
La correzione più rapida in assoluto per le pagine di raccolta nella ricerca AI è definire ciascuna pagina con un page_category (oppure pageCategories) e con un filtro obbligatorio corrispondente, come categories: ANY('Home & Garden'), in modo che la richiesta di navigazione di un agente AI restituisca prodotti pertinenti e circoscritti invece di un insieme ampio e generico. Abbina questo a dati di feed puliti (titoli chiari, GTIN completi, buone immagini) e verifica il tutto rispetto a la documentazione AI Commerce di Google Cloud, alle linee guida di Copilot Shopping di Microsoft e a uno strumento di simulazione prima del rilascio.
In breve:
- Le richieste di navigazione usano una query vuota, quindi pageCategories e il filtro della richiesta devono corrispondere esattamente, incluse le maiuscole e minuscole, altrimenti i risultati possono includere prodotti non pertinenti.
- Usa un unico deployment riutilizzabile con un filtro di categoria e passa in runtime il contesto plp_category corrispondente di ogni pagina; instrada le pagine jolly in modo da aggirare le restrizioni di categoria.
- Copilot Shopping si basa sui feed di Microsoft Merchant Center, quindi migliora l’inclusione con titoli specifici, GTIN completi dove applicabile, immagini di alta qualità e categorie di prodotto mappate.
- Dopo le modifiche, testa richieste di navigazione reali e controlla is_filter_applied, products_list e total_result; simulazioni e confronti per fasi aiutano a evitare di estendere una correzione non verificata.
In che modo le richieste di navigazione AI differiscono dalla ricerca testuale
La ricerca testuale e la navigazione sono due operazioni diverse, e il successo o il fallimento delle pagine categoria dipende da quale delle due un agente AI ritiene di eseguire. Una query testuale invia un campo query non vuoto: il cliente o l’agente ha digitato qualcosa di specifico e il motore ordina i risultati in base alla pertinenza rispetto a quelle parole. La navigazione è diversa. Viene eseguita con una query vuota e dipende interamente da pageCategories e dai filtri per decidere cosa appartiene alla pagina, secondo la documentazione di Google Cloud sulla ricerca AI per il commercio.
Questa distinzione conta perché sempre più spesso i clienti lasciano che siano gli agenti AI a navigare per loro. Quando qualcuno chiede a un assistente di trovare “tappeti per un piccolo soggiorno”, l’agente non sta digitando quella frase nella casella di ricerca del tuo sito: sta inviando una richiesta di tipo navigazione e si aspetta che la tua pagina categoria sappia già cosa deve contenere. La pagina categoria diventa una sorta di seconda impressione, il punto in cui un agente AI valuta una categoria per decidere se il tuo catalogo merita di essere consigliato ulteriormente.
Quando pageCategories o il relativo filtro non sono presenti, la richiesta non ha nulla su cui definire l’ambito. Il risultato predefinito è un inventario ampio e spesso poco pertinente, un errore che non ha nulla a che vedere con i tuoi testi o le tue immagini e dipende interamente dalla configurazione lato server.
- Una query testuale contiene una frase di ricerca specifica e ordina i risultati in base alla pertinenza rispetto a quelle parole.
- Una richiesta di navigazione contiene una query vuota e dipende dai campi di categoria e filtro per definire l’ambito.
- Campi categoria mancanti o non corrispondenti fanno sì che i risultati di navigazione ricadano in modo predefinito su un inventario ampio e poco pertinente.
Per questo l’ottimizzazione delle pagine categoria per gli agenti AI parte come attività tecnica, non di contenuto.
Campi e segnali del feed che fanno funzionare le pagine categoria
Per risolvere il problema basta soprattutto impostare i campi giusti nei punti giusti e mantenerli coerenti. Ecco l’ordine in cui affrontarlo.
- Imposta
page_categoryoppurepageCategoriessulla pagina stessa e nel payload della richiesta. La documentazione di Google Cloud sulla ricerca AI per il commercio è esplicita: i risultati di navigazione restano troppo ampi se l’identificatore di categoria della pagina e un filtro corrispondente non sono presenti insieme, secondo le stesse indicazioni. - Fai in modo che il filtro faccia riferimento allo stesso identico valore, che si tratti di
attributes.pageCategorieso di un campocategoryid. Una pagina etichettata “Outdoor Furniture” con un filtro che punta a una stringa di categoria diversa non riuscirà silenziosamente a definire l’ambito, anche se non viene restituito alcun errore. - Usa una variabile di contesto, qualcosa come
plp_category, all’interno della configurazione del filtro della piattaforma e passa quella stessa variabile nel contesto della richiesta in fase di esecuzione. È questo il meccanismo che permette a un unico deployment di gestire molte pagine categoria senza dover hardcodare un filtro per ciascuna. - Controlla bene la distinzione tra maiuscole e minuscole. I nomi dei campi e le variabili di filtro sono sensibili a maiuscole e minuscole, e una discrepanza tra
PageCategoryepageCategoryin diverse parti del tuo stack è una causa comune e invisibile di risultati eccessivamente ampi. - Mappa formalmente la tua tassonomia. Google
Product.categoryora supporta un oggettoCategoryCodeche associa i tuoi tipi di prodotto interni a la tassonomia ufficiale di Google, offrendo agli agenti AI per gli acquisti un segnale di categoria coerente su cui filtrare e ordinare i risultati, invece di costringerli a dedurre da una stringa di categoria in testo libero. - Aggiungi segnali di paginazione e filtri, come
page,page_size, conteggi dei filtri e registra flag di risposta comeis_filter_appliedcosì potrai confermare a posteriori che la definizione dell’ambito è davvero avvenuta, invece di limitarti a supporlo. - Aggiungi dati strutturati o metadati che colleghino esplicitamente i prodotti alle rispettive pagine categoria, aiutando così i modelli a valle e l’addestramento del catalogo a riconoscere questa relazione invece di dedurla soltanto dal layout della pagina.
Suggerimento pratico: Controlla da cima a fondo una pagina categoria ad alto traffico prima di intervenire sul resto del catalogo: verifica nello stesso momento il valore di categoria della pagina, il valore di categoria del filtro e la variabile di contesto del payload della richiesta, perché una discrepanza di solito si nasconde tra due di questi tre elementi.
Creare un unico deployment che gestisca ogni pagina categoria
Non ti serve una configurazione di ricerca separata per ogni categoria. Il modello pratico, illustrato in linee guida di implementazione per le pagine elenco prodotti, consiste nel creare un unico deployment o una singola esperienza riutilizzabile che colleghi un motore di ricerca e un filtro di categoria, per poi richiamare lo stesso deployment per ogni pagina categoria cambiando il contesto al momento della richiesta.
- Crea un deployment (spesso identificato da un
deployment_id) che abbini il tuo motore di ricerca a una definizione del filtro di categoria. - Per ogni richiesta di navigazione, invia una query vuota, il
deployment_id, il nome della collezione, il numero di pagina e un oggetto context che fornisca il valore diplp_categoryper quella specifica pagina. - Assicurati che il filtro faccia riferimento allo stesso nome di variabile usato nell'oggetto context; il deployment legge la variabile, non una stringa di categoria codificata.
- Sovrapponi un ranking ibrido o semantico al filtro di categoria, così la pertinenza in linguaggio naturale continua a determinare l'ordine dei prodotti all'interno dell'insieme delimitato, invece di affidarti solo al filtro per ottenere una buona pagina.
- Gestisci in modo esplicito le pagine “tutti i prodotti” o con wildcard, adottando una configurazione del filtro che le escluda oppure instradandole chiaramente fuori dallo schema con filtro di categoria, così non ereditano per errore una restrizione di categoria pensata per una pagina più specifica.
- Controlla
products_list,total_result, i conteggi delle faccette eis_filter_appliednei log di risposta dopo ogni modifica al deployment per confermare che il filtro sia scattato nel modo previsto.
Questo approccio può scalare bene: un retailer con molte pagine categoria può usare un solo deployment ben configurato con valori di contesto diversi, invece di mantenere una configurazione di ricerca separata per ogni pagina.
Come simulare e misurare il comportamento degli agenti AI sulle tue pagine
Le modifiche alla configurazione sono utili solo se puoi confermare che abbiano funzionato, e il modo per farlo è testare il percorso di navigazione nello stesso modo in cui lo percorrerebbe un agente AI.
- Esegui direttamente chiamate API in modalità browse, usando i valori di contesto reali che le tue pagine categoria invieranno, e controlla
is_filter_applied,products_list, etotal_resultnella risposta per confermare che la richiesta sia stata davvero limitata alla categoria prevista. - Usa strumenti di simulazione degli agenti o query controllate degli agenti per vedere quali prodotti vengono selezionati per un determinato prompt di categoria e acquisire un'istantanea dei risultati prima e dopo ogni modifica, così da avere un confronto concreto prima/dopo invece di una supposizione.
- Monitora un piccolo set di KPI: il tasso di applicazione del filtro nelle richieste di navigazione, le sessioni attribuite al traffico AI, la quota di citazioni degli agenti che rimandano alle pagine categoria invece che alle singole schede prodotto e l'eventuale aumento della conversione che ne deriva.
- Automatizza nuove scansioni a intervalli regolari, soprattutto dopo aggiornamenti del catalogo o cambi di tassonomia, perché una nuova categoria prodotto o un attributo rinominato possono rompere in silenzio un filtro che la settimana prima funzionava perfettamente.
- Tratta i primi risultati con cautela. Una manciata di query simulate o pochi giorni di traffico degli agenti costituiscono un campione ridotto. Rollout graduali o semplici confronti A/B ti danno una base più solida per decidere se una modifica abbia davvero spostato l'ago della bilancia prima di applicarla a tutto il catalogo.
Variazioni significative nel traffico di acquisto proveniente dall'AI hanno coinciso con cambiamenti più ampi nel modo in cui le persone usano gli strumenti di ricerca AI, come riportato nelle analisi sui cambiamenti nel comportamento di ricerca ha osservato, ricordando che anche il riferimento di base rispetto a cui stai misurando è in continua evoluzione.
Cosa sbagliano i team ecommerce in questo rollout
La maggior parte dei team tratta questo prima di tutto come un problema di contenuti, riscrivendo il testo delle pagine categoria o aggiungendo blocchi FAQ, quando il vero ostacolo è quasi sempre un campo categoria mancante o non allineato nel backend. È un problema meccanico, risolvibile, ma finisce nascosto dal lavoro sui contenuti perché cambiare i testi dà la sensazione di fare progressi, mentre verificare i filtri no.

L'ordine operativo migliore: dai priorità alle categorie con più traffico, verifica prima di tutto la corrispondenza tra page_category e filtro solo su quelle, e solo dopo estenditi al resto del catalogo. Una correzione mirata su poche categorie tende a far emergere lo schema che sta rompendo i tuoi filtri in tutto il sito, evitandoti di ripetere lo stesso debug sul resto delle pagine una per volta.
Abbina quella correzione tecnica a un controllo della qualità del feed, perché una pagina categoria delimitata alla perfezione ma piena di titoli vaghi e GTIN mancanti comunque non darà a un agente AI molto da raccomandare. Dimostra con una simulazione che la correzione ha funzionato prima di pubblicarla su larga scala: è la differenza tra sperare che una modifica sia servita e sapere che lo è stata.
— Xhurian
Come ecentic ti aiuta a correggere e dimostrare il corretto collegamento delle pagine categoria
Abbiamo costruito la nostra piattaforma attorno al problema che la maggior parte dei team incontra dopo aver letto guide come questa: sapere come il page_category e il filtro dovrebbero corrispondere è una cosa, confermare che lo facciano in tutto il catalogo è un’altra. Simuliamo il modo in cui agenti AI per gli acquisti come ChatGPT e Gemini valutano le tue schede prodotto, mostrandoti quali prodotti un agente sceglierebbe e perché, poi ti forniamo diagnosi in linguaggio semplice con correzioni prioritarie.

- Eseguiamo una scansione introduttiva gratuita che fornisce informazioni utili sulle tue schede prodotto.
- Dalle diagnosi passiamo alla pubblicazione in un clic su Shopify e WooCommerce, così che una correzione non resti bloccata nel backlog.
- Monitoriamo nel tempo i tassi di selezione da parte dell’AI con scansioni continue, così puoi tenere sotto controllo i cambiamenti nel tuo catalogo.
Inizia con una scansione gratuita per vedere a che punto sono le tue pagine categoria, oppure confronta i nostri piani Compete, Scale e Dominate se vuoi passare subito a un’ottimizzazione continua. Per i team che convalidano i profili UCP confrontandoli con il comportamento reale degli agenti, il nostro UCP Playground ti permette di testare direttamente la configurazione di qualsiasi negozio.
FAQ
Come raccoglie i tuoi dati l’AI?
Gli agenti AI per gli acquisti raccolgono i dati prodotto dai feed e dai dati strutturati che già pubblichi, come il feed di Microsoft Merchant Center che alimenta i consigli di Copilot Shopping, insieme ai metadati delle categorie e ai segnali a livello di pagina del tuo sito. Non esiste una pipeline dati separata “solo AI”: gli stessi campi di feed e tassonomia che supportano gli annunci shopping tradizionali alimentano anche i sistemi di raccomandazione AI.
Qual è la regola del 30% per l’AI?
Se hai visto usare questo termine, vale la pena verificare direttamente il contesto originale invece di trattarlo come uno standard di riferimento del settore.
Quali sono le principali piattaforme AI per gli acquisti da tenere d’occhio?
Più che un elenco fisso, le piattaforme da monitorare sono i principali agenti AI per gli acquisti che gli utenti usano davvero per navigare e comprare, tra cui ChatGPT, Gemini, Claude e Perplexity, insieme a superfici specifiche per il retail come Copilot Shopping di Microsoft. Ognuna interpreta feed prodotto e segnali di categoria in modo leggermente diverso, ed è per questo che testare le tue schede prodotto rispetto a ciascuna è più utile che affidarsi a una classifica generica.
Quali sono le principali categorie di AI rilevanti per gli acquisti?
Nel contesto ecommerce, i sistemi AI più importanti sono gli agenti conversazionali per gli acquisti (come ChatGPT o Gemini), i motori di ricerca e navigazione basati su AI integrati nelle piattaforme ecommerce e i modelli di raccomandazione o ranking che operano dietro i feed prodotto. Per un merchant conta meno la categoria accademica dell’AI e più il fatto che le tue pagine categoria e il feed soddisfino i requisiti tecnici specifici verificati da ciascuno di questi sistemi, come l’allineamento tra categoria della pagina e filtro da cui dipendono le richieste di navigazione.
Come posso verificare se le mie pagine categoria sono configurate correttamente per gli agenti AI?
Esegui una chiamata API in modalità browse con i tuoi valori di contesto reali e verifica se is_filter_applied e total_result riflettono un ambito corretto, poi confronta il risultato con ciò che una simulazione di agente AI seleziona effettivamente per la stessa categoria. Se i due risultati non coincidono, il problema di solito deriva da un campo categoria o da una variabile di filtro che non corrisponde tra la configurazione della pagina e il payload della richiesta.