L’AI SEO diventa molto meno interessante quando parte sempre dallo stesso prompt: “ottimizza questo articolo”. Senza sapere quali query portano impression, quali sezioni sono già forti, quali pagine competono tra loro o quali link interni mancano, il modello deve indovinare gran parte del contesto che il sito possiede già.
La pagina AI & Automazione controllata descrive il principio “data before AI”: prima raccogli stato e segnali pertinenti, poi costruisci la proposta, infine separi review, apply e osservazione.
Quali dati leggere prima di generare
- Contenuto corrente: struttura, heading, entità citate, metadata e porzioni che non vuoi perdere.
- Search Console: query, impression, click, posizione e landing page per capire la domanda reale.
- GA4: comportamento e qualità del traffico quando la domanda richiede segnali onsite.
- Internal linking: pagine correlate e relazioni già presenti nel sito.
- Index state e monitoring: sapere se la URL ha problemi tecnici prima di “risolverli” con copy.
Più dati non significa automaticamente una proposta migliore
La qualità dipende dalla domanda. Se stai riscrivendo un title non ti serve l’intero profilo GA4 del sito; se stai valutando Content Decay, confrontare periodi GSC/GA4 può essere invece centrale. Un buon workflow sceglie soltanto i segnali che cambiano la decisione.
Generazione e applicazione devono restare due eventi distinti
Una proposta AI può essere utile e comunque non essere pronta per il sito. Brand voice, vincoli legali, dati di prodotto e intenzione editoriale possono richiedere una correzione umana. Per questo SuperRankSEO tratta l’AI come una fase che produce un output da valutare, non come un writer autorevole dello stato WordPress.
Human-in-loop non significa cliccare “approva” per abitudine. Significa avere abbastanza contesto per capire cosa cambia e poter rifiutare o modificare la proposta.
Dopo Apply inizia una nuova fase
Quando la modifica va live, il sistema deve sapere che è avvenuta. Change History, Launch Monitor, Sentinel o altri moduli possono usare quell’evento come contesto temporale. Questo non autorizza a dichiarare causalità (“il traffico è salito grazie al nuovo title”), ma rende più facile investigare una variazione sapendo cosa è cambiato e quando.
Tre esempi di workflow diversi
Metadata
Input minimale: contenuto della pagina, query rilevanti, title/description correnti e vincoli di lunghezza/brand. Output: più opzioni, review, apply, history.
Aggiornamento contenuto
Input più ricco: confronto GSC/GA4, contenuto corrente, query perse/emergenti, linking e sezioni già performanti. Output: proposta strutturata, non riscrittura totale automatica.
Piano editoriale
Input ancora diverso: inventory, gap tematici, query, cluster, contenuti esistenti e obiettivi editoriali. L’AI dovrebbe proporre opzioni motivate, non duplicare articoli che il sito possiede già.
Il failure mode più importante: AI corretta su dati sbagliati
Un modello può produrre testo grammaticalmente ottimo partendo da una query irrilevante, da analytics di un periodo anomalo o da una pagina che in realtà è noindex. Per questo provenance e stato tecnico sono parte della governance AI, non un dettaglio da aggiungere dopo.
Per il lato operativo consulta anche la guida KB Action Center: leggere priorità e segnali.