Query di Ricerca IA che il Tuo LLM Spara a Metà Risposta

Il nuovo keyword research vive dentro il modello

Il keyword research tradizionale inizia da quello che gli umani digitano in un box di ricerca. La ricerca IA ha prodotto un nuovo livello sopra: quando un utente chiede in linguaggio naturale a ChatGPT, Claude o Gemini, il modello spesso spara le proprie ricerche web a metà risposta per fondare la sua risposta. Quelle query interne non sono visibili in Google Search Console. Non raggiungono mai il tuo analytics tradizionale. Ma sono il segnale d'intento d'acquisto di qualità più alta oggi disponibile, perché generate da un modello che ha già capito l'intento dell'utente e l'ha tradotto nella query più probabile di restituire una risposta utile.

L'utente ha detto "vale Profound per un SaaS piccolo". ChatGPT l'ha tradotto in "Profound vs Lumos vs Peec AI" e è andato a cercare grounding. La query tradotta è quella dove devi essere trovabile. Ottimizzare per quella dell'utente è ottimizzare la vecchia superficie SEO. Ottimizzare per la tradotta è ottimizzare la nuova.

Cosa vedi dentro Lumos

L'anteprima sopra è uno snapshot delle query sparate a metà risposta da ChatGPT e Claude per i prompt su Lumos e GEO questa settimana. Iscrivendoti, la stessa cattura gira sulla tua libreria di prompt.

• Prompt utente → query tradotta. Ogni riga pareia la domanda naturale originale con la query web sparata dall'IA per groundare. Entrambi i lati contano — devi sapere cosa dicono gli utenti e cosa l'IA traduce.
• Frequenza e score d'intento. Query che si ripetono in più prompt utente hanno più segnale. Una query sparata una volta è rumore; sparata in 14 prompt è asset fisso della categoria.
• Pagine sorgente restituite. Lumos cattura le URL reali restituite da ogni query così vedi su quali pagine l'IA fa grounding.
• Breakdown per motore. ChatGPT e Claude sparano query diverse per lo stesso prompt perché i loro prompt di tool-use e strategie di grounding differiscono.

Come Lumos cattura le query

La query mid-answer è l'artefatto del tool use del modello. Lumos esegue la tua libreria su ogni motore con tool-use abilitato e cattura:

1. Il prompt naturale dell'utente.
2. Le query web mid-answer sparate dal modello (a volte una, spesso 3-5).
3. Le URL restituite per ogni query.
4. Come la risposta finale ha citato o parafrasato quelle URL.
5. Versione modello e motore, per confrontare settimana per settimana.

Il log grezzo è memorizzato accanto ai tuoi dati di scan normali. Puoi filtrare, cercare, esportare. Il livello di aggregazione deduplica e classifica per frequenza × score d'intento.

Come usare le query catturate

Costruisci contenuto che matchi la forma tradotta. L'IA cerca titoli exact-match come "Profound vs Lumos vs Peec AI". Se il tuo contenuto è intitolato "Perché abbiamo costruito Lumos", l'IA non lo surfacerà per quella query, per quanto buono sia. Lumos pareia ogni query catturata con un suggerimento di citabilità — di solito un titolo pagina e set di heading che matcherebbe.

Esegui le query in Google. Google ancora classifica molto le pagine su cui motori IA fanno grounding. Apri le top 5 in una tab incognito e leggi cosa viene restituito. Quelle pagine sono la tua reale concorrenza per visibilità IA — spesso molto diverse dalle pagine che rankano per la versione user-facing.

Usa le query come radar competitor. Quando l'IA spara "X vs Y" e tu non sei nella lista, sei invisibile in quel momento di decisione. La risposta giusta è pubblicare una pagina "X vs Lumos" o "Y vs Lumos" che l'IA prenderà.

Sorveglia nuove query che appaiono. Quando ChatGPT inizia a sparare una query che non sparava il mese scorso, qualcosa nella categoria si è spostato — prodotto lanciato, vendor nuovo, domanda di pricing emergente. Imposta un alert Lumos.

Errori comuni nel leggere query mid-answer

Confonderle con suggerimenti di autocomplete. L'autocomplete Google è cosa gli umani potrebbero digitare. Le query mid-answer sono cosa l'IA spara davvero. Superficialmente simili ma segnali molto diversi — autocomplete è ampio, mid-answer è affilato.

Ottimizzare solo per le query a frequenza più alta. Le top 3 ricevono attenzione. La long tail — query sparate solo poche volte ma sommandosi — spesso rappresenta casi d'uso buyer specifici che meritano contenuto proprio.

Leggere query da un motore in isolamento. ChatGPT, Claude e Gemini sparano query diverse per lo stesso intent utente. Una query forte in ChatGPT e silente in Gemini vale ancora costruire contenuto, ma pesata per il motore che usano i tuoi compratori.

Trattare il log come brief di contenuto senza editing. Le query catturate sono output grezzo. Alcune sono oro, altre rumore. Usa come ispirazione, non brief finito.

Prossimi passi

• Esegui il tracker sul tuo brand: iscriviti, importa la libreria di prompt, cattura query in minuti.
• Pareia con analisi di citazione: AI Citation Source Tracker.
• Leggi la strategia: How to appear in ChatGPT.