Un "secondo cervello" per la SEO è un sistema che conserva non solo informazioni, ma anche il modo in cui si affrontano i compiti ricorrenti: istruzioni operative, decisioni prese in passato, correzioni fatte e lo stato di avanzamento di ogni attività. A differenza di un semplice archivio, è pensato per far agire un agente AI, non solo per fargli ricordare qualcosa.
In breve
- Un secondo cervello per la SEO conserva metodi, decisioni passate e correzioni, non solo note sparse.
- Le "skill" sono pacchetti di istruzioni specifiche per ogni tipo di compito (ottimizzare una pagina, generare dati strutturati, pianificare contenuti).
- Un indice di ricerca permette all'agente di trovare il metodo giusto senza caricare tutto il materiale disponibile ogni volta.
- Le correzioni umane vengono integrate periodicamente nelle istruzioni, invece di restare annotazioni isolate che nessuno rilegge.
- L'approvazione umana resta un passaggio obbligato: un'etichetta segnala i contenuti ancora da rivedere rispetto a quelli già validati.
Che cos'è un secondo cervello applicato alla SEO?
Un secondo cervello, nell'accezione resa popolare da Tiago Forte con il libro "Building a Second Brain", è un sistema per conservare note, ricerche e decisioni in modo da ritrovarle facilmente quando servono. Applicato alla SEO, però, lo scopo cambia: non basta salvare informazioni, bisogna renderle pronte per l'azione.
Il problema che questo approccio prova a risolvere è concreto. Un compito apparentemente semplice — ottimizzare una pagina — può complicarsi quando esistono più versioni di uno stesso documento, commenti che spiegano perché una sezione va lasciata invariata, o un link di prodotto cambiato rispetto al brief originale. Prima ancora di chiedere a un modello linguistico di produrre una raccomandazione, qualcuno deve stabilire quale pagina, quale brief e quali decisioni usare come riferimento. Un secondo cervello orientato all'azione serve proprio a risolvere questo passaggio preliminare, così il lavoro non riparte sempre da zero.
Quali elementi compongono il sistema?
Il sistema descritto si basa su cinque componenti distinte, organizzate perché ciascuna risponda a una domanda precisa: cosa fare, come farlo, cosa è già stato deciso, cosa manca ancora e dove trovare tutto rapidamente.
- Istruzioni operative: un insieme di regole su come scegliere i compiti, verificare le prove e gestire il passaggio di consegne verso una persona.
- Skill e riferimenti: istruzioni specifiche per ogni tipo di attività SEO, dalla revisione di una pagina alla generazione di dati strutturati.
- Registri di conoscenza: decisioni passate, informazioni su entità stabili e indicazioni su come verificare dati che cambiano nel tempo.
- Indice di ricerca: un sistema per trovare rapidamente il metodo o il materiale pertinente senza dover scorrere tutto l'archivio.
- Stato dei compiti: cosa è stato tentato, cosa resta incompleto e cosa aspetta una revisione.
Tecnicamente, l'infrastruttura descritta non richiede strumenti complessi: file in formato Markdown e JSON organizzati in un repository, più alcuni script di supporto, senza bisogno di un database vettoriale dedicato o di servizi a pagamento specifici. Questo la rende trasferibile anche a chi non dispone di risorse tecniche avanzate, un aspetto che rende il modello interessante per realtà di dimensioni contenute.
Perché la sola memoria non basta?
Conservare informazioni non è sufficiente se poi tocca sempre a una persona ricordarsi quali note sono rilevanti per il compito del momento. Molti sistemi di questo tipo si fermano all'archiviazione: si salvano decisioni e appunti, ma resta all'utente il compito più difficile, cioè trovare i collegamenti giusti e trasformarli in un risultato concreto.
Un sistema orientato all'azione cerca di spostare parte di questo lavoro sull'agente stesso. L'idea è che l'assistente non debba aspettare che qualcuno gli ricordi una regola o una correzione passata: deve trovarla da solo, nel momento in cui il compito la richiede. Questo significa anche scrivere le istruzioni pensando a chi (o cosa) le dovrà leggere in autonomia, non solo a un collega umano.
Come funziona in pratica una "skill" per la SEO?
Una skill è un pacchetto di istruzioni e materiale di supporto costruito per un compito ricorrente specifico, come la generazione di dati strutturati (schema markup) per una pagina. Un esempio concreto riguarda proprio questo tipo di attività, articolata in alcuni passaggi logici:
- Verifica degli input: se manca la pagina o un elemento necessario, il sistema si ferma e chiede chiarimenti invece di procedere per ipotesi.
- Trattamento del tipo di pagina come ipotesi da verificare: una pagina inizialmente classificata come evento futuro, ma che ora ospita una registrazione già avvenuta, va controllata contro ciò che la pagina effettivamente mostra, prima di essere marcata in un modo o nell'altro.
- Verifica rispetto a fonti autorevoli: tipi e proprietà vengono controllati rispetto alle definizioni ufficiali di Schema.org, e le entità rispetto a Wikidata.
- Autocontrollo prima dell'assemblaggio finale: ciò che non può essere verificato viene segnalato esplicitamente nella consegna, non incluso silenziosamente.
Ogni tipo di pagina (un evento, un profilo, un video, una scheda prodotto) ha un file di riferimento con un esempio completo già lavorato. Questi esempi mostrano la forma dell'output, non i fatti: l'agente deve comunque rileggere la pagina reale e verificare ogni proprietà, usando l'esempio solo come modello strutturale.
Come si evita che l'agente ripeta gli stessi errori?
Le correzioni fatte da una persona vengono raccolte in una sorta di "casella di feedback", insieme alla fonte e al contesto a cui si applicano, per poi essere integrate periodicamente nelle istruzioni operative. Un correttivo isolato, annotato una volta sola, difficilmente cambia il comportamento futuro di un sistema automatico: deve diventare parte delle regole che l'agente consulta ogni volta.
Un esempio citato riguarda la generazione di markup: a volte restano campi facoltativi vuoti, e rimuoverli può lasciare una virgola isolata che rende il codice non valido. Annotare semplicemente "la correzione non è piaciuta" non aiuterebbe il run successivo; la lezione utile riguarda invece l'istruzione su come produrre il markup, insieme a un controllo che verifichi che anche il caso con campo vuoto produca un codice valido. È un principio applicabile a molti contesti automatizzati: la correzione diventa utile solo se si traduce in una regola verificabile, non in un giudizio generico.
Altrettanto importante è la portata della correzione: un'indicazione come "mantieni questa sezione perché approvata da un reparto legale" non deve trasformarsi in una regola generale che vieta di toccare sezioni simili altrove. Le correzioni vanno quindi circoscritte al caso specifico, altrimenti il sistema rischia di generalizzare in modo scorretto.
Come trova l'agente il metodo giusto senza sovraccaricarsi?
Attraverso un indice di ricerca che restituisce i candidati più pertinenti tra skill, riferimenti e registri strutturati, senza dover caricare tutto il materiale disponibile ogni volta. Questo passaggio è cruciale perché lo spazio di lavoro a disposizione di un modello linguistico durante un'elaborazione è limitato: più materiale non pertinente viene caricato, meno spazio resta per la pagina o la ricerca effettivamente necessaria al compito. Un secondo cervello più ampio non deve quindi tradursi in un contesto di partenza più pesante, ma in una ricerca più mirata.
Un test descritto nel modello ha confrontato venti richieste realistiche, verificando quante volte la fonte giusta compariva tra le prime tre proposte dal sistema di ricerca: un risultato che, dopo alcune modifiche, è migliorato in modo significativo rispetto alla versione iniziale, a conferma che l'affinamento progressivo dell'indice è parte integrante del lavoro.
Domande frequenti
Un secondo cervello per la SEO sostituisce il lavoro umano? No. Il modello descritto prevede che ogni bozza prodotta dall'agente venga etichettata come da rivedere e passi al vaglio di una persona prima di essere considerata approvata: l'approvazione resta un atto umano, non automatico.
Serve un'infrastruttura tecnica complessa per iniziare? Non necessariamente. La base tecnica può essere composta da semplici file di testo organizzati in un repository, senza ricorrere a database vettoriali o servizi dedicati a pagamento. Si può partire da una singola competenza (skill) e ampliare il sistema nel tempo.
Che differenza c'è tra una nota salvata e una skill? Una nota salvata è materiale da recuperare manualmente; una skill è un pacchetto di istruzioni operative, scritto perché un agente possa leggerlo e agire in autonomia, comprensivo di verifiche, esempi di riferimento e criteri per fermarsi quando mancano informazioni.
Come si evita che l'agente ripeta errori già corretti in passato? Integrando le correzioni nelle istruzioni operative in modo strutturato e verificabile, invece di lasciarle come annotazioni isolate, e circoscrivendo ogni correzione al caso specifico a cui si riferisce.
Fonti
- How to build an action-oriented second brain for SEO — Search Engine Land — https://searchengineland.com/build-action-oriented-second-brain-for-seo-499665
Impostare un sistema di regole, memoria e priorità per gli agenti AI applicati alla SEO è un lavoro che richiede metodo fin dall'inizio, perché ogni aggiunta successiva eredita (o complica) ciò che è stato costruito prima. Chi desidera capire come impostare automazioni di questo tipo sui propri processi di marketing digitale può approfondire cosa propone iNexus o richiedere un confronto per valutare la situazione specifica.