Google ha appena reso il meccanismo che scompone le tue ricerche in tante sotto-domande da 12 a 20 volte più rapido, e a un costo di calcolo molto più basso. Si chiama R4T-Diffusion (Retrieve-for-Train), un nuovo modello di intelligenza artificiale annunciato da Google Research: un modello piccolo (53,9 milioni di parametri) addestrato a copiare il comportamento di un modello molto più grande e costoso. Il risultato pratico è che il “query fan-out” — il meccanismo dietro AI Overview e AI Mode che spacca una domanda in tante sotto-domande per costruire una risposta — passa da un’operazione lenta e costosa (fino a 50 secondi nei casi più pesanti) a una che richiede da meno di un secondo a pochi secondi. Tradotto per chi fa SEO/GEO: Google può ora permettersi di generare fan-out più ricchi, più spesso, su scala. E questo cambia quanto conta la completezza reale dei tuoi contenuti.
In questo articolo
- Cosa è successo: R4T-Diffusion, il nuovo modello dietro il query fan-out
- Come funziona: distillazione, apprendimento per rinforzo, tre priorità
- È già in produzione? Quello che Google dice (e quello che non dice)
- Cosa cambia per chi scrive contenuti per l’AI search
- Cosa fare: come proteggere la tua copertura fan-out (checklist)
- SEO e GEO: il collegamento con la Copertura Fan-Out
- Domande frequenti
- Cosa significa per le aziende italiane
Cosa è successo: R4T-Diffusion, il nuovo modello dietro il query fan-out
Il 24 settembre 2026 Search Engine Journal ha riportato l’annuncio di Google Research su un nuovo framework per generare query fan-out: R4T-Diffusion, sigla di “Retrieve-for-Train”. Del meccanismo del query fan-out avevo già scritto qui a giugno: quando fai una domanda a Google AI Mode, dietro le quinte non parte una ricerca, ne partono diverse — la mia guida su come funziona il query fan-out spiega il concetto base. Questa notizia non cambia il concetto: cambia la scala a cui Google può permettersi di applicarlo.
Il problema che Google doveva risolvere è semplice da capire anche senza background tecnico: generare tante sotto-domande di qualità, diverse tra loro e pertinenti alla domanda originale, richiedeva finora un modello grande e lento — nei casi più pesanti, fino a 50 secondi di latenza. Cinquanta secondi sono un’eternità per un motore di ricerca che deve rispondere in tempo reale. R4T-Diffusion risolve questo collo di bottiglia: un modello molto più piccolo, addestrato a “copiare” il comportamento del modello grande, genera fan-out di qualità comparabile in una frazione del tempo — da sub-secondo a pochi secondi, con un guadagno di velocità dichiarato tra 12 e 20 volte.
Come funziona: distillazione, apprendimento per rinforzo, tre priorità
Non ti serve capire la matematica per capire l’implicazione pratica, ma vale la pena spiegare i tre passaggi che Google descrive nel paper e nel post ufficiale, perché aiutano a capire cosa il sistema sta davvero cercando di ottimizzare.
Primo passaggio: addestramento con apprendimento per rinforzo (RL). Google ha addestrato un modello grande a produrre query fan-out di alta qualità, premiandolo quando i risultati rispettavano certi criteri.
Secondo passaggio: generazione di dati sintetici. Il modello grande, una volta addestrato, ha prodotto un ampio set di esempi di fan-out “buoni” — le tracce di comportamento da cui il modello piccolo avrebbe poi imparato.
Terzo passaggio: distillazione in un modello piccolo. Qui entra in gioco una tecnica che non è nuova — la distillazione della conoscenza tra reti neurali è un’idea che risale al 2015, tra i cui pionieri figura l’ex Googler Jeff Dean — ma che qui viene applicata proprio al query fan-out: un modello diffusion da 53,9 milioni di parametri viene addestrato a replicare il comportamento del modello grande, ereditandone gran parte della qualità a una frazione del costo di calcolo.
Il paper di ricerca (pubblicato a marzo 2026, sei mesi prima del post di blog che l’ha reso pubblico il 15 settembre) descrive tre priorità che il modello bilancia mentre genera le sotto-domande, ed è qui che la notizia smette di essere solo “un modello più rapido” e diventa rilevante per chi fa SEO/GEO:
Groundedness (concretezza): ogni sotto-domanda generata deve corrispondere a qualcosa che esiste davvero e che si può recuperare nel database — niente sotto-domande “a vuoto” che non portano a nessun contenuto reale.
Diversity (diversità): misurata con una metrica chiamata Vendi Score, il modello è spinto a esplorare un ventaglio semantico ampio, evitando di generare sinonimi ridondanti della stessa sotto-domanda.
Alignment (allineamento): le sotto-domande restano ancorate alla domanda originale, per evitare che il fan-out “vada per la tangente” rispetto a quello che l’utente ha davvero chiesto.
Messe insieme, queste tre priorità descrivono un fan-out che copre più facce reali di un argomento, senza ripetersi e senza allontanarsi dal tema. È esattamente il tipo di copertura che un contenuto ben strutturato dovrebbe offrire per essere recuperato su più sotto-domande possibili — il punto su cui torno più avanti.
È già in produzione? Quello che Google dice (e quello che non dice)
Qui vale la pena essere onesti su cosa sappiamo e cosa no, perché è facile scivolare nel sensazionalismo con una notizia come questa. Il post di blog di Google descrive R4T-Diffusion come un sistema “production-ready” — pronto per la produzione — e il fatto che Google abbia deciso di pubblicare un post di blog, oltre al paper accademico, è di per sé un segnale che il sistema è arrivato a un livello di maturità operativa. Ma “production-ready” non equivale automaticamente a “già attivo su tutte le ricerche in questo momento”.
Ci sono segnali indiretti, riportati da Search Engine Journal: alcuni professionisti SEO hanno segnalato sui social un aumento di traffico o la comparsa di più link dentro AI Mode nelle ultime settimane, e altri hanno notato quello che sembra un aggiornamento non annunciato di Google. Nessuno di questi segnali è una prova diretta che R4T-Diffusion sia già in produzione — potrebbero avere altre cause. Quello che possiamo dire con certezza è che il paper è stato pubblicato a marzo e il post di blog a settembre: sei mesi di finestra in cui Google ha avuto il tempo di decidere se, dove e come attivarlo, con quali guardrail.
Un dettaglio che i ricercatori stessi hanno inserito nel paper — ma non nel post di blog, il che dice qualcosa sulla differenza tra comunicazione tecnica e comunicazione di marketing — è un avvertimento sui rischi: il sistema ha funzionato bene in contesti come moda e musica, ma i ricercatori raccomandano audit specifici sui bias prima di un utilizzo in contesti sensibili, e descrivono il framework come “uno strumento per un retrieval controllato che deve essere accompagnato da garanzie, non un sostituto del giudizio umano e della supervisione etica”. È lo stesso principio di cui ho scritto la settimana scorsa parlando degli errori SEO di Claude: anche quando un sistema AI sembra pronto per la produzione, qualcuno deve continuare a controllarlo.
Cosa cambia per chi scrive contenuti per l’AI search
Metto da parte per un attimo la domanda “è già attivo o no” — sul lungo periodo non cambia la direzione delle cose. Se il collo di bottiglia principale del query fan-out era il costo di calcolo e la latenza, e ora quel collo di bottiglia si è ridotto di 12-20 volte, la conclusione logica è che Google possa permettersi fan-out più ricchi, più spesso, su un numero più ampio di query — non solo su quelle premium o su quelle già identificate come “complesse”. Non è una previsione azzardata: è la conseguenza diretta di aver reso un’operazione economicamente sostenibile a scala quello che prima non lo era.
Per chi produce contenuti, questo significa una cosa molto concreta: più il fan-out diventa denso e diffuso, più aumenta il numero di “porte d’ingresso” — le singole sotto-domande — attraverso cui un contenuto può essere recuperato e citato. Ma aumenta anche il numero di porte su cui un contenuto superficiale può risultare assente. Un articolo che tratta un argomento con tre paragrafi generici copre bene, nella migliore delle ipotesi, una o due sotto-domande. Un articolo che affronta lo stesso argomento da otto o dieci angolazioni diverse — comprese quelle che sembrano marginali, come dettagli operativi, eccezioni, casi limite, confronti — ha più probabilità di intercettare le sotto-domande che il fan-out genera, comprese quelle a cui non avresti pensato scrivendo per un solo intento di ricerca.
Il trade-off onesto, però, è questo: scrivere per coprire più sotto-domande possibili non significa gonfiare un articolo con paragrafi inutili solo per allungarlo. La priorità “Diversity” del modello di Google è pensata apposta per scartare la ridondanza — le sotto-domande che dicono la stessa cosa con parole diverse. Un contenuto che ripete lo stesso concetto con sinonimi diversi non guadagna copertura fan-out: la perde, perché non aggiunge nessuna faccia reale in più dell’argomento.
Cosa fare: come proteggere la tua copertura fan-out (checklist)
Quattro cose concrete che sto già applicando sui contenuti dei clienti Dalpralab, senza aspettare la conferma definitiva che R4T-Diffusion sia in produzione — perché la direzione del cambiamento è comunque quella.
1. Mappa le sotto-domande reali del tuo argomento prima di scrivere, non dopo. Prima di scrivere un contenuto, uso il Question Explorer di SeoZoom per vedere le domande reali che le persone fanno su quel tema — non quelle che immagino io. È lo stesso principio dietro il fan-out: un buon contenuto anticipa le sotto-domande, non le scopre a caso.
2. Controlla la copertura del fan-out con l’AI Engine prima di pubblicare. SeoZoom misura la Copertura Fan-Out di un contenuto con un codice a due colori: verde quando il contenuto è completo e la citazione AI è stabile, rosso quando ci sono lacune semantiche che mettono a rischio la citazione. Prima di pubblicare, controllo quali aree risultano rosse e le completo — non genericamente, ma con la sotto-domanda specifica che manca.
3. Struttura il contenuto per facce dell’argomento, non per parole chiave. H2 e H3 che rispondono a domande distinte — “quanto costa”, “quanto dura”, “cosa succede se non lo fai”, “come si confronta con l’alternativa X” — hanno più probabilità di essere recuperati singolarmente da un fan-out rispetto a un unico blocco di testo che tratta tutto insieme.
4. Non confondere ampiezza con ripetizione. Prima di aggiungere un paragrafo, chiediti se sta davvero coprendo una faccia nuova dell’argomento o se sta solo riformulando quello che hai già detto. Il primo aumenta la tua copertura fan-out. Il secondo, nella migliore delle ipotesi, non fa nulla; nella peggiore, diluisce la qualità percepita del pezzo.
SEO e GEO: il collegamento con la Copertura Fan-Out
Questa notizia è un buon esempio di come SEO e GEO, nel metodo che uso con SeoZoom, non siano due discipline separate ma due livelli dello stesso lavoro. La SEO classica ti rende trovabile e indicizzabile: struttura tecnica, velocità, contenuto pertinente per una query. La GEO — Generative Engine Optimization — si occupa di come un motore generativo, nel momento in cui costruisce una risposta, decide quali pezzi del tuo contenuto usare come fonte. Il query fan-out è il ponte tra le due: è il meccanismo con cui Google trasforma un’unica intenzione di ricerca in tante query più piccole, ciascuna delle quali va a caccia di un contenuto pertinente con la logica SEO classica.
Se R4T-Diffusion rende questo meccanismo più rapido, economico e diffuso, la Copertura Fan-Out smette di essere una metrica di nicchia per i pochi che seguono davvero la GEO e diventa un indicatore sempre più centrale di quanto un contenuto sia “citabile” dall’AI search. Lo stesso vale per l’Autorità Topica (TZA) di un dominio su un determinato argomento: un sito con TZA alta su un settore ha più probabilità che le sue pagine vengano recuperate su un numero maggiore di sotto-domande di quel settore, semplicemente perché Google associa quel dominio a una copertura solida e coerente del tema — coerentemente con quanto ho scritto parlando di autorità topica e AI.
Detto con onestà, senza vendere questa notizia come una rivoluzione immediata: non sappiamo con certezza se R4T-Diffusion sia già attivo su tutte le ricerche oggi, e anche quando lo sarà, non trasformerà un contenuto scarso in un contenuto citato. Continuerà a servire un buon contenuto di partenza. Quello che cambia è la posta in gioco: se il fan-out diventa più denso e più frequente, i contenuti che coprono davvero tutte le facce di un argomento hanno un vantaggio più marcato rispetto a chi si limita al minimo indispensabile — e il divario tra i due, nel tempo, è destinato ad allargarsi, non a restringersi.
Domande frequenti
Cos’è R4T-Diffusion di Google?
È un nuovo modello di intelligenza artificiale annunciato da Google Research, che genera “query fan-out” (le sotto-domande usate da AI Overview e AI Mode per costruire una risposta) in modo da 12 a 20 volte più rapido e a un costo di calcolo molto più basso rispetto ai metodi precedenti, grazie a un modello diffusion di 53,9 milioni di parametri addestrato per distillazione da un modello più grande.
R4T-Diffusion è già attivo sulle ricerche di Google?
Non è confermato con certezza. Il post di blog lo descrive come “production-ready” e ci sono segnalazioni indirette di professionisti SEO che notano cambiamenti nel traffico e in AI Mode, ma Google non ha dichiarato ufficialmente una data di attivazione su scala.
Cosa cambia per i contenuti del mio sito se il query fan-out diventa più diffuso?
Aumenta l’importanza di coprire davvero tutte le facce reali di un argomento, non solo l’angolo più ovvio. Un fan-out più ricco genera più sotto-domande: i contenuti superficiali intercettano solo una o due di queste, quelli strutturati per rispondere a più domande specifiche ne intercettano molte di più.
Come faccio a sapere se il mio contenuto ha una buona copertura fan-out?
Con SeoZoom puoi controllare la Copertura Fan-Out di un contenuto (verde = completo, rosso = lacune semantiche) prima di pubblicare, e usare il Question Explorer per mappare le sotto-domande reali di un argomento invece di indovinarle.
Devo riscrivere tutti i contenuti del sito per questo aggiornamento?
No. Ha senso applicare il principio (copertura completa, struttura per facce dell’argomento, niente ripetizione) ai contenuti nuovi e a quelli che generano più traffico o conversioni, non riscrivere tutto il sito per una notizia la cui attivazione su scala non è ancora confermata.
Cosa significa per le aziende italiane
Tre cose concrete per un imprenditore che non deve seguire ogni paper di ricerca di Google per lavoro.
Primo: la tendenza è chiara, anche senza conferma ufficiale sulla data di attivazione. Google ha investito per rendere il query fan-out economicamente sostenibile su scala. Che sia già attivo oggi o nei prossimi mesi, la direzione — fan-out più ricchi, più spesso — non cambia. Vale la pena adattare i contenuti nuovi già da ora, non aspettare una conferma che potrebbe non arrivare mai in modo esplicito.
Secondo: la copertura reale di un argomento conta più della lunghezza del testo. Un articolo lungo ma ripetitivo non guadagna nulla da questo cambiamento — anzi, la priorità “Diversity” del modello di Google è pensata apposta per scartare la ridondanza. Un articolo che affronta lo stesso argomento da facce diverse (costi, tempi, eccezioni, confronti, casi limite) ha un vantaggio reale e crescente.
Terzo: questo è il tipo di aggiornamento che si prepara con un metodo, non con un intervento singolo. Mappare le sotto-domande di un argomento con gli strumenti giusti prima di scrivere, controllare la copertura prima di pubblicare, ed evitare di confondere ampiezza con ripetizione: sono passaggi che richiedono tempo la prima volta e diventano rapidi appena entrano nel flusso di lavoro. È lo stesso principio — un senior più agenti AI al posto di un’agenzia da 15 persone — che uso ogni giorno con i clienti di Dalpralab: non servono più persone, serve un metodo che si applica in modo costante.
Se vuoi capire quanto i contenuti del tuo sito sono pronti per un fan-out sempre più denso, o dove hai lacune di copertura che oggi non vedi — scrivimi: bastano un paio di pagine chiave del tuo sito per capirlo insieme.
