Il modulo di Copywriting del Corso di Pubblicità ILAS – Master Executive è affidato a Bruno Ballardini, uno dei più autorevoli copywriter e strateghi della comunicazione italiani.

Per diversi mesi del percorso formativo, gli studenti lavorano direttamente con un professionista che ha collaborato con alcune delle più importanti agenzie pubblicitarie italiane e internazionali, sviluppando una visione della comunicazione che unisce creatività, strategia, linguaggio e cultura.

Il copywriting: il cuore della comunicazione pubblicitaria

Ogni grande campagna pubblicitaria nasce da un’idea. Ma un’idea diventa efficace solo quando trova le parole giuste.

È qui che entra in gioco il copywriter, la figura professionale che trasforma una strategia di comunicazione in messaggi capaci di coinvolgere, convincere e rimanere nella memoria.

Nel modulo di Bruno Ballardini gli studenti imparano a progettare headline, payoff, concept creativi, campagne integrate, testi per stampa, affissione, radio, televisione, web e social media, comprendendo come il linguaggio cambi in funzione del mezzo, del pubblico e degli obiettivi di comunicazione.

Il percorso affronta anche gli aspetti più profondi della persuasione, della costruzione narrativa e della relazione tra parole, immagini e identità di marca.

Chi è Bruno Ballardini

Bruno Ballardini è copywriter, consulente strategico, saggista e docente.

Nel corso della sua carriera ha lavorato nel mondo della comunicazione sviluppando campagne pubblicitarie e strategie per aziende nazionali e internazionali, affermandosi come una delle voci più autorevoli della cultura pubblicitaria italiana.

È autore di numerosi libri dedicati alla comunicazione, alla pubblicità e ai meccanismi della persuasione, tra cui il celebre “Gesù lava più bianco”, pubblicato da Minimum Fax e tradotto anche all’estero, un’opera diventata un punto di riferimento per comprendere il linguaggio della pubblicità contemporanea.

La sua attività editoriale e divulgativa lo ha reso uno dei maggiori studiosi italiani dei processi comunicativi, della costruzione del consenso e dell’evoluzione del linguaggio pubblicitario.

Accanto all’attività professionale svolge da anni un’intensa attività didattica, portando nelle aule un approccio che unisce esperienza pratica, riflessione teorica e analisi critica della comunicazione.

Dalla teoria alla costruzione delle campagne

Durante il modulo gli studenti affrontano esercitazioni progettuali ispirate ai reali processi di lavoro delle agenzie di comunicazione.

Non si limitano a scrivere testi, ma imparano a sviluppare idee, individuare insight, costruire concept creativi e lavorare in sinergia con l’art director, proprio come avviene nelle migliori agenzie pubblicitarie.

Il copywriting viene affrontato come disciplina progettuale, nella quale ogni parola nasce da una strategia e ogni messaggio deve contribuire a costruire il valore della marca.

Perché studiare con un professionista del settore

Uno degli elementi distintivi di ILAS è l’insegnamento affidato esclusivamente a professionisti che hanno maturato una lunga esperienza nel mondo della comunicazione.

La presenza di Bruno Ballardini consente agli studenti di confrontarsi con un autore che ha contribuito in modo significativo alla cultura pubblicitaria italiana, offrendo una prospettiva che va oltre la semplice tecnica di scrittura.

Le lezioni diventano così un’occasione per comprendere come nasce una campagna, come si sviluppa un’idea creativa e come il linguaggio continui a essere uno degli strumenti più potenti della comunicazione, anche nell’epoca dell’intelligenza artificiale.

Il Corso di Pubblicità ILAS

Il Corso di Pubblicità e Marketing – Master Executive di ILAS Academy, a Napoli, forma art director, copywriter, creativi, strategist e professionisti della comunicazione attraverso un percorso che integra progettazione creativa, branding, marketing, direzione artistica, copywriting, intelligenza artificiale e comunicazione digitale.

La presenza di docenti come Bruno Ballardini, Lele Panzeri e Gaetano Grizzanti rappresenta uno dei principali punti di forza del corso, offrendo agli studenti la possibilità di apprendere direttamente da protagonisti che hanno contribuito alla storia della pubblicità e del branding italiano.

Il costo cognitivo del lavoro con gli agenti intelligenti

L’articolo in dieci righe

L’intelligenza artificiale promette di alleggerire il lavoro mentale, ma potrebbe produrre un effetto inatteso: aumentare l’affaticamento cognitivo di chi la utilizza. Più gli agenti intelligenti diventano rapidi nel produrre testi, immagini, analisi e codice, più il professionista è chiamato a leggerli, confrontarli, verificarli e decidere quali risultati siano realmente affidabili. La produzione procede in parallelo; la valutazione umana resta inevitabilmente seriale. Questo squilibrio concentra in pochi minuti un numero crescente di operazioni mentali che, fino a poco tempo fa, erano distribuite lungo l’intero processo di lavoro. L’articolo propone di interpretare questo fenomeno attraverso il concetto di compressione della densità cognitiva, integrando le conoscenze della psicologia cognitiva sulla memoria di lavoro, sul task switching e sul residuo attentivo. L’ipotesi è che il vero limite dell’intelligenza artificiale non sia la velocità delle macchine, ma la capacità del cervello umano di supervisionarne efficacemente il funzionamento. Per questo motivo, accanto alla produttività, diventa necessario introdurre un nuovo criterio di valutazione: la sostenibilità cognitiva del lavoro.
 

1 - Il costo cognitivo del lavoro con gli agenti intelligenti

L’intelligenza artificiale viene generalmente descritta come una tecnologia destinata ad aumentare la produttività del lavoro intellettuale. Le sue applicazioni sono ormai in grado di produrre testi, immagini, codice, analisi e contenuti complessi in tempi drasticamente inferiori rispetto a quelli richiesti dall’esecuzione umana. La narrazione prevalente interpreta questa evoluzione come un processo di progressiva liberazione dal lavoro cognitivo ripetitivo, analogo a quello con cui le macchine industriali hanno progressivamente ridotto il peso della fatica fisica.

Questa interpretazione, pur fondata su evidenti incrementi di efficienza, rischia tuttavia di descrivere soltanto una parte del fenomeno. Ogni innovazione tecnologica modifica infatti non soltanto la quantità di lavoro richiesta, ma anche la sua organizzazione. La meccanizzazione non eliminò il lavoro umano: ne trasformò le modalità, imponendo nuovi ritmi produttivi e nuove forme di coordinamento. Analogamente, gli agenti intelligenti non sembrano limitarsi ad automatizzare singole attività cognitive, ma ridefiniscono il ruolo dell’essere umano all’interno del processo decisionale.

Il cambiamento più significativo riguarda proprio questa trasformazione di ruolo. Se nelle precedenti fasi della digitalizzazione il professionista utilizzava strumenti che amplificavano la sua capacità di elaborare informazioni, oggi si trova sempre più spesso nella condizione di dover supervisionare sistemi che producono autonomamente proposte, ipotesi e soluzioni. L’attività principale tende così a spostarsi dalla produzione diretta alla valutazione critica dell’output generato dagli agenti, dalla costruzione del contenuto alla sua verifica, dalla ricerca delle informazioni alla selezione di quelle ritenute più affidabili. In altre parole, il lavoro non diminuisce semplicemente: cambia natura.

Questa osservazione suggerisce una domanda diversa da quelle che dominano il dibattito pubblico sull’intelligenza artificiale. L’interrogativo non è soltanto se gli agenti intelligenti rendano le persone più produttive o se siano destinati a sostituire alcune professioni. È necessario chiedersi quale forma assuma il lavoro umano quando la produzione di contenuti può procedere simultaneamente attraverso molteplici sistemi artificiali, mentre la responsabilità della valutazione continua a ricadere su un unico decisore. La questione centrale riguarda quindi il rapporto tra la crescente capacità produttiva degli strumenti e i limiti cognitivi dell’individuo chiamato a coordinarli.

Le prime evidenze empiriche sembrano indicare che questo passaggio non sia privo di conseguenze. Un’analisi pubblicata da Harvard Business Review nel marzo 2026 ha descritto con l’espressione AI brain fry una condizione di affaticamento mentale associata alla supervisione prolungata di strumenti basati sull’intelligenza artificiale. I partecipanti riferivano difficoltà di concentrazione, rallentamento dei processi decisionali, sensazione di confusione mentale e aumento della fatica soggettiva dopo periodi di utilizzo intensivo di più sistemi contemporaneamente. Pur trattandosi di risultati ancora preliminari, essi suggeriscono che l’aumento del numero di strumenti gestiti non produca necessariamente benefici proporzionali. Al contrario, oltre una determinata soglia, la complessità del coordinamento potrebbe ridurre almeno in parte i vantaggi derivanti dall’automazione.

È opportuno precisare che tali osservazioni non autorizzano conclusioni definitive. La ricerca sugli effetti cognitivi dell’interazione continuativa con gli agenti intelligenti è ancora in una fase iniziale e mancano studi longitudinali in grado di valutarne le conseguenze nel lungo periodo. Tuttavia, la novità del fenomeno non implica l’assenza di strumenti teorici per interpretarlo. Al contrario, numerosi risultati consolidati della psicologia cognitiva consentono già di formulare un’ipotesi coerente. La memoria di lavoro, il costo del passaggio da un compito all’altro, il residuo attentivo lasciato dalle attività interrotte e i limiti dell’attenzione rappresentano fenomeni studiati da decenni. Sebbene siano stati analizzati in contesti diversi dall’attuale impiego degli agenti intelligenti, essi offrono una base teorica solida per comprendere come il nuovo ambiente di lavoro possa incidere sulle prestazioni cognitive.

L’ipotesi proposta in questo volume prende le mosse proprio da questa convergenza. Gli agenti intelligenti non sembrano aumentare soltanto il volume delle attività che possono essere svolte in un determinato intervallo di tempo; essi modificano soprattutto la distribuzione temporale delle operazioni mentali richieste per governarle. Attività che in passato si succedevano secondo una sequenza relativamente lineare vengono oggi concentrate in cicli rapidi di produzione automatica, verifica, confronto e decisione. La produzione procede in parallelo attraverso più sistemi artificiali; la valutazione, invece, rimane inevitabilmente seriale, perché continua a dipendere dalla capacità di giudizio di una sola persona.

Nel presente lavoro questa trasformazione viene descritta attraverso il concetto di densità cognitiva, definita come il numero di operazioni di supervisione, valutazione, integrazione delle informazioni, ricostruzione del contesto e decisione richieste nell’unità di tempo. La densità cognitiva non coincide con il carico cognitivo tradizionalmente inteso, né con il multitasking o con il technostress. Essa descrive una proprietà dell’organizzazione del lavoro: il modo in cui le richieste cognitive vengono concentrate nel tempo e distribuite tra esseri umani e sistemi artificiali. Se questa interpretazione è corretta, il problema principale posto dagli agenti intelligenti non consiste nell’aumento della quantità di lavoro, ma nell’intensificazione delle richieste cognitive che gravano sul soggetto chiamato a coordinarli.

Questa ipotesi può essere discussa soltanto alla luce delle conoscenze già disponibili sul funzionamento dell’attenzione umana. Per questo motivo è necessario esaminare alcuni risultati consolidati della psicologia cognitiva relativi alla memoria di lavoro, al task switching e ai meccanismi di gestione dell’attenzione, verificando in che misura essi possano contribuire a spiegare le trasformazioni introdotte dall’intelligenza artificiale nel lavoro contemporaneo.

2 - La psicologia cognitiva come fondamento del modello

L’ipotesi della densità cognitiva trova fondamento in risultati consolidati della psicologia cognitiva, pur non coincidendo con nessuno dei costrutti già presenti in letteratura. Essa nasce infatti dall’integrazione di fenomeni studiati separatamente — memoria di lavoro, task switching, residuo attentivo, supervisione dei sistemi automatici — che, nel lavoro assistito dagli agenti intelligenti, tendono a manifestarsi simultaneamente.

La novità non riguarda quindi i limiti cognitivi dell’essere umano, ampiamente documentati dalla ricerca sperimentale, bensì il modo in cui l’organizzazione del lavoro contemporaneo sembra concentrarli nello stesso intervallo temporale. Per comprendere questa dinamica è necessario esaminare i principali meccanismi cognitivi coinvolti.

La memoria di lavoro come primo vincolo

Tra i modelli più influenti della psicologia cognitiva vi è quello della working memory proposto da Baddeley e Hitch nel 1974 e successivamente sviluppato da Baddeley. Secondo questo approccio, la memoria di lavoro non rappresenta un semplice deposito temporaneo di informazioni, ma un sistema attivo che consente di mantenere, aggiornare e manipolare i contenuti necessari allo svolgimento di un compito.

La sua importanza deriva dal fatto che quasi ogni attività cognitiva complessa — ragionare, pianificare, comprendere un testo, prendere decisioni o risolvere problemi — dipende dalla quantità di informazioni che possono essere mantenute contemporaneamente in uno stato di elaborazione.

Negli anni successivi, numerosi studi hanno mostrato che questa capacità è significativamente più limitata di quanto si fosse inizialmente ipotizzato. Le revisioni di Nelson Cowan hanno suggerito che, in condizioni normali, il numero di elementi realmente mantenibili in uno stato di attenzione attiva sia relativamente ridotto. Pur esistendo differenze individuali e strategie compensative, la memoria di lavoro costituisce uno dei principali colli di bottiglia dell’attività cognitiva.

Questo limite assume particolare rilevanza nel lavoro con gli agenti intelligenti. La supervisione simultanea di più sistemi non richiede soltanto di leggere risultati differenti, ma di mantenere costantemente disponibili gli obiettivi iniziali, il contesto operativo, i criteri di valutazione, le eccezioni emerse durante il processo e le decisioni già assunte. Ogni nuovo agente introduce ulteriori informazioni che competono per la medesima capacità cognitiva. Il problema, pertanto, non è semplicemente la quantità di dati prodotti, ma il numero di rappresentazioni mentali che il supervisore deve mantenere attive per attribuire loro significato.

In questa prospettiva, la produttività degli agenti intelligenti può aumentare molto più rapidamente della capacità umana di integrarli. È proprio questa asimmetria a costituire uno dei presupposti teorici della densità cognitiva.

Il costo del passaggio da un compito all’altro

Un secondo elemento fondamentale riguarda il task switching, cioè il passaggio da un’attività a un’altra.

Nella percezione soggettiva queste transizioni appaiono spesso quasi istantanee. L’esperienza quotidiana induce infatti a credere che sia sufficiente spostare l’attenzione da un compito all’altro per riprendere immediatamente il lavoro. La ricerca sperimentale mostra però un quadro differente.

Gli studi classici di Rubinstein, Meyer ed Evans hanno evidenziato che ogni cambiamento di compito richiede un processo di riconfigurazione cognitiva. Il cervello deve interrompere le regole utilizzate fino a quel momento, recuperare quelle pertinenti al nuovo contesto, aggiornare gli obiettivi e ricostruire lo stato dell’attività successiva. Questo processo comporta un costo misurabile sia in termini di tempo sia di accuratezza.

Stephen Monsell ha successivamente mostrato che tale costo non scompare neppure quando il soggetto conosce anticipatamente quale sarà il compito successivo e dispone del tempo necessario per prepararsi. Una parte dello switch cost rimane inevitabile, suggerendo che il passaggio tra differenti insiemi di regole costituisca un limite strutturale del funzionamento cognitivo.

Questo risultato assume un significato nuovo nel lavoro con gli agenti intelligenti. Supervisione, confronto degli output, revisione, verifica delle fonti, modifica dei prompt e controllo della coerenza rappresentano attività che richiedono continui cambi di prospettiva cognitiva. Il professionista non svolge un’unica operazione complessa, ma attraversa rapidamente una successione di micro-compiti differenti, ciascuno dei quali comporta un nuovo costo di riconfigurazione mentale.

In altre parole, la velocità con cui gli agenti producono risultati può ridurre il tempo necessario all’esecuzione materiale delle attività, ma non elimina il costo cognitivo associato al continuo spostamento dell’attenzione. Al contrario, aumentando il numero delle transizioni richieste nell’unità di tempo, essa può amplificare proprio quel fenomeno che la psicologia cognitiva descrive da decenni.

Il residuo attentivo

Un terzo meccanismo contribuisce a completare questo quadro teorico.

Nel 2009 Sophie Leroy ha introdotto il concetto di attention residue, mostrando che l’interruzione di un’attività non determina un’immediata liberazione delle risorse attentive. Quando un compito viene sospeso prima della sua conclusione, una parte dell’attenzione continua infatti a rimanere orientata verso l’attività precedente, riducendo la qualità della prestazione nel compito successivo.

Questo fenomeno modifica profondamente il modo in cui deve essere interpretata la frammentazione del lavoro contemporaneo. Il problema non consiste soltanto nel numero delle interruzioni, ma nell’accumulo progressivo di processi cognitivi incompleti che continuano a competere per le medesime risorse attentive.

Nel lavoro con gli agenti intelligenti questa dinamica assume una forma particolarmente evidente. È frequente che più sistemi operino contemporaneamente su attività differenti, mentre il supervisore passa continuamente dall’uno all’altro per verificare risultati, correggere errori, integrare informazioni o ridefinire obiettivi. Ogni passaggio interrompe temporaneamente un processo senza concluderlo realmente. Ne deriva una situazione nella quale numerosi compiti rimangono cognitivamente aperti anche quando l’attenzione è già stata spostata altrove.

Considerati isolatamente, memoria di lavoro, task switching e residuo attentivo descrivono tre limiti ben noti della cognizione umana. Considerati congiuntamente, essi suggeriscono però un’interpretazione diversa del lavoro assistito dagli agenti intelligenti. L’elemento nuovo non è rappresentato dall’esistenza di questi limiti, bensì dalla loro crescente convergenza all’interno dello stesso processo lavorativo. È questa convergenza, più che ciascun fenomeno preso singolarmente, a fornire il fondamento teorico del concetto di densità cognitiva, che verrà sviluppato nel paragrafo seguente come modello interpretativo delle trasformazioni introdotte dall’intelligenza artificiale nel lavoro della conoscenza.

3 - La densità cognitiva come modello interpretativo

Le evidenze discusse nei paragrafi precedenti suggeriscono che il lavoro assistito dagli agenti intelligenti non possa essere interpretato esclusivamente attraverso i concetti tradizionali di carico cognitivo, multitasking o stress tecnologico. Ciascuno di questi costrutti descrive un aspetto rilevante del fenomeno, ma nessuno sembra cogliere la trasformazione che caratterizza il nuovo ambiente di lavoro.

Il cambiamento introdotto dagli agenti intelligenti riguarda infatti soprattutto la struttura temporale dell’attività cognitiva. L’automazione accelera la produzione di contenuti, ma non automatizza nella stessa misura le operazioni di giudizio. Ogni testo, ogni immagine, ogni analisi o proposta generata dall’intelligenza artificiale richiede ancora di essere interpretata, confrontata con gli obiettivi iniziali, verificata nella sua correttezza e inserita in un contesto decisionale più ampio. Se la produzione procede in parallelo, la valutazione continua invece a dipendere da un processo essenzialmente seriale, affidato alla capacità di giudizio del supervisore umano.

Questa asimmetria produce un effetto che la semplice misura del tempo impiegato non è in grado di descrivere. Ridurre la durata di un’attività non significa necessariamente ridurne la complessità cognitiva. Al contrario, una riduzione del tempo disponibile può comportare una maggiore concentrazione delle operazioni mentali richieste. Decisioni che in passato erano distribuite lungo l’intero sviluppo del lavoro vengono oggi richieste in una successione molto più rapida, all’interno di cicli continui di verifica, confronto, correzione e scelta.

Nel presente lavoro questa trasformazione viene interpretata attraverso il concetto di densità cognitiva, definita come la quantità di operazioni cognitive di supervisione, valutazione, integrazione delle informazioni, ricostruzione del contesto e decisione richieste nell’unità di tempo durante lo svolgimento di un’attività.

Questa definizione merita alcune precisazioni.

La densità cognitiva non coincide con il carico cognitivo. Quest’ultimo descrive l’intensità delle risorse mentali richieste da un singolo compito. La densità cognitiva descrive invece l’organizzazione complessiva del lavoro: il modo in cui differenti richieste cognitive vengono concentrate nello stesso intervallo temporale.

Non coincide neppure con il multitasking. Il multitasking riguarda l’esecuzione o l’alternanza di più attività. La densità cognitiva può aumentare anche quando il professionista svolge formalmente un solo compito, purché tale compito richieda un’elevata frequenza di decisioni, verifiche e cambi di prospettiva cognitiva.

Non coincide infine con il technostress o con la decision fatigue. Questi fenomeni rappresentano possibili conseguenze della densità cognitiva, ma non la definiscono. La densità cognitiva costituisce una caratteristica dell’organizzazione del lavoro; l’affaticamento mentale rappresenta uno dei possibili effetti della sua intensificazione.

Questa distinzione appare teoricamente rilevante perché consente di interpretare in modo unitario risultati che la letteratura tende ancora a considerare separatamente. La limitata capacità della memoria di lavoro, i costi del task switching, il residuo attentivo descritto da Leroy, l’automation bias e le difficoltà di supervisione dei sistemi automatici non costituiscono fenomeni indipendenti. Nel lavoro assistito dagli agenti intelligenti essi tendono a manifestarsi contemporaneamente, rafforzandosi reciprocamente. L’ipotesi avanzata in questo volume è che tale convergenza rappresenti il principale fattore responsabile dell’aumento della densità cognitiva.

Naturalmente questa interpretazione richiede una verifica empirica. Il modello qui proposto non pretende di descrivere una legge generale, ma di offrire una cornice teorica capace di orientare future ricerche sperimentali. Da questa prospettiva derivano almeno tre ipotesi di ricerca.

La prima riguarda il rapporto tra numero di agenti e richieste cognitive. A parità di complessità del compito, l’aumento del numero di sistemi da supervisionare dovrebbe determinare un incremento della densità cognitiva e, oltre una determinata soglia, una riduzione dell’efficienza decisionale.

La seconda riguarda la qualità delle decisioni. Se la densità cognitiva aumenta oltre la capacità di gestione della memoria di lavoro e dell’attenzione, ci si dovrebbe attendere una crescita degli errori di valutazione, un maggiore ricorso a scorciatoie cognitive e una progressiva diminuzione della capacità critica nei confronti degli output prodotti dagli agenti.

La terza riguarda la progettazione dell’interazione uomo-macchina. Se il problema non dipende esclusivamente dagli strumenti ma dalla loro organizzazione, allora differenti modalità di coordinamento, pause adeguate, distribuzione temporale delle attività e interfacce progettate secondo principi ergonomici dovrebbero contribuire a ridurre gli effetti della densità cognitiva senza rinunciare ai benefici dell’automazione.

Queste ipotesi suggeriscono anche una diversa prospettiva sulla produttività. Nella cultura manageriale contemporanea l’efficienza viene spesso misurata come rapporto tra risultati ottenuti e tempo impiegato. L’intelligenza artificiale sembra migliorare entrambe queste variabili, consentendo di produrre di più in meno tempo. Tuttavia, se l’accelerazione del lavoro comporta una concentrazione crescente delle richieste cognitive, il tempo risparmiato potrebbe non rappresentare più un indicatore sufficiente della qualità dell’organizzazione del lavoro.

L’introduzione degli agenti intelligenti rende quindi necessario affiancare agli indicatori tradizionali una nuova dimensione di analisi: la sostenibilità cognitiva. Un sistema di lavoro non può essere considerato efficiente soltanto perché produce più rapidamente risultati. Deve esserlo anche perché mantiene il livello di richieste cognitive entro limiti compatibili con il funzionamento dell’attenzione, della memoria di lavoro e della capacità decisionale dell’essere umano.

In questa prospettiva, il problema non consiste nello stabilire se utilizzare oppure no l’intelligenza artificiale. La questione decisiva riguarda il modo in cui essa viene integrata nei processi di lavoro. Se la tecnologia aumenta la capacità produttiva molto più rapidamente della capacità umana di supervisionarla, il rischio non è soltanto un incremento dell’affaticamento mentale. È la costruzione di ambienti di lavoro nei quali il fattore limitante non è più la potenza delle macchine, ma la capacità del cervello umano di coordinarne il funzionamento.

Questa considerazione conduce a una conclusione più generale. La storia dell’automazione è stata tradizionalmente interpretata come la progressiva riduzione del lavoro umano. L’analisi proposta in questo capitolo suggerisce una lettura differente. Gli agenti intelligenti non eliminano il lavoro cognitivo: ne modificano la distribuzione, concentrando in tempi sempre più brevi un numero crescente di operazioni di supervisione, valutazione e decisione. Se questa interpretazione troverà conferma empirica, la sfida principale dell’intelligenza artificiale non sarà aumentare ulteriormente la velocità delle macchine, ma progettare forme di collaborazione compatibili con i limiti della cognizione umana.

4 - Il modello della compressione della densità cognitiva

Le considerazioni sviluppate nei paragrafi precedenti consentono di proporre un’interpretazione unitaria delle trasformazioni introdotte dagli agenti di intelligenza artificiale nel lavoro della conoscenza. La tesi sostenuta in questo volume è che il principale cambiamento non riguardi la quantità di attività svolte dall’essere umano, bensì la loro distribuzione temporale.

Nel modello tradizionale del lavoro cognitivo, le diverse operazioni mentali seguono generalmente una successione relativamente lineare. La raccolta delle informazioni precede la loro elaborazione; l’elaborazione conduce alla formulazione di una proposta; la proposta viene verificata; infine si assume una decisione. Sebbene questo processo possa essere complesso, le richieste cognitive risultano distribuite lungo l’intero svolgimento dell’attività.

L’introduzione degli agenti di intelligenza artificiale modifica radicalmente questa organizzazione. La produzione di contenuti può procedere simultaneamente attraverso più sistemi autonomi, mentre il professionista continua a essere l’unico responsabile della loro valutazione. Ne deriva una progressiva concentrazione delle operazioni di controllo, confronto, integrazione e decisione entro intervalli temporali sempre più ridotti.

È questo fenomeno che, nel presente lavoro, viene definito compressione della densità cognitiva.

Con questa espressione non si intende semplicemente un aumento del lavoro mentale. Si intende un cambiamento nella sua struttura temporale: operazioni cognitive che in precedenza erano distribuite lungo l’intero processo lavorativo tendono a essere concentrate in una finestra temporale molto più breve. Il lavoro non diventa necessariamente più lungo, né necessariamente più difficile; diventa più denso.

La distinzione è importante perché modifica il modo stesso in cui viene interpretata la produttività. Due attività possono richiedere lo stesso tempo complessivo e produrre lo stesso risultato finale, pur imponendo richieste cognitive profondamente diverse. Nel primo caso il professionista affronta una sequenza relativamente ordinata di operazioni; nel secondo deve gestire contemporaneamente numerosi flussi informativi, verificare più output, ricostruire continuamente il contesto, correggere errori e prendere decisioni ravvicinate. Il tempo rimane invariato, ma cambia radicalmente la concentrazione delle richieste cognitive.

Da questa prospettiva, la produttività non può più essere valutata esclusivamente come rapporto tra output e tempo impiegato. È necessario considerare anche il modo in cui il lavoro distribuisce le richieste cognitive nel tempo. Un’organizzazione capace di ridurre la durata delle attività potrebbe infatti ottenere tale risultato semplicemente comprimendo un numero crescente di decisioni nello stesso intervallo temporale. L’apparente aumento di efficienza rischierebbe così di corrispondere a un aumento della pressione cognitiva esercitata sul decisore umano.

Questa interpretazione consente inoltre di distinguere la compressione della densità cognitiva da altri fenomeni spesso richiamati nel dibattito sull’intelligenza artificiale. Il carico cognitivo descrive l’intensità dello sforzo richiesto da uno specifico compito; il multitasking riguarda l’alternanza o la contemporanea esecuzione di attività differenti; il technostress analizza le conseguenze psicologiche dell’uso delle tecnologie digitali; la decision fatigue studia il progressivo deterioramento della qualità delle decisioni in seguito a un’elevata quantità di scelte. La compressione della densità cognitiva non sostituisce nessuno di questi concetti, ma li ricompone all’interno di una cornice comune. Essa descrive il processo organizzativo attraverso il quale tali fenomeni tendono a manifestarsi simultaneamente quando la produzione automatizzata accelera più rapidamente della capacità umana di supervisionarla.

In questa prospettiva, la compressione della densità cognitiva può essere rappresentata come il risultato dell’interazione di almeno cinque componenti fondamentali:

• incremento delle attività automatizzate che richiedono supervisione;
• aumento delle transizioni tra compiti cognitivamente differenti;
• accumulo di processi lasciati temporaneamente aperti;
• crescita del numero di decisioni richieste nell’unità di tempo;
• riduzione del tempo disponibile per il consolidamento e il recupero attentivo.

Ciascuno di questi fattori è già documentato, almeno in parte, dalla letteratura scientifica. L’ipotesi proposta è che la loro combinazione produca un effetto qualitativamente diverso da quello osservabile considerando ogni singolo fenomeno in modo isolato.

Ne deriva un cambiamento anche nel ruolo attribuito all’essere umano. Nella precedente fase della digitalizzazione, il professionista rappresentava principalmente il produttore diretto dell’informazione. Nel lavoro assistito dagli agenti di intelligenza artificiale, egli tende invece a diventare il coordinatore di una produzione distribuita tra più sistemi artificiali. La sua attività si sposta progressivamente dalla generazione dei contenuti alla loro selezione, validazione e integrazione. In altre parole, diminuisce il lavoro di esecuzione e aumenta il lavoro di governo.

Questa trasformazione suggerisce una conseguenza di carattere più generale. Per oltre due secoli il progresso tecnologico è stato valutato soprattutto in funzione della capacità di ridurre il lavoro richiesto all’essere umano. L’automazione intelligente invita invece a considerare una prospettiva differente. Una tecnologia può ridurre il tempo necessario per svolgere un’attività e, nello stesso tempo, aumentare la quantità di operazioni cognitive che devono essere concentrate per controllarne i risultati. Se questa ipotesi troverà conferma empirica, il limite fondamentale della produttività non coinciderà più con la velocità delle macchine, ma con la capacità della mente umana di coordinarne efficacemente il funzionamento.

Da questa prospettiva emerge anche una diversa concezione dell’innovazione. La sfida non consiste semplicemente nello sviluppare agenti sempre più potenti, ma nel progettare sistemi di collaborazione compatibili con i limiti della cognizione umana. L’obiettivo dell’automazione non dovrebbe essere soltanto massimizzare la velocità di produzione, ma distribuire il lavoro cognitivo secondo modalità che ne preservino la sostenibilità nel tempo.

5 - Verso una misura della compressione della densità cognitiva

Ogni costrutto teorico, per acquisire piena rilevanza scientifica, deve poter essere tradotto in un insieme di osservazioni empiriche. Un concetto che non può essere almeno in parte misurato rischia infatti di rimanere una metafora interpretativa. Al contrario, la possibilità di definirne gli indicatori, formularne ipotesi verificabili e progettare strumenti di rilevazione consente di trasformarlo in un oggetto di ricerca.

La compressione della densità cognitiva rappresenta, in questa prospettiva, un’ipotesi teorica suscettibile di verifica empirica. Il presente lavoro non propone una misura definitiva del fenomeno, ma individua una possibile direzione metodologica.

La difficoltà principale consiste nel fatto che la compressione della densità cognitiva non coincide con una singola variabile osservabile. Essa emerge dall’interazione di più processi cognitivi che, considerati isolatamente, sono già ampiamente documentati dalla letteratura. L’obiettivo non è quindi misurare direttamente la “densità”, ma costruire un insieme di indicatori che ne rappresentino le principali componenti.

Una possibile formalizzazione preliminare può essere espressa come segue:

dove:

• S rappresenta il numero delle operazioni di supervisione;
• V il numero delle verifiche richieste;
• I le operazioni di integrazione e ricostruzione del contesto;
• C i cambi di compito (task switching);
• D le decisioni assunte;
• T il tempo complessivo necessario allo svolgimento dell’attività.
  
  Questa espressione non deve essere interpretata come una formula matematica definitiva, ma come una rappresentazione concettuale del fenomeno. Il suo scopo è evidenziare che la densità cognitiva non dipende esclusivamente dal numero delle attività svolte, bensì dalla concentrazione temporale delle operazioni mentali richieste.

Ne consegue che due professionisti potrebbero impiegare lo stesso tempo per completare un’attività e ottenere risultati apparentemente equivalenti, pur sperimentando livelli molto diversi di compressione della densità cognitiva. Il fattore discriminante non sarebbe la durata del lavoro, ma il numero di transizioni, verifiche, decisioni e ricostruzioni del contesto richieste nello stesso intervallo temporale.

Questa impostazione suggerisce anche una possibile distinzione tra produttività operativa e sostenibilità cognitiva. La prima descrive la quantità di output prodotti in relazione al tempo impiegato; la seconda valuta se tale risultato sia stato ottenuto mantenendo le richieste cognitive entro limiti compatibili con il funzionamento della memoria di lavoro, dell’attenzione e della capacità decisionale. In altre parole, un sistema può risultare altamente produttivo nel breve periodo e, al tempo stesso, generare una pressione cognitiva tale da compromettere la qualità delle decisioni o il benessere del lavoratore nel medio e lungo periodo.

Da questa prospettiva, la compressione della densità cognitiva può essere studiata attraverso differenti livelli di osservazione.

Un primo livello riguarda il comportamento osservabile. È possibile registrare il numero di cambi di contesto, la frequenza con cui un professionista passa da un agente all’altro, il tempo medio dedicato alla verifica degli output e il numero di decisioni assunte in una determinata sessione di lavoro.

Un secondo livello riguarda la prestazione cognitiva. Attraverso protocolli sperimentali è possibile valutare l’accuratezza delle decisioni, il tempo di risposta, la qualità del richiamo delle informazioni e la frequenza degli errori al variare del numero di agenti supervisionati.

Un terzo livello riguarda infine l’esperienza soggettiva, rilevabile mediante questionari validati relativi al carico cognitivo, all’affaticamento mentale, alla percezione dello sforzo e alla capacità di mantenere l’attenzione.

L’interesse di questa prospettiva risiede proprio nella possibilità di integrare dati comportamentali, prestazionali e soggettivi in un unico modello interpretativo. La compressione della densità cognitiva non viene così dedotta da una singola misura, ma dalla convergenza di indicatori differenti che descrivono uno stesso processo organizzativo.

Da questa impostazione derivano alcune ipotesi suscettibili di verifica sperimentale.

H1. A parità di complessità del compito, l’aumento del numero di agenti di intelligenza artificiale supervisionati determina un incremento della compressione della densità cognitiva.

H2. Oltre una determinata soglia di compressione della densità cognitiva si osserva una riduzione dell’accuratezza decisionale e un aumento degli errori di supervisione.

H3. Strategie di progettazione dell’interazione — quali la distribuzione temporale delle verifiche, la riduzione dei cambi di contesto e l’organizzazione gerarchica degli output — attenuano gli effetti della compressione della densità cognitiva.

H4. L’esperienza e l’addestramento migliorano la capacità di gestire livelli moderati di compressione della densità cognitiva, ma non eliminano i limiti imposti dalla memoria di lavoro e dai processi attentivi.

Queste ipotesi non rappresentano conclusioni, ma programmi di ricerca. Il loro valore non dipende dalla conferma, bensì dalla possibilità di essere sottoposte a verifica empirica. In questo senso, la compressione della densità cognitiva viene proposta non come una spiegazione definitiva delle trasformazioni introdotte dagli agenti di intelligenza artificiale, ma come una cornice teorica che intende stimolare nuove ricerche sul rapporto tra automazione, organizzazione del lavoro e funzionamento della mente umana.

Se tale prospettiva troverà riscontro nelle future evidenze sperimentali, la valutazione delle tecnologie intelligenti dovrà necessariamente ampliare i propri criteri. Accanto agli indicatori tradizionali di velocità, accuratezza e produttività, sarà necessario considerare anche la sostenibilità cognitiva dei processi di lavoro. La domanda fondamentale non sarà più soltanto quanto lavoro è stato automatizzato, ma quale costo cognitivo continua a essere richiesto all’essere umano affinché quell’automazione produca risultati affidabili.

6 - Oltre la produttività: una diversa lettura del lavoro cognitivo

Le considerazioni sviluppate in questo capitolo non conducono a una conclusione pessimistica sull’intelligenza artificiale, né mettono in discussione il contributo che gli agenti possono offrire alla produttività del lavoro intellettuale. Sarebbe difficile negare che questi strumenti consentano di svolgere attività che, fino a pochi anni fa, avrebbero richiesto tempi significativamente più lunghi. La questione affrontata in queste pagine è diversa e riguarda il modo in cui tale incremento di efficienza viene interpretato.

Per oltre due secoli il progresso tecnologico è stato valutato principalmente attraverso una logica relativamente semplice: una tecnologia è tanto più efficace quanto maggiore è la quantità di lavoro che riesce a sottrarre all’essere umano. Questo criterio ha accompagnato l’intera storia dell’automazione, dalla meccanizzazione industriale alla digitalizzazione dei processi produttivi, e continua a orientare gran parte del dibattito contemporaneo sull’intelligenza artificiale.

L’ipotesi proposta in questo volume suggerisce che questa prospettiva rischi oggi di diventare insufficiente. Gli agenti di intelligenza artificiale non si limitano infatti a sostituire alcune operazioni cognitive, ma modificano la distribuzione delle attività che rimangono affidate alla persona. Mentre la produzione di contenuti viene progressivamente automatizzata e parallelizzata, il lavoro umano tende a concentrarsi in funzioni di supervisione, verifica, integrazione e decisione. Il risultato non è necessariamente una diminuzione del lavoro cognitivo, bensì una sua diversa organizzazione.

È proprio questo cambiamento organizzativo che il concetto di compressione della densità cognitiva intende descrivere. L’elemento decisivo non è il numero assoluto delle operazioni mentali richieste, ma la loro concentrazione nello stesso intervallo temporale. Quando la velocità degli agenti aumenta più rapidamente della capacità umana di supervisionarne i risultati, il fattore limitante non è più rappresentato dalla produzione delle informazioni, ma dalla capacità del decisore di conservarne il controllo.

Questa interpretazione non pretende di sostituire i modelli esistenti sul carico cognitivo, sul multitasking o sul technostress. Al contrario, intende integrarli all’interno di una prospettiva più ampia, nella quale il problema centrale non è rappresentato da un singolo processo cognitivo, ma dalla convergenza di più richieste mentali nello stesso spazio temporale. In questa prospettiva, la compressione della densità cognitiva costituisce un’ipotesi teorica che dovrà essere sottoposta a verifica empirica e discussa criticamente dalla comunità scientifica. Il suo valore non dipende dall’essere definitiva, ma dalla capacità di offrire una chiave interpretativa coerente per fenomeni che, fino a oggi, sono stati studiati prevalentemente in modo separato.

Se questa ipotesi troverà conferma, le implicazioni saranno rilevanti sia sul piano teorico sia su quello applicativo. Sul piano teorico, sarà necessario ampliare il concetto stesso di produttività, includendo tra le variabili di analisi non soltanto il tempo risparmiato o il volume di output generato, ma anche la sostenibilità cognitiva dei processi di lavoro. Sul piano organizzativo, diventerà essenziale progettare interazioni uomo–IA che distribuiscano le richieste cognitive in modo compatibile con i limiti della memoria di lavoro, dell’attenzione e della capacità decisionale.

In questo senso, la questione non riguarda soltanto l’intelligenza artificiale. Riguarda il futuro del lavoro della conoscenza. Se la rivoluzione industriale ha imposto di ripensare il rapporto tra macchina e forza fisica, la rivoluzione dell’intelligenza artificiale impone oggi di ripensare il rapporto tra automazione e mente. Il problema non è stabilire se gli agenti diventeranno più intelligenti dell’uomo, ma comprendere come evitare che la loro crescente capacità produttiva trasformi il cervello umano nel nuovo collo di bottiglia dell’intero sistema.

È qui che emerge, probabilmente, il cambiamento culturale più profondo. Per lungo tempo abbiamo considerato la mente come una risorsa sostanzialmente inesauribile, capace di adattarsi a ogni innovazione tecnologica. Le neuroscienze cognitive mostrano invece che essa opera entro limiti ben definiti: la memoria di lavoro è limitata, l’attenzione è selettiva, il passaggio tra compiti comporta costi inevitabili e il recupero rappresenta una condizione necessaria per mantenere prestazioni elevate. L’intelligenza artificiale non modifica questi vincoli biologici; modifica piuttosto il modo in cui essi vengono continuamente sollecitati.

Da questa prospettiva, il problema fondamentale dell’automazione intelligente non consiste nel costruire sistemi sempre più veloci, ma nel progettare ambienti di lavoro capaci di rispettare l’architettura cognitiva dell’essere umano. L’innovazione tecnologica e la sostenibilità cognitiva non rappresentano obiettivi alternativi. Diventano, al contrario, le due condizioni complementari di una stessa trasformazione.

Il capitolo successivo svilupperà questa prospettiva analizzando le implicazioni organizzative della compressione della densità cognitiva e discutendo come la progettazione dei processi di lavoro possa contribuire a distribuire in modo più sostenibile il rapporto tra esseri umani e agenti di intelligenza artificiale.


Bibliografia

Baddeley, A. D., & Hitch, G. J. (1974). Working memory. In G. A. Bower (Ed.), Psychology of Learning and Motivation(Vol. 8, pp. 47–90). Academic Press.

Bedard, J., Kropp, M., Hsu, M., Karaman, O. T., Hawes, J., & Rosen Kellerman, G. (2026, March 5). When using AI leads to “brain fry”. Harvard Business Review.

Cowan, N. (2001). The magical number 4 in short-term memory: A reconsideration of mental storage capacity. Behavioral and Brain Sciences, 24(1), 87–114. https://doi.org/10.1017/S0140525X01003922

Leroy, S. (2009). Why is it so hard to do my work? The challenge of attention residue when switching between work tasks. Organizational Behavior and Human Decision Processes, 109(2), 168–181. https://doi.org/10.1016/j.obhdp.2009.04.002

Monsell, S. (2003). Task switching. Trends in Cognitive Sciences, 7(3), 134–140. https://doi.org/10.1016/S1364-6613(03)00028-7

Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886

Rubinstein, J. S., Meyer, D. E., & Evans, J. E. (2001). Executive control of cognitive processes in task switching. Journal of Experimental Psychology: Human Perception and Performance, 27(4), 763–797. https://doi.org/10.1037/0096-1523.27.4.763

Tarafdar, M., Cooper, C. L., & Stich, J.-F. (2019). The technostress trifecta: Techno eustress, techno distress and design—Theoretical directions and an agenda for research. Information Systems Journal, 29(1), 6–42. https://doi.org/10.1111/isj.12169

Il 7 luglio 2026 Meta ha rilasciato Muse Image, il primo modello di generazione visiva sviluppato internamente da Meta Superintelligence Labs (MSL), la divisione guidata da Alexandr Wang. Il lancio arriva circa tre mesi dopo il debutto di Muse Spark, il modello linguistico che in aprile ha sostituito la famiglia Llama nei prodotti consumer di Meta, e segna un passaggio strategico preciso: l'azienda smette di appoggiarsi a modelli terzi — finora aveva integrato tecnologie di Midjourney e Black Forest Labs — per portare la generazione di immagini interamente sotto il proprio controllo tecnologico e di prodotto.

Per chi lavora nella comunicazione visiva, la notizia non è tanto l'ennesimo modello generativo, quanto il luogo in cui questo modello vive: non un tool separato da aprire, esportare e poi ricaricare altrove, ma una funzione nativa di Meta AI, Instagram Stories, WhatsApp — con Facebook e Messenger in arrivo — e, a breve, della suite pubblicitaria Advantage+. Generazione, editing, pubblicazione e advertising condividono per la prima volta la stessa infrastruttura.

Come funziona: un modello che ragiona prima di disegnare

Muse Image non si limita a tradurre un prompt testuale in un'immagine. Il modello opera come agente: prima di generare, pianifica il layout, combina più fotografie di riferimento e — quando serve — interroga il web per ancorare il risultato a informazioni reali e aggiornate. Durante l'addestramento con reinforcement learning, il sistema ha anche imparato a scrivere ed eseguire codice per compiti come la creazione di codici QR funzionanti o grafici di dati, condizionando poi la generazione visiva sull'output di quel codice per aumentarne l'accuratezza. Il modello include inoltre un meccanismo di autoraffinamento: rivede e corregge il proprio lavoro all'interno del proprio processo di ragionamento prima di restituire il risultato finale, e migliora le proprie prestazioni quanto più tempo di calcolo gli viene concesso in fase di inferenza.

Sul piano operativo, gli utenti possono partire da zero, modificare foto esistenti, rimuovere elementi, generare infografiche con testo leggibile integrato, oppure intervenire con schizzi direttamente sull'immagine per indicare una correzione. È prevista anche una funzione di menzione (@) per richiamare account Instagram pubblici e utilizzarne i contenuti come riferimento visivo nelle nuove creazioni — una funzione che, come vedremo, si è rivelata il punto più controverso del lancio.

Le prestazioni: seconda posizione, non prima

Meta stessa ha reso pubblici i benchmark interni, un dato raro e significativo per un'azienda che punta a competere sulla qualità visiva: Muse Image si posiziona al secondo posto nella classifica Arena per la generazione testo-immagine, con un punteggio Elo di 1.280, alle spalle del modello GPT Image 2 di OpenAI (1.385) — un divario che corrisponde a un tasso di vittoria stimato del 64% a favore del modello concorrente nei confronti diretti. Sui compiti di editing, sia su singola immagine sia su immagini multiple, Muse Image supera invece Nano Banana 2 di Google. È un posizionamento onesto più che trionfalistico: Meta non rivendica la leadership tecnica, ma investe sulla distribuzione capillare all'interno del proprio ecosistema come vantaggio competitivo alternativo alla superiorità del modello.

L'ingresso nella produzione pubblicitaria

Il punto più rilevante per chi lavora lato brand e comunicazione è l'integrazione annunciata con Advantage+ Creative, il sistema Meta di generazione automatizzata di varianti pubblicitarie. Nelle prossime settimane inserzionisti e agenzie potranno usare Muse Image per adattare elementi visivi, cambiare stile e produrre varianti coerenti con l'identità di marca a partire da asset creativi già esistenti, riducendo il numero di iterazioni manuali necessarie per ogni campagna. Si tratta di un salto qualitativo rispetto ai precedenti strumenti di generazione automatica delle ads: non più varianti generiche, ma variazioni che il modello stesso descrive come "on-brand", generate a partire dal materiale reale del cliente.

Cosa cambia per grafici e social media manager

La convergenza di generazione, editing, distribuzione e advertising nella stessa piattaforma ridisegna concretamente alcuni passaggi del flusso di lavoro creativo. Il primo effetto è la compressione della filiera: un'immagine può nascere, essere corretta con uno schizzo, pubblicata su Stories e — a breve — trasformata in variante pubblicitaria senza mai uscire dall'ecosistema Meta. Per il social media manager questo significa meno tempo speso su passaggi tecnici di esportazione e formattazione, ma anche minore controllo sul processo intermedio: le scelte di stile, palette e composizione vengono in parte delegate al ragionamento interno del modello.

Il secondo effetto riguarda la governance dei materiali di marca. Quando lo stesso motore genera contenuto organico e contenuto pubblicitario, la coerenza visiva diventa più facile da ottenere tecnicamente, ma più difficile da presidiare editorialmente: chi definisce i limiti di cosa il modello può alterare di un'identità visiva consolidata? La responsabilità della supervisione creativa si sposta dal singolo asset alle regole e ai prompt che governano il sistema.

Il nodo del consenso: la funzione ritirata da Instagram

Un aggiornamento è indispensabile per completare il quadro con onestà, ed è arrivato a distanza di pochi giorni dal lancio. La funzione che permetteva di menzionare account Instagram pubblici per riutilizzarne le foto nelle generazioni AI è stata attivata di default, con l'opt-out relegato in un'impostazione poco visibile. La reazione è stata rapida: critiche diffuse sulla mancanza di consenso esplicito e una presa di posizione del sindacato SAG-AFTRA hanno spinto Meta a ritirare la funzione da Instagram a distanza di pochi giorni, pur mantenendo Muse Image attivo su Meta AI e WhatsApp. In parallelo, Meta ha anticipato lo sviluppo di un sistema di watermarking invisibile, denominato Content Seal, pensato per identificare le immagini generate o modificate dal modello.

Per chi lavora professionalmente con immagini di terzi — clienti, influencer, contenuti editoriali — l'episodio è un promemoria operativo più che un fatto di cronaca: l'integrazione tecnica tra generazione e distribuzione social accelera anche la velocità con cui un problema di consenso sui dati personali si trasforma in crisi reputazionale pubblica. La prossima fase della generazione visiva nei social non si giocherà solo sulla qualità del modello, ma sulla capacità delle piattaforme — e di chi le usa per lavoro — di rendere tracciabile e verificabile la provenienza di ogni immagine pubblicata.

ILAS Connect: dove il talento incontra il lavoro

La nuova piattaforma di ILAS che mette in contatto studenti, diplomati e aziende del mondo creativo. Gratuita, veloce e pensata per chi il talento lo sa riconoscere.

C’è un momento, alla fine di un percorso di formazione, in cui il talento ha bisogno di una cosa sola: essere visto.
E c’è un momento, per ogni azienda creativa, in cui serve la persona giusta — non un curriculum qualsiasi, ma qualcuno che sappia davvero fare.

ILAS Connect nasce esattamente in mezzo a questi due momenti, per farli incontrare nel modo più semplice possibile.

Da oltre trent’anni ILAS forma grafici, art director, fotografi, filmmaker, web e social media manager, designer della moda e del prodotto. In tutti questi anni una cosa non è mai cambiata: il valore di un percorso creativo si misura sul campo, nel momento in cui incontra un committente, un’agenzia, uno studio.

ILAS Connect è il passo naturale successivo alla formazione: un ponte diretto tra chi esce dalle nostre aule e il mondo del lavoro che cerca proprio quelle competenze. Non un semplice sito di annunci, ma una comunità professionale costruita attorno al talento che qui prende forma ogni giorno.

Perché nasce ILAS Connect

Il portfolio di un creativo racconta più di mille parole, ma spesso resta chiuso in una cartella o disperso tra i social. Le aziende, dal canto loro, non hanno tempo da perdere: quando cercano un profilo lo vogliono trovare subito, coerente e affidabile.

ILAS Connect risolve entrambi i problemi in un unico luogo.
Da una parte offre ai talenti ILAS una vetrina professionale dove mostrare i propri lavori; dall’altra dà alle aziende uno strumento rapido per pubblicare offerte e ricevere automaticamente i candidati più adatti, grazie all’intelligenza artificiale.

Per gli studenti e i diplomati: il tuo talento, finalmente visibile

Ogni studente e diplomato ILAS può creare gratuitamente il proprio profilo e costruire una vetrina che parla per lui. In pochi passaggi il talento diventa una pagina professionale, ordinata e pronta a farsi trovare:

Portfolio in evidenza
Un portfolio ordinato per progetti, con le immagini dei tuoi lavori messe in risalto.

Competenze mirate
Scegli le tue competenze reali — grafica, fotografia, web, social, video, 3D, moda e molto altro — con il livello di padronanza.

Riservatezza totale
Finché non decidi di pubblicare, il profilo resta privato. Nulla diventa visibile senza il tuo consenso.

Opportunità su misura
Quando esce un’offerta compatibile con il tuo profilo, ti avvisiamo. È il lavoro che trova te, non il contrario.

Il bello è che non serve “vendersi”: basta mostrare ciò che sai fare. I lavori vengono presentati con la giusta importanza e possono essere apprezzati da chi visita la vetrina pubblica dei talenti, mentre i tuoi dati personali restano al sicuro.

È una presenza professionale che valorizza il percorso fatto in ILAS e ti mette nelle condizioni migliori per farti notare dalle aziende del settore, anche quando non sei tu a cercarle attivamente.

Per le aziende: pubblica un annuncio in pochi minuti

ILAS Connect è pensato per chi non ha tempo da perdere.
Un’azienda può pubblicare un annuncio in pochi minuti, senza registrazione obbligatoria: descrive la figura che cerca e viene guidata fino alla pubblicazione. La registrazione è facoltativa e si completa dopo, con un clic.

Assistenza AI in tempo reale
L’intelligenza artificiale trasforma il testo grezzo in un annuncio chiaro e professionale, e segnala ciò che va corretto — richieste non consentite, retribuzioni troppo vaghe, competenze incoerenti con il ruolo.

Annunci sempre a norma
Un annuncio ben scritto, conforme alle regole sulle pari opportunità e senza ambiguità, fa una differenza enorme nella qualità delle candidature.

Dati protetti
I contatti dell’azienda restano riservati e visibili solo a ILAS e ai candidati, mai esposti pubblicamente.

Controllo di qualità
Ogni annuncio viene rivisto rapidamente dalla segreteria ILAS prima di andare online, a garanzia di serietà per tutti.

Una volta pubblicato, l’annuncio inizia a lavorare da solo: il sistema individua i profili più coerenti e li segnala all’azienda, che può anche esplorare l’intera area dei talenti ILAS.

Nessun costo di pubblicazione, nessun passaggio inutile: dall’idea di assumere alla prima rosa di candidati possono passare pochi minuti.

Non solo annunci: un ecosistema per crescere

ILAS Connect non si ferma all’incontro tra domanda e offerta. Attorno alla piattaforma vive un ecosistema di strumenti pensati per accompagnare i talenti nel tempo, ben oltre il diploma:

Bandi e concorsi
Una raccolta di opportunità del mondo creativo, sintetizzate in modo chiaro, per non perdere mai un’occasione utile.

Storie di successo
I percorsi di chi, partito da ILAS, ha costruito la propria strada. Storie vere che ispirano e mostrano dove può portare il talento coltivato con metodo.

Career coach AI
Un assistente intelligente che aiuta lo studente a raccontarsi meglio, a mettere a fuoco i propri punti di forza e a presentarsi alle aziende con più consapevolezza.

È il modo in cui ILAS continua a stare accanto ai suoi studenti anche dopo le aule: non un arrivederci, ma l’inizio di un rapporto professionale che dura.

Il cuore intelligente: il matching AI

Ciò che rende ILAS Connect diverso da una semplice bacheca è il suo motore di matching basato sull’intelligenza artificiale.

Quando un’azienda pubblica un’offerta, il sistema la confronta con i profili disponibili e calcola quanto ciascuno è in linea con la richiesta, per competenze, area e caratteristiche.

Studente e azienda ricevono una notifica quando nasce un abbinamento promettente: l’incontro giusto avviene prima, e senza fatica.

L’intelligenza artificiale, però, non sostituisce le persone: le aiuta. Suggerisce, ordina, mette in evidenza — ma la scelta finale resta sempre umana, sia da parte dell’azienda che valuta i candidati, sia da parte del talento che decide a quali opportunità dare seguito.

La tecnologia lavora dietro le quinte perché il tempo delle persone sia speso solo dove conta davvero.

Privacy e sicurezza al primo posto

Lavorare con i dati delle persone è una responsabilità che prendiamo sul serio.

Le informazioni personali — nome, contatti, numero di telefono — sono conservate in forma cifrata e non vengono mai trasmesse via email. I contenuti pubblicati passano da un controllo prima di diventare pubblici, e ogni profilo resta privato finché non è il diretto interessato a decidere di mostrarlo.

La piattaforma è conforme alla normativa sulla privacy, con informativa e gestione dei consensi trasparenti.

Come iniziare

Iniziare è immediato, e non costa nulla.

Sei uno studente o un diplomato ILAS?
Crea il tuo profilo, costruisci il portfolio e pubblicalo quando ti senti pronto.

Sei un’azienda?
Pubblica il tuo primo annuncio in pochi minuti e lascia che l’AI ti porti i candidati giusti.

ILAS Connect è online su ilasconnect.it.
È il posto in cui il talento formato in ILAS incontra chi quel talento lo sta cercando.

Perché il valore, quando trova la strada giusta, non resta mai nascosto a lungo.

Scopri ILAS Connect → ilasconnect.it

Dal motore di ricerca al motore di risposta: la transizione verso la GEO, la Generative UI e la nuova economia della citabilità che sta trasformando il digital marketing

Per oltre un quarto di secolo, l‘architettura invisibile del web si è fondata su un modello apparentemente immutabile: l‘utente digita una manciata di parole chiave, un algoritmo scansiona la rete e restituisce una pagina ordinata di risultati. I celebri “10 link blu” non sono stati soltanto un formato grafico. Sono stati il modo in cui abbiamo imparato a cercare, scegliere, confrontare, acquistare, informarci.

Quel modello ha definito il successo planetario di Google e, allo stesso tempo, ha dato vita a un‘intera industria: la SEO, il digital advertising, il content marketing, la scrittura per il web, la progettazione delle landing page, la misurazione del traffico organico.

Oggi quel paradigma non è scomparso, ma ha perso la sua centralità esclusiva.

Con l‘introduzione e la progressiva estensione degli AI Overviews, le sintesi generate dai modelli Gemini direttamente nella pagina dei risultati, e con l‘evoluzione delle interfacce conversazionali come AI Mode, Google sta cambiando natura. Non è più soltanto un motore di ricerca, cioè un sistema che indica dove trovare le risposte. Sta diventando sempre di più un motore di risposta, cioè un ambiente capace di formulare direttamente una sintesi, organizzarla, contestualizzarla e proporre ulteriori percorsi di approfondimento.

I link tradizionali non spariranno. Continueranno a essere parte dell‘infrastruttura del web. Ma la loro funzione cambia. Non saranno più sempre il punto di partenza dell‘esperienza di ricerca. In molti casi diventeranno elementi di supporto, fonti citate, tracce documentali, conferme autorevoli all‘interno di una risposta generata.

Per i brand, i designer, i copywriter, le scuole, le aziende e i comunicatori, questo passaggio segna un cambio di prospettiva radicale. La domanda non è più soltanto: “Come faccio ad arrivare primo su Google?”. La nuova domanda è più profonda: “Perché un sistema generativo dovrebbe fidarsi proprio di me?”.

1. La SERP diventa fluida: l‘avvento della Generative UI

Il cambiamento più evidente non riguarda solo i testi, ma l‘interfaccia.

Per anni la pagina dei risultati di Google è stata un ambiente relativamente stabile: una sequenza di link, titoli, descrizioni, annunci, immagini, mappe, box informativi. L‘utente confrontava le opzioni, sceglieva un risultato e usciva da Google per entrare in un sito esterno.

Con la Generative AI, questa esperienza diventa più fluida. La SERP non è più soltanto una lista ordinata di pagine. Diventa uno spazio dinamico, capace di adattarsi all‘intenzione dell‘utente.

Se una persona cerca una definizione, Google può fornire una sintesi immediata. Se cerca un itinerario di viaggio, può proporre una struttura organizzata per tappe. Se chiede come impostare un piano editoriale, può generare una traccia operativa. Se confronta prodotti, corsi, servizi o soluzioni, può restituire tabelle, criteri di scelta, domande successive, percorsi di approfondimento.

La pagina dei risultati tende così a comportarsi come una vera interfaccia generativa: non mostra soltanto documenti, ma costruisce un ambiente di consultazione.

Questo non significa che ogni ricerca diventerà una mini-applicazione prodotta in tempo reale. Sarebbe una semplificazione. Ma la direzione è chiara: il risultato non è più necessariamente un elenco di destinazioni esterne. Sempre più spesso è una risposta articolata, generata dentro Google, che integra fonti, formati e livelli di approfondimento.

2. Il fenomeno delle ricerche zero-click

Questa trasformazione si inserisce in un fenomeno già noto: le ricerche zero-click.

Con questa espressione si indicano le sessioni di ricerca che si concludono direttamente nella pagina di Google, senza che l‘utente clicchi su un risultato esterno. Il motivo è semplice: spesso la risposta è già lì. Una data, una definizione, una formula, un orario, una sintesi, una recensione, una mappa, un confronto.

Gli studi più citati sul tema stimano che una quota molto rilevante delle ricerche Google termini senza clic verso il web aperto. Le percentuali variano a seconda dei mercati, dei dispositivi e delle metodologie di rilevazione, ma il dato strategico è ormai evidente: una parte crescente del bisogno informativo viene soddisfatta direttamente dentro l‘ecosistema Google.

Gli AI Overviews accentuano questa tendenza. Se prima Google mostrava frammenti, box e risposte brevi, oggi può generare sintesi più articolate. L‘utente riceve non solo un indizio, ma una risposta già organizzata. In molti casi non ha più bisogno di aprire tre o quattro pagine diverse per ricostruire un quadro generale.

Per gli editori e per i brand questo scenario è ambivalente. Da un lato, una parte del traffico informativo rischia di ridursi. Dall‘altro, chi viene citato come fonte dentro una risposta AI può ottenere una forma diversa e più qualificata di visibilità: meno basata sul semplice posizionamento e più legata alla percezione di autorevolezza.

È qui che nasce il vero tema strategico.

3. Dalla SEO alla GEO: non basta più essere trovati

Per anni la SEO ha avuto un obiettivo dominante: migliorare il posizionamento organico di una pagina nei risultati di ricerca.

La logica era lineare: intercettare una keyword, produrre un contenuto pertinente, ottimizzare titolo, struttura, link interni, autorevolezza del dominio, velocità, esperienza utente e segnali tecnici. Più una pagina saliva nella SERP, maggiori erano le probabilità di ottenere traffico.

Questo modello non scompare. La SEO resta fondamentale. Ma non basta più.

Nel nuovo ecosistema, l‘obiettivo non è soltanto essere trovati dall‘utente. È essere compresi, selezionati e citati dai sistemi generativi. È qui che entra in gioco la GEO, Generative Engine Optimization.

La GEO non sostituisce la SEO. La amplia. Mentre la SEO lavora sul posizionamento nei motori di ricerca, la GEO lavora sulla possibilità che un contenuto venga riconosciuto come fonte attendibile da un motore generativo.

In altri termini, non si tratta più solo di ottimizzare una pagina per una parola chiave. Si tratta di costruire contenuti che possano essere utilizzati come materiale affidabile per generare una risposta.

La differenza è decisiva.

Un contenuto può essere ben posizionato ma poco citabile. Può avere molte keyword, ma pochi elementi distintivi. Può essere leggibile, ma non offrire dati originali. Può essere corretto, ma non firmato da una persona riconoscibile. Può ripetere ciò che dicono tutti, senza aggiungere nulla che un sistema generativo possa considerare davvero rilevante.

Nel web generativo, la domanda non è più soltanto: “Questo contenuto è ottimizzato?”. Diventa: “Questo contenuto merita di essere usato come fonte?”.

4. Dalla visibilità alla citabilità: nasce l‘economia della fonte

La vera rivoluzione non è che Google risponda al posto dei siti. Questa è solo la superficie del cambiamento. La trasformazione più profonda è un‘altra: nel web generativo, il valore di un contenuto non si misura più soltanto in base alla sua capacità di attirare traffico, ma in base alla sua capacità di essere riconosciuto, selezionato e citato da un sistema intelligente.

Per vent‘anni il marketing digitale ha inseguito la visibilità. Essere primi voleva dire essere visti. Essere visti voleva dire ricevere clic. Ricevere clic voleva dire esistere.

Nell‘ecosistema generativo, questa catena si spezza. Un contenuto può essere fondamentale anche se l‘utente non lo visita direttamente. Può diventare parte della risposta, alimentare una sintesi, orientare una decisione, conferire credibilità a un‘affermazione prodotta dall‘intelligenza artificiale.

Il nuovo obiettivo non è soltanto comparire. È diventare citabili.

Questa è l‘economia della fonte.

In questo scenario, i brand non competono più soltanto per una posizione nella pagina dei risultati, ma per una posizione nella memoria operativa dei motori generativi. Non basta scrivere contenuti corretti: bisogna produrre contenuti verificabili, attribuibili, strutturati, aggiornati, firmati e riconoscibili come fonti primarie.

La pagina web non è più solo una destinazione per l‘utente. Diventa una prova documentale per l‘algoritmo.

È qui che molte strategie SEO tradizionali mostrano il proprio limite. Un testo costruito solo per intercettare keyword può posizionarsi, ma non necessariamente essere scelto come fonte. Al contrario, un contenuto meno “furbo” ma più documentato — con dati proprietari, casi studio, autori riconoscibili, riferimenti esterni, metodologia dichiarata e aggiornamenti tracciabili — ha maggiori possibilità di entrare nel perimetro fiduciario della risposta generativa.

La domanda strategica cambia radicalmente: non più soltanto “come posso piacere all‘algoritmo?”, ma “sono abbastanza solido da poter essere usato dall‘algoritmo come fonte?”.

Questa domanda segna il passaggio dalla SEO come tecnica di posizionamento alla GEO come disciplina dell‘autorevolezza computabile.

5. L‘autorevolezza computabile: quando la fiducia deve lasciare tracce

L‘autorevolezza è sempre stata un concetto centrale nella comunicazione. Ma nel web generativo assume una forma nuova.

Non basta essere autorevoli in senso generico. Bisogna che questa autorevolezza sia leggibile, verificabile e riconoscibile dai sistemi digitali. In altre parole, deve diventare computabile.

Un Large Language Model non “si fida” come si fida una persona. Non percepisce il prestigio in modo intuitivo. Riconosce pattern, relazioni, citazioni, coerenze, ricorrenze, fonti, firme, dati strutturati, menzioni esterne, segnali di affidabilità distribuiti nel tempo.

Per questo la reputazione digitale non può più essere costruita soltanto dentro il proprio sito. Deve lasciare tracce coerenti in tutto l‘ecosistema.

Un brand formativo, per esempio, non sarà considerato autorevole solo perché dichiara di esserlo nella propria pagina “chi siamo”. La sua autorevolezza dovrà emergere da una rete di segnali: docenti riconoscibili, programmi chiari, qualifiche verificabili, articoli esterni, interviste, partecipazioni pubbliche, premi, casi studio, lavori degli studenti, citazioni su media indipendenti, profili professionali aggiornati, contenuti tecnici realmente utili.

L‘autorevolezza computabile nasce da questa coerenza distribuita.

Non è un trucco. Non è una scorciatoia. Non è una nuova formula magica per “ingannare” l‘intelligenza artificiale.

È, al contrario, il ritorno a una comunicazione più seria: dimostrare ciò che si afferma.

6. E-E-A-T: non una formula SEO, ma una grammatica della fiducia

In questo scenario, i fattori E-E-A-T assumono un ruolo sempre più importante.

E-E-A-T significa Experience, Expertise, Authoritativeness, Trustworthiness: esperienza, competenza, autorevolezza e affidabilità. Sono concetti utilizzati da Google nelle sue linee guida per valutare la qualità dei contenuti e la credibilità delle fonti.

Spesso, però, l‘E-E-A-T viene trattato come una checklist SEO. Aggiungere una bio autore. Inserire qualche link. Scrivere una pagina “about”. Pubblicare contenuti più lunghi. Ma questo approccio è riduttivo.

Nell‘era generativa, l‘E-E-A-T diventa una grammatica della fiducia.

L‘esperienza significa mostrare un contatto reale con ciò di cui si parla. Non un testo astratto, ma una conoscenza maturata sul campo.

La competenza significa produrre contenuti accurati, aggiornati, tecnicamente fondati, capaci di distinguere tra opinioni, dati e interpretazioni.

L‘autorevolezza significa essere riconosciuti anche fuori dal proprio sito: da altri professionisti, da istituzioni, da media, da comunità, da fonti indipendenti.

L‘affidabilità significa rendere verificabile ciò che si afferma: indicare fonti, date, responsabilità, aggiornamenti, limiti, eventuali margini di incertezza.

In un web pieno di testi generici prodotti artificialmente, questi elementi diventano decisivi. L‘AI può generare contenuti. Ma non può inventare una storia professionale autentica, una reputazione consolidata, una rete di citazioni reali, un caso studio documentato, un dato proprietario raccolto sul campo.

Per questo il futuro della comunicazione non sarà dominato dai contenuti più numerosi, ma dai contenuti più fondati.

7. Ciò che l‘AI non può copiare: dati proprietari, metodo e punto di vista

Il web generativo rende più facile produrre testi mediamente corretti. Ma proprio per questo rende più prezioso tutto ciò che non è medio, replicabile o prevedibile.

Se tutti possono generare una guida su “come fare un piano editoriale”, quella guida perde valore. Se tutti possono produrre un articolo su “cos‘è la brand identity”, quel contenuto diventa rumore. Se tutti possono pubblicare una lista di consigli SEO, la differenza non sarà più nella semplice presenza del testo, ma nella qualità della fonte.

Ciò che conta davvero sono gli elementi che l‘AI non può copiare senza averli ricevuti da qualcuno:

i dati proprietari;

le esperienze dirette;

i casi studio;

gli esempi locali;

gli errori realmente osservati;

le metodologie di lavoro;

le interviste;

i risultati misurati;

i confronti tra prima e dopo;

le opinioni firmate;

le interpretazioni culturali;

le letture critiche;

le connessioni tra ambiti diversi.

Un articolo generico può essere generato in pochi secondi. Un punto di vista no.

La nuova qualità editoriale nasce proprio qui: non nella capacità di dire bene ciò che è già stato detto, ma nella capacità di aggiungere al web qualcosa che prima non c‘era.

Per un brand, questo significa cambiare domanda. Non più: “Quanti contenuti dobbiamo pubblicare?”. Ma: “Quali contenuti solo noi possiamo pubblicare?”.

8. La sfida per designer e copywriter: progettare esperienze, non solo pagine

Il tramonto della centralità dei 10 link blu non rappresenta la morte del web. Piuttosto, ne segna una maturazione.

Se l‘AI centralizza le risposte informative semplici — definizioni, tutorial di base, confronti elementari, spiegazioni introduttive — gli utenti visiteranno i siti soprattutto quando avranno bisogno di qualcosa che la sintesi automatica non può esaurire: esperienza, profondità, identità, relazione, immaginario, complessità.

Qui si apre una sfida decisiva per il digital design e il copywriting.

Il sito non potrà più limitarsi a essere un contenitore di informazioni. Dovrà diventare un ambiente narrativo e percettivo capace di far sentire la differenza tra una fonte viva e un testo generato.

L‘identità visiva, la gerarchia del layout, la qualità delle immagini, il ritmo della scrittura, il tono di voce, la chiarezza delle micro-interazioni, la cura delle pagine autore, la coerenza tra contenuto e brand diventeranno elementi ancora più importanti.

Paradossalmente, più l‘AI renderà accessibili le informazioni di base, più crescerà il valore del progetto editoriale, visivo e culturale.

Il copywriter non dovrà più limitarsi a scrivere per intercettare keyword. Dovrà costruire fiducia.

Il designer non dovrà più limitarsi a rendere una pagina piacevole. Dovrà rendere percepibile l‘autorevolezza.

Il brand non dovrà più limitarsi a essere riconoscibile. Dovrà essere credibile, citabile, verificabile.

9. Dalla keyword al contesto: il marketing entra nella conversazione

Il vecchio marketing della ricerca era dominato dalla keyword.

Capire cosa digitavano gli utenti significava intercettare una domanda. Intercettare una domanda significava costruire una pagina. Costruire una pagina significava competere per una posizione.

Nel nuovo scenario, la keyword non scompare, ma diventa solo un frammento di qualcosa di più ampio: il contesto conversazionale.

Gli utenti non cercano più soltanto “corso grafica Napoli” o “miglior software per web design”. Formulano domande più complesse, spesso in linguaggio naturale: “Quale percorso dovrei scegliere se voglio diventare graphic designer partendo da zero?”, “Meglio imparare Figma o Photoshop?”, “Quanto conta la certificazione in un corso di comunicazione visiva?”, “Come posso capire se una scuola è davvero autorevole?”.

Queste domande non chiedono soltanto una lista di risultati. Chiedono orientamento.

E l‘AI, per rispondere, tenderà a selezionare fonti capaci di presidiare non solo una parola chiave, ma un intero campo semantico: temi, relazioni, competenze, prove, esempi, reputazione.

La sfida del marketing moderno non è più intercettare una parola. È presidiare una conversazione.

Chi saprà costruire contenuti coerenti, profondi e interconnessi non perderà necessariamente visibilità. Potrà guadagnare qualcosa di più prezioso: fiducia.

10. Il nuovo capitale dei brand: diventare infrastruttura culturale

Nel web dei link, essere visibili significava occupare spazio.

Nel web generativo, essere autorevoli significa diventare materiale di costruzione della conoscenza.

È una differenza enorme.

Un brand che produce contenuti generici partecipa al rumore. Un brand che produce contenuti solidi, documentati, originali e riconoscibili può diventare infrastruttura: una fonte a cui altri sistemi, altre persone e altre piattaforme possono fare riferimento.

Questa sarà la nuova posta in gioco.

Non basterà pubblicare tanto. Bisognerà pubblicare meglio.

Non basterà avere un blog. Bisognerà avere un punto di vista.

Non basterà dichiararsi esperti. Bisognerà dimostrarlo.

Non basterà essere presenti online. Bisognerà essere degni di citazione.

La nuova domanda del marketing non sarà più soltanto “quante persone ci trovano?”, ma “quali sistemi si fidano abbastanza di noi da usarci come fonte?”.

È un cambio di paradigma profondo. Nel web dei link, l‘autorevolezza era spesso una conseguenza della visibilità. Nel web generativo accade il contrario: sarà la visibilità a diventare una conseguenza dell‘autorevolezza.

Per questo la GEO non va interpretata come l‘ennesima tecnica per ingannare l‘algoritmo, ma come una disciplina più matura: progettare contenuti talmente chiari, fondati, riconoscibili e verificabili da poter essere citati senza ambiguità.

Chi continuerà a produrre testi generici per presidiare keyword diventerà rumore statistico.

Chi saprà costruire fonti diventerà infrastruttura culturale.

E nel prossimo web, essere infrastruttura conterà molto più che essere semplicemente visibili.

Spiegato semplicemente

Per vent‘anni abbiamo cercato su Google cliccando su una lista di siti web. Oggi Google sta cambiando pelle: in cima alla pagina può comparire una risposta generata dall‘intelligenza artificiale, capace di sintetizzare informazioni, proporre schemi, suggerire approfondimenti e accompagnare l‘utente dentro una ricerca più conversazionale.

Questo significa che molte persone troveranno ciò che cercano senza cliccare subito su un sito esterno. È il fenomeno delle ricerche zero-click.

Per aziende, scuole, professionisti e creativi cambia tutto. Non basta più ottimizzare una pagina per arrivare primi su Google. Bisogna fare in modo che i sistemi generativi riconoscano quei contenuti come fonti affidabili.

È l‘inizio della GEO, Generative Engine Optimization.

La nuova sfida non sarà soltanto essere visibili, ma essere citabili. Un brand dovrà produrre contenuti originali, firmati, documentati, verificabili e riconosciuti anche fuori dal proprio sito.

In altre parole: nel web generativo non vincerà chi pubblica più testi, ma chi diventa una fonte di cui ci si può fidare.

Fonti e riferimenti essenziali

Google Search Central, “AI features and your website”, documentazione ufficiale sulle funzionalità AI nella Ricerca Google.

Google Search Central, “Creating helpful, reliable, people-first content”, linee guida sui contenuti utili, affidabili e pensati per le persone.

Google Search Quality Rater Guidelines, documento ufficiale di Google sui criteri di valutazione della qualità, incluso il modello E-E-A-T.

SparkToro e Datos, “2024 Zero-Click Search Study”, studio sulle ricerche Google concluse senza clic verso il web aperto.

Aggarwal, Pranjal et al., “GEO: Generative Engine Optimization”, paper accademico pubblicato su arXiv nel 2023, dedicato alla visibilità dei contenuti nei motori generativi.

Liu, Nelson F. et al., “Evaluating Verifiability in Generative Search Engines”, paper accademico dedicato al tema della verificabilità e delle citazioni nei motori di ricerca generativi.