Un modello operativo per combinare Search Console, Merchant Center, analytics first-party, controlli manuali ed esperimenti sui dati prodotto.
La visibilità in AI Shopping è diventata un lavoro operativo per i team ecommerce. Un prodotto può comparire in Google AI Mode, AI Overviews, Gemini, ChatGPT Search, Copilot, assistenti marketplace o esperienze retail media. Ogni superficie restituisce dati diversi: alcuni report sono ufficiali, altri segnali restano indiretti in referral, ricerche brand, comportamento PDP o survey post-acquisto.
Un buon modello distingue prove solide e segnali direzionali. Search Console, Merchant Center, analytics first-party e controlli manuali rispondono a domande diverse. Diventano utili quando vengono letti insieme e collegati a un esperimento concreto su product data o content.
Il primo livello è l'idoneità tecnica. Le pagine devono essere crawlable, indicizzabili, idonee agli snippet, collegate internamente e sostenute da informazioni prodotto visibili. Google Search Central spiega che i principi SEO di base valgono anche per AI Overviews e AI Mode. Non serve creare un file speciale per l'AI o uno schema dedicato solo a queste superfici.
Il secondo livello è Search Console. A giugno 2026 Google ha introdotto i report Generative AI performance per una parte delle property. Il report Search mostra impressions nelle funzionalità generative di Google Search, incluse AI Overviews e AI Mode, con dimensioni pagina, paese, device e data. È un livello di visibilità, non un sistema completo di attribution ecommerce.
Il terzo livello è Merchant Center. Il 27 maggio 2026 Google ha annunciato AI performance insights per esperienze di shopping alimentate da AI. Il report include share of voice, shopping funnel performance, product term insights e product attribute insights, con rollout iniziale in Stati Uniti, Canada, Australia, India e Nuova Zelanda.
Il quarto livello è l'analytics first-party. Il merchant controlla source, medium, referrer, landing page, PDP, add-to-cart, checkout start, order, currency, market, device, repeat visit e survey post-acquisto. La discovery assistita da AI può comparire come direct, brand search, referral generico o visita successiva. Per questo la lettura più utile è per cohort e pattern di comportamento.
Il quinto livello sono i controlli manuali. Il team deve mantenere un prompt set stabile per prodotti e momenti d'acquisto importanti: categoria, problema, confronto, budget, compatibilità, shipping e returns. Non è rank tracking perfetto, ma aiuta a trovare attributi mancanti, PDP deboli, lacune di policy content e differenze tra ciò che l'AI racconta e ciò che il sito DTC mostra.
Il sesto livello sono i dati prodotto strutturati. Product JSON-LD, attributi Merchant Center, copy visibile nella PDP, immagini, prezzo, disponibilità, shipping e returns devono descrivere la stessa offerta. La documentazione Product structured data di Google spiega come i dati strutturati possano rendere i dettagli prodotto idonei a esperienze Search più ricche. Anche l'annuncio Merchant Center AI insights mette al centro la completezza degli attributi.
Il settimo livello è il registro degli esperimenti. Senza registro, la revisione della visibilità diventa una discussione di opinioni. Bisogna annotare product scope, data, campi modificati, pagine modificate, segnale atteso e finestra di osservazione. Esempio: il 12 giugno vengono aggiunti materiali e compatibilità a venti prodotti; due settimane dopo si confrontano impressions generative, gap Merchant Center, note dei prompt manuali ed engagement PDP.
Il Performance report standard resta la base ampia di Web search. Il report Generative AI, quando disponibile, offre una vista separata sulle impressions delle funzionalità generative supportate. Il primo controllo è verificare l'accesso della property. Se il report manca, il gap va documentato e l'analisi continua con trend Web search, landing page e famiglie di query.
Il limite è chiaro: il report misura soprattutto impressions. Non mostra tutti i prompt, tutte le sessioni, tutti i click o tutto il revenue. Gli esperimenti Search Labs sono esclusi e restano i limiti usuali di Search Console. La domanda settimanale non è se il report spiega ogni ordine, ma se le pagine chiave guadagnano o perdono visibilità nei feature generativi supportati e se quel movimento coincide con modifiche a content o product data.
Merchant Center conta perché la discovery shopping dipende dalla chiarezza dei product facts. Product term insights può mostrare il linguaggio che gli acquirenti usano nelle conversazioni. Product attribute insights può evidenziare specifiche mancanti: colore, materiale, stile, taglia, compatibilità, shipping o returns.
La priorità deve seguire il valore business. Parti da prodotti con revenue alto, categorie ad alto margine, prodotti con domanda già esistente e pagine dove gli attributi aumentano la fiducia. Se AI insights non è ancora disponibile, usa diagnostics, feed status, approval status, copertura attributi, qualità title-description, setup shipping-return e coerenza della landing page come segnali proxy.
I report esterni spiegano raramente cosa succede dopo il click. Gli analytics first-party dovrebbero conservare source, medium, referrer, landing page, PDP, add-to-cart, checkout start, order, currency, market, device, repeat visit e survey post-acquisto. Una discovery influenzata dall'AI può tornare più tardi come direct o brand search.
Foundax riunisce storefront analytics, breakdown per source, analisi di page e funnel, product analytics e sessioni analytics collegate agli order. Il team può confrontare visitatori da referral vicini all'AI, brand search, content page, PDP e direct return. La domanda importante è se chi arriva trova product facts chiari e prosegue verso cart e checkout.
I controlli manuali vanno trattati come ricerca qualitativa. Mantieni stabili prompt set, mercato e lingua quando possibile. Registra se compare il brand, se compare il prodotto, quali attributi sono citati, quali source link sono mostrati e quali facts sono errati o assenti.
Un esperimento solido ha una product family, un buyer problem, un gruppo di field e una review window. Prima del cambiamento cattura Search Console, Merchant Center, engagement PDP e prompt notes. Dopo il cambiamento leggi gli stessi livelli. Più segnali nella stessa direzione pesano più di un singolo grafico.
Foundax è utile perché riunisce input controllabili nello stesso workflow: product records, SEO metadata, Product JSON-LD preview, sitemap, verifica Search Console, sitemap submission, Merchant Center preflight, contenuto multilingue, Content Studio publishing e analytics first-party. La visibilità in AI Shopping raramente dipende da un solo campo. Dipende dalla coerenza tra pagina, structured data, feed-page alignment, policy content e comportamento post-click.
Il flusso pratico è scegliere un product set, pulire i product facts, pubblicare PDP e contenuto di supporto, validare structured data e Google workflows, inviare sitemap quando serve, poi monitorare Search Console, Merchant Center e first-party behavior.
Sì, quando la property ha accesso al report Generative AI performance. Senza accesso, il Performance report standard resta la base Web search.
Google descrive un rollout progressivo in alcuni paesi. Senza accesso, diagnostics, feed health, approval status e attribute completeness restano segnali utili.
Sono più utili per confrontare cohort, landing page, comportamento PDP, movimento nel funnel, repeat visit e survey.
Una revisione settimanale basta per product set attivi. Il controllo quotidiano ha senso durante launch, migration, feed issue o un esperimento grande.
Inizia dagli attributi che aumentano la fiducia: materiale, taglia, compatibilità, prezzo, disponibilità, shipping, returns, care instructions, use cases e FAQ PDP.