Panoramiche sull’IA: Utilizzare FastSearch al Posto dei Link

### L’Importanza di FastSearch nell’AI di Google: Spunti dall’Antitrust

Recentemente, un attento marketer ha messo in luce un aspetto cruciale delle “AI Overviews” di Google: la presenza di pagine web di bassa qualità. Questo problema è stato esaminato in un elemento chiave del Memorandum d’Intento nel caso antitrust di Google, rivelando un cambiamento nell’approccio di Google verso i fattori di ranking, lontano dall’affidamento esclusivo sui link.

#### La Rilevanza della Grounding

Ryan Jones, fondatore di SERPrecon, ha richiamato l’attenzione su come Google utilizzi il modello Gemini per generare risposte concatenate a domande. Normalmente, ci si aspetterebbe che i link influenzassero il ranking delle pagine web selezionate da ai modelli AI. Tuttavia, sembra che Google operi diversamente. Infatti, viene utilizzato un algoritmo diverso, che recupera meno documenti ma in modo più rapido, grazie a una tecnologia chiamata **FastSearch**.

Secondo il Memorandum, FastSearch si basa sui segnali di **RankEmbed** e produce risultati sintetici per prendersi carico di risposte più rapide. Sebbene ciò permetta di ottenere informazioni in tempi brevi, la qualità delle risposte può risultare inferiore rispetto a quelle ottenute con il tradizionale algoritmo di ricerca.

#### Cosa Sono FastSearch e RankEmbed?

**FastSearch** è una tecnologia progettata per generare rapidamente risultati limitati per specifiche esigenze, come nel caso della sintesi di modelli di linguaggio di grandi dimensioni (LLM). La sua efficacia deriva dalla capacità di RankEmbed di identificare e analizzare i modelli in grandi set di dati, ottimizzando la selezione delle informazioni migliori.

Il modello RankEmbed, un sistema di deep learning, utilizza dati relativi all’utente per migliorare le performance del sistema. Questi dati includono log di ricerca e punteggi assegnati da valutatori umani, ribadendo così l’importanza della qualità riguarda le pagine web con cui interagire.

#### I Dati Utilizzati e Implicazioni sul Ranking

L’efficacia di FastSearch e RankEmbed si basa su un mix di dati di clic e query, con l’obiettivo di affinare le risposte ad interrogazioni più specifiche e di lungo termine. Ciò comporta che, nonostante i link tradizionalmente abbiano avuto un ruolo cruciale nel ranking, il nuovo modello potrebbe privilegiare segnali di rilevanza semantica rispetto a quelli di backlink.

Jones avanza l’ipotesi che Google potrebbe utilizzare indici separati per FastSearch, composti principalmente da siti che ricevono frequenti visite. Questo approccio potrebbe contribuire alla presenza, nelle AI Overviews, di contenuti di bassa qualità se tali fonti non vengono filtrate adeguatamente.

#### Conclusioni

La transizione di Google verso una ricerca più rapida con FastSearch mostra come il panorama della ricerca online si stia evolvendo. Se l’affidamento sui links come principale fattore di ranking sta diminuendo, le aziende devono adattarsi a questo nuovo paradigma, investendo in contenuti di qualità e rilevanza semantica, per rimanere competitive e visibili nei risultati di ricerca automatizzati.

Con i continui sviluppi della tecnologia AI, sarà interessante osservare come Google continuerà a modificare i suoi algoritmi e le implicazioni percebibili da parte degli operatori di marketing online.