Indice di Rilevanza del Vettore

Vector Salience Score è la similarità semantica tra l’embedding di una query e l’embedding di un documento, solitamente misurata con la similarità coseno in un indice vettoriale. Nel lavoro GEO, conta perché spesso il recupero (retrieval) avviene prima della generazione. Se la tua pagina non viene recuperata, non può essere citata.

La chiave di lettura utile: non è un fattore di ranking di Google. È un segnale di rilevanza per il recupero all’interno di sistemi basati su embedding. Questo include pipeline RAG, alcuni livelli di risposta di AI e prodotti di ricerca interna. Stack diverso, regole diverse.

Cosa ti dice davvero il punteggio

Un punteggio più alto significa che la tua pagina è maggiormente allineata semanticamente a un insieme di prompt o a una serie di domande. I team di solito lo calcolano facendo l’embedding dei prompt target e del contenuto della pagina, poi confrontando i vettori in Pinecone, Weaviate, pgvector o infrastrutture simili.

Questo lo rende operativo. Puoi fare benchmark delle pagine, confrontare i competitor e individuare coperture deboli che gli strumenti keyword non riescono a vedere. Ahrefs e Semrush aiutano ancora per la scoperta della domanda. Semplicemente non calcolano la similarità tra embedding per te.

Come lo usano i team SEO

Il flusso di lavoro sensato è semplice. Costruisci un set di prompt a partire dalle query di Google Search Console, People Also Ask, ticket di supporto, discussioni su Reddit e ricerca on-site. Fai l’embedding di quei prompt. Fai l’embedding delle tue pagine. Poi monitora quali URL ottengono i punteggi più alti per i prompt ad alta intenzione.

• Usa Screaming Frog per esportare titoli delle pagine, heading e testi del corpo (body copy) per la preparazione agli embedding.
• Usa GSC per estrarre il linguaggio reale delle query invece di varianti di prompt inventate.
• Usa Ahrefs o Semrush per espandere la copertura di entità attorno a topic adiacenti e modificatori.
• Usa Surfer SEO o brief di contenuto manuali per colmare la copertura mancante dei sottotemi, quindi riprova.

Nella pratica, i team spesso osservano i movimenti relativi, non soglie assolute. Un salto da 0,62 a 0,74 rispetto a un set di prompt commerciale è utile. Dichiarare che 0,80 è l’obiettivo per tutti i modelli è senza senso.

Cosa migliora la vector salience

Copertura chiara delle entità. Introduzioni stringenti. Terminologia coerente. Forte rilevanza a livello di passaggi (passage-level). I link interni aiutano un po’ quando rafforzano il contesto del tema, ma non risolvono magicamente una copia (copy) debole come fonte.

Anche la segmentazione (chunking) conta. Una pagina può essere ampiamente rilevante, ma perdere il recupero perché il passaggio utile è sepolto a 1.500 parole in fondo, a causa di una configurazione di chunking scorretta. È qui che molte attività GEO si sfaldano: danno la colpa alla qualità del contenuto quando il vero problema è la pipeline di retrieval.

Limiti e avvertenze

Ecco la parte onesta: Vector Salience Score non è standardizzato. OpenAI, Anthropic, Google, Perplexity e sistemi RAG enterprise personalizzati non pubblicano una metrica condivisa unica. Il tuo punteggio dipende dal modello di embedding, dalla dimensione dei chunk, dal metodo di normalizzazione e dal set di prompt. Se cambi uno di questi elementi, il numero si sposta.

John Mueller di Google ha confermato nel 2025 che i team SEO dovrebbero fare attenzione a inventare metriche precise di visibilità AI che non sono esposte dai sistemi di Google. Ha ragione. Usalo come diagnostica interna, non come KPI universale.

Quindi tratta la vector salience come la profondità di crawl o la DR (Domain Rating). È utile. È orientativa. Si presta facilmente a un uso improprio quando le persone la presentano come una verità assoluta.