza superficiale delle parole.
• Frasi geografiche o con marchio che richiedono una pagina dedicata anche se l'intento sembra identico a un cluster più ampio già esistente.

Estrarre domande con il question mining

Una terza applicazione utile è la generazione di domande a partire da un argomento, un modo per anticipare cosa un utente si chiederebbe leggendo un articolo prima ancora di verificarlo nella sezione "Le persone hanno chiesto anche" di Google. Chiedi al modello di mettersi nei panni di chi sta imparando l'argomento da zero e di elencare le domande che si porrebbe in ordine, dalla più elementare alla più avanzata.

Questo funziona bene come mappa di partenza, perché costringe a pensare in domande reali invece che in sotto-argomenti astratti. Funziona ancora meglio se lo combini con dati reali: incolla nel prompt le domande estratte dalla pagina dei risultati o dal riquadro delle domande correlate, e chiedi al modello di raggrupparle, individuare quelle mancanti e suggerire l'ordine logico. Così l'IA non inventa l'intento dell'utente, ma organizza dati che vengono davvero dalla SERP.

La differenza tra le due modalità è sostanziale: domande generate a freddo dal modello sono plausibili ma non verificate, mentre domande estratte da una vera pagina di risultati riflettono ciò che Google ha già mostrato essere rilevante per quella query. Usa la prima per non partire da un foglio bianco, la seconda per decidere cosa scrivere davvero.

Perché volume e difficoltà generati dall'IA sono spesso inventati

Qui arriva il punto che separa un uso produttivo dell'IA nella keyword research da un errore costoso. Se chiedi a un modello linguistico generico di stimare il volume di ricerca mensile o il punteggio di difficoltà di una frase, otterrai quasi sempre una risposta: un numero specifico, spesso con due o tre cifre significative, presentato con la stessa sicurezza con cui il modello ti direbbe la capitale di un paese.

Il problema è che quel numero non nasce da una misurazione. Un modello linguistico non ha una connessione all'indice di ricerca di Google, non ha accesso ai log dei motori di ricerca e non interroga alcuna base di dati di traffico in tempo reale mentre genera la risposta. Quello che fa, tecnicamente, è predire il token successivo più plausibile dato il contesto: se ha letto migliaia di articoli SEO che riportano numeri di volume nel formato "1.000 - 10.000 ricerche al mese" o punteggi di difficoltà tra 0 e 100, imparerà a produrre output che assomiglia a quel formato, indipendentemente dalla frase specifica che gli hai dato.

Puoi verificarlo da solo con un test rapido: chiedi a un modello il volume di ricerca di una frase completamente inventata, che sai per certo non essere mai stata digitata da nessuno prima. Nella maggior parte dei casi otterrai comunque un numero plausibile, magari accompagnato da un avvertimento sull'incertezza della stima, ma un numero. Questo da solo dimostra che il modello non sta misurando nulla: sta producendo la forma tipica di una risposta a quel tipo di domanda.

Lo stesso vale, con un meccanismo leggermente diverso, per la difficoltà. Un punteggio di keyword difficulty in un tool tradizionale viene calcolato analizzando i backlink e l'autorità dei domini che occupano oggi la prima pagina per quella query: è un numero derivato da dati reali sulla SERP corrente. Un modello linguistico generico, quando lo chiedi direttamente senza fornirgli quei dati, non ha modo di sapere chi si posiziona oggi per quella frase specifica, e quindi produce una stima basata su quanto "competitiva" sembra la formulazione della frase in astratto, non sulla concorrenza reale in quel momento.

La conseguenza pratica: qualunque numero di volume o difficoltà che arriva da un assistente IA senza dati reali da elaborare va trattato come non verificato, non come un dato su cui basare una priorità editoriale.

Come validare l'output dell'IA con dati reali

La soluzione non è smettere di usare l'IA, ma accoppiarla sempre a una fonte di dati reali prima di decidere cosa scrivere o aggiornare. Un modo pratico è invertire l'ordine più comune: raccogli prima i dati reali disponibili, anche pochi, e solo dopo chiedi al modello di interpretarli o raggrupparli, così lavora su fatti verificati invece di produrne di nuovi. Alcune verifiche pratiche richiedono pochi minuti e riducono il rischio di costruire un piano editoriale su numeri immaginari:

• Il report delle query di Search Console mostra le frasi esatte per cui il tuo sito riceve già impressioni e clic: se una keyword generata dall'IA ricorre già lì con un volume di impressioni misurabile, hai una conferma reale, non una stima.
• Un pianificatore di parole chiave basato sui dati delle aste pubblicitarie restituisce intervalli di volume derivati da un mercato reale di offerte, anche se pensato per le campagne a pagamento: non è perfetto per l'organico ma è un dato osservato, non generato da un modello linguistico.
• Una ricerca manuale della frase mostra chi occupa oggi la prima pagina, se compaiono featured snippet o pacchetti locali, e quanto sono corpose le pagine che si posizionano: informazioni che nessun punteggio numerico riassume del tutto.
• L'andamento relativo nel tempo di uno strumento di tendenze di ricerca non dà un volume assoluto ma conferma se l'interesse per un argomento sta crescendo, calando o è stagionale, un dato che un modello linguistico non può inferire senza quell'accesso.

Un flusso di lavoro pratico in cinque passaggi

Messe insieme, queste fasi compongono un processo ripetibile che sfrutta l'IA dove è forte e la disinnesca dove inventerebbe numeri. L'IA entra due volte, all'inizio per l'ampiezza e alla fine per l'organizzazione, ma non entra mai nel passaggio in cui si decide quanto vale una parola chiave: quella decisione si prende sempre con dati osservati.

• Parti da tre o quattro frasi seme reali del tuo settore e chiedi al modello un'espansione ampia, accettando che una parte dell'elenco non sarà utilizzabile.
• Filtra manualmente l'elenco togliendo ciò che è chiaramente fuori contesto o troppo generico, senza ancora preoccuparti dei numeri.
• Chiedi al modello di raggruppare ciò che resta per intento e sotto-argomento, con una riga di motivazione per ogni cluster.
• Per ogni cluster che intendi davvero coprire, verifica volume e concorrenza con dati reali: query di Search Console se il sito esiste già, pianificatore di parole chiave, ricerca manuale della SERP.
• Solo a questo punto usa di nuovo il modello, ma per organizzare la struttura dell'articolo, mescolando domande estratte da una vera pagina di risultati con quelle generate per completare i vuoti logici.

Errori comuni da evitare

Alcuni errori ricorrono con una regolarità sufficiente da meritare una lista a parte, perché nascono tutti dalla stessa causa: trattare un output linguisticamente convincente come se fosse un dato misurato. Nessuno di questi richiede di rinunciare all'IA nella ricerca di parole chiave: richiede solo di essere precisi su quale fase del lavoro le stai affidando, linguaggio e organizzazione sì, misurazione no.

• Copiare il volume o la difficoltà suggeriti da un modello direttamente in un foglio di priorità, senza mai incrociarli con una fonte reale.
• Chiedere al modello di generare centinaia di keyword e pubblicarle tutte come pagine separate, senza controllare quante finiscono per competere tra loro sulla stessa intenzione di ricerca.
• Fidarsi di un cluster automatico senza leggere le frasi che contiene, quando basterebbero due minuti per notare che due sotto-gruppi in realtà rispondono alla stessa domanda con parole diverse.
• Usare le domande generate a freddo come se fossero garantite reali, senza mai confrontarle con la sezione delle domande correlate della pagina dei risultati.
• Ripetere lo stesso prompt di espansione per ogni nuovo progetto senza aggiornare il contesto, ottenendo elenchi generici che ignorano il gergo specifico di quel settore o mercato.