Il maillage interno resta l’ottimizzazione SEO più sottoinvestita nel 2026
Su 100 negozi PrestaShop auditati nel 2025, 78 hanno meno di tre link interni in uscita per scheda prodotto. Metà non ha alcun link tra schede prodotto della stessa famiglia. Eppure, la documentazione Google sulla Search Quality è chiara dal 2019: la struttura del maillage interno è uno dei tre segnali più forti perché un crawler comprenda l’autorità topica di una pagina.
Perché questo scarto tra l’evidenza teorica e la pratica? Perché il maillage manuale non scala. A 200 schede prodotto, identificare i migliori link richiede già una giornata. A 2.000 schede in tre lingue, è impossibile da mantenere: ogni nuova referenza dovrebbe essere incrociata con altre 5.999 entità per decidere dove posare un link.
L’AI cambia l’equazione. Con embedding semantici (OpenAI, Voyage AI, Cohere) e un calcolo di similarità coseno, si può costruire in pochi minuti la matrice completa di prossimità tra tutte le entità di un catalogo — prodotti, categorie, articoli di blog, pagine CMS — poi dedurne i link più pertinenti da posare. È quello che fa il modulo di maillage interno semantico AI per PrestaShop: 5.000 entità trattate in meno di dieci minuti, 30-80 € di costo AI a seconda del fornitore di embedding scelto.
Cosa vede un crawler quando il maillage è assente
Tre patologie tipiche sui negozi PrestaShop senza maillage interno strategico:
1. Le schede prodotto orfane
Una scheda è accessibile solo dalla paginazione della categoria o dal motore di ricerca interno. Google la trova tramite la sitemap XML, ma riceve zero link juice. Su un negozio moda da 1.200 referenze, si misura regolarmente che il 30-40% delle schede non è indicizzato del tutto — l’orfanaggio uccide la scoperta tanto quanto l’autorità.
2. I silos stagni
Le categorie sono collegate al menu e tra loro tramite il breadcrumb, ma nessun link orizzontale esiste tra schede di categorie diverse eppure complementari. Un giubbotto di pelle non è mai collegato alla t-shirt bianca che ci si indossa sotto, né alla pochette che completa l’outfit. Il cliente naviga ma il crawler non ha archi per propagare la pertinenza.
3. L’assenza di ponte blog ↔ catalogo
Il blog parla di tendenze, consigli, confronti. Il catalogo vende i prodotti che materializzano questi contenuti. Senza link interno tra i due, l’autorità editoriale costruita lato blog non si trasmette mai alle schede che ne beneficerebbero — e l’inverso, dove una scheda popolare dovrebbe risalire verso la sua guida, non si produce mai.
Il maillage semantico: calcolare la pertinenza, non indovinarla
Il metodo si riassume in cinque tappe che ogni modulo serio automatizza:
Tappa 1 — Estrazione del corpus
Si estrae per ogni entità (prodotto, categoria, articolo, pagina CMS) un blocco testo rappresentativo: titolo, descrizione breve, descrizione lunga, attributi, caratteristiche. Su PrestaShop, è una JOIN SQL su ps_product_lang, ps_category_lang, ps_cms_lang e la tabella di blog se presente. Filtro lingua per lingua: nessun incrocio italiano/inglese, il maillage è di default intra-lingua.
Tappa 2 — Generazione degli embedding
Ogni blocco testo è inviato a un modello di embedding: text-embedding-3-small di OpenAI (1.536 dimensioni, 0,02 $ per milione di token), voyage-3-lite di Voyage AI (512 dimensioni, 0,02 $ per milione di token, ottimizzato multilingue), o embed-multilingual-v3 di Cohere. Un embedding è un vettore numerico che cattura il senso del testo — due testi vicini per significato producono vettori vicini nello spazio vettoriale.
Su 5.000 entità con in media 400 token ciascuna, si parla di 2 milioni di token, ovvero circa 40 $ da OpenAI o Voyage. Costo una tantum: gli embedding sono memorizzati in base e vengono rigenerati solo per le nuove entità o quelle modificate.
Tappa 3 — Calcolo di similarità coseno
Per ogni coppia di entità, si calcola il coseno dell’angolo tra i due vettori. Punteggio tra 0 (ortogonale) e 1 (identico). Su un catalogo di 5.000 entità, è una matrice 5.000 × 5.000, ovvero 25 milioni di coppie — calcolate in meno di un minuto in memoria con NumPy o direttamente in MySQL con una stored function.
Tappa 4 — Selezione dei candidati con soglie e regole
Si conservano le coppie la cui similarità supera una soglia (tipicamente 0,72 per text-embedding-3-small), poi si applicano regole di business:
- Non più di 5 link interni generati per entità sorgente.
- Preferenza per link verso entità di categorie diverse (uscire dai silos).
- Preferenza per link articolo → prodotto e prodotto → articolo (fare ponte).
- Esclusione delle entità già collegate manualmente (non si duplica).
- Esclusione dei prodotti esauriti, degli articoli in bozza, delle pagine non pubblicate.
Tappa 5 — Generazione degli anchor e iniezione
Per ogni link mantenuto, l’AI genera un anchor text contestuale a partire dal titolo del target e di alcune keyword estratte. Niente “clicca qui”, niente “scopri di più”: un anchor descrittivo come “guida completa alla scelta del materasso in lattice naturale” che corrisponde alla semantica del target. L’iniezione si fa nella descrizione lunga o in un blocco “Articoli correlati” in fondo alla scheda, secondo l’opzione scelta.
L’aritmetica del PageRank interno
Google non pubblica più il PageRank dal 2016, ma il concetto resta operativo nell’algoritmo. La regola semplificata: ogni pagina distribuisce la sua autorità ai suoi link in uscita, divisa per il loro numero. Una home page con 80 link in uscita distribuisce 1/80 della sua autorità per link. Una scheda prodotto con 5 link in uscita distribuisce 1/5.
Conseguenza pratica: meno una pagina ha link in uscita, più ogni link è potente. È per questo che il mega-menu sovraccarico è un anti-pattern SEO. È anche per questo che un maillage interno mirato e limitato (3-5 link contestuali per pagina) batte un footer carico di 80 link.
Su un negozio PrestaShop tipico di 500 schede prodotto, un maillage semantico ben fatto propaga il 12-18% di autorità supplementare verso le schede long-tail, il che si traduce empiricamente in +20 / +35% di traffico organico su queste schede in 4-6 mesi.
Topic cluster e siloing: lo strato sopra alla similarità
La similarità coseno è un eccellente punto di partenza, ma non distingue un link “pilastro → satellite” da un link “satellite ↔ satellite”. Eppure per la SEO, questi due link non hanno lo stesso valore:
- Link pilastro → satellite: la pagina pilastro (es. “guida completa al sonno”) collega le sue pagine satellite (materasso memory, materasso lattice, topper). Distribuisce autorità verso la long-tail. Da privilegiare.
- Link satellite → pilastro: ogni satellite risale verso il pilastro. Concentra l’autorità sul pilastro, che diventa la pagina di riferimento sull’argomento. Da sistematizzare.
- Link satellite ↔ satellite: due pagine long-tail si collegano reciprocamente. Utile per il crawl, debole per l’autorità. Da limitare.
Un modulo di maillage AI propone tipicamente un’opzione “priorità ai link verso i pilastri”, che forza una quota minima di link verso le pagine identificate come pilastri tematici (spesso le categorie principali e le guide editoriali). È lo strato di business che trasforma un calcolo di similarità in strategia di siloing.
Costo AI reale e ROI
Su un negozio mid-market di 2.000 prodotti in italiano:
- Inizializzazione: 800.000 token di embedding ≈ 16 $ (OpenAI text-embedding-3-small) o 20 $ (Voyage AI). Più generazione degli anchor: 200.000 token GPT-4o-mini ≈ 0,03 $ per link × 6.000 link ≈ 5 $. Totale: ~25 $.
- Manutenzione mensile: nuovi prodotti + prodotti modificati (tipicamente 5-10% del catalogo) ≈ 2-4 $ al mese.
- Multilingue: moltiplicare per il numero di lingue attive. Tre lingue = ~75 $ iniziali + 9 $/mese.
Sullo stesso negozio, il ROI misurato su 6 mesi (post-implementazione, vs baseline) gira intorno a +18% di pagine organiche attive in Search Console e +24% di fatturato organico sulle schede long-tail. Il payback del costo AI è inferiore a 30 giorni.
I tre errori che fanno perdere il 30% del traffico organico
Errore 1 — Il sovra-maillage
Mettere 30 link interni per scheda prodotto. Sintomo: Google riduce il valore di ogni link, il visitatore non sa più dove cliccare, il bounce rate sale. Regola empirica: 3-5 link contestuali nel corpo + 4-6 link in un blocco dedicato “Potrebbero interessarti”, separati graficamente e taggati diversamente (un nofollow sul blocco dedicato può anche essere giustificato sui grandi cataloghi).
Errore 2 — Gli anchor generici o sovraottimizzati
“Clicca qui” non dice niente a Google. “Miglior materasso lattice naturale economico spedizione gratuita” è sovraottimizzato e attiva una penalità algoritmica. Il giusto anchor è descrittivo e naturale: “il nostro materasso lattice naturale 160×200” basta. Un’AI ben promptata genera questo tipo di anchor di default.
Errore 3 — L’iniezione in footer o sidebar globale
I link interni che appaiono su tutte le pagine (footer, sidebar) sono massicciamente svalutati da Google dal 2022. Un link nel corpo del contenuto, contestuale alla pagina, vale 5-10 volte più di un link sitewide. Il maillage AI deve iniettarsi nel contenuto, non intorno.
Integrazione su PrestaShop: i giusti hook
Su PrestaShop 8 e 9, l’iniezione si fa tramite due hook:
displayProductAdditionalInfoodisplayFooterProductper le schede prodotto.displayHomeo un blocco CMS per le pagine editoriali.
L’iniezione diretta in description via SQL è allettante ma sconsigliata: inquina il dato sorgente e complica le migrazioni. Il pattern pulito è un hook che legge una tabella dedicata (ad esempio df_semantic_links) e inietta i link al render. Questo permette di rigenerare il maillage senza toccare le schede.
Per i multi-shop PrestaShop, attenzione a scopare la tabella per id_shop: uno stesso prodotto può avere link interni diversi a seconda del negozio (catalogo parziale, lingua dominante, strategia SEO per mercato).
Maillage AI e AEO: il bonus 2026
Gli agenti AI — ChatGPT Shopping, Perplexity, Claude, Google AI Overviews — consumano sempre più la struttura del maillage interno per ricostruire l’albero di categorie e la relazione tra entità. Un catalogo ben maillato è meglio compreso da questi agenti, il che si traduce in citazioni più frequenti nelle risposte sintetiche.
È complementare ad altri segnali strutturati: l’ottimizzazione AEO globale, il file llms.txt che serve da indice per gli LLM, e i dati strutturati Schema.org Product 2026. Il maillage semantico è il cemento che collega tutti questi segnali tra loro.
Quando un modulo AI è pertinente — e quando non lo è
Il maillage manuale resta valido per cataloghi molto piccoli (meno di 100 schede) e per negozi mono-tematici molto specializzati dove il contenuto editoriale è limitato. Per tutto il resto — cataloghi mid-market 500-10.000 schede, più lingue, blog attivo, aggiornamenti frequenti — un modulo AI è l’unico modo di mantenere un maillage aggiornato senza dedicarci un part-time SEO.
Il calcolo è semplice: un part-time SEO interno sono 25-35 K€/anno. Un modulo AI + costi di embedding sono meno di 200 €/anno. Il modulo non sostituisce la strategia SEO globale, ma automatizza lo strato di esecuzione più dispendioso.
FAQ: le domande che mi pongono dopo ogni audit
Bisogna rigenerare tutto il maillage a ogni modifica di catalogo?
No. Solo le entità nuove o modificate devono essere ri-embedded. La matrice di similarità si aggiorna in modo incrementale (il costo di embedding di una nuova scheda è di pochi cent). Un cron settimanale o giornaliero basta per la maggior parte dei negozi.
Si può fare maillage semantico multilingue (cross-language)?
Tecnicamente sì, con un modello di embedding multilingue (Voyage voyage-3, Cohere embed-multilingual-v3). Ma è raramente desiderabile: l’esperienza utente di un cliente italiano che clicca su un link e atterra su una pagina in tedesco è cattiva. Il maillage è di default intra-lingua; il ponte multilingue è gestito da hreflang.
I link interni generati dall’AI sono considerati contenuto generato da AI da Google?
No. Google si interessa al contenuto generato da AI (paragrafi, descrizioni), non ai link interni — che sono HTML, non testo semantico nuovo. L’anchor generato può essere considerato contenuto, ma a ragione di qualche parola descrittiva per link, è al di sotto della soglia di scrutiny.
Quale impatto sul crawl budget?
Positivo. Un maillage ben fatto riduce il numero di livelli di profondità (depth) del sito, il che permette a Googlebot di crawlare più pagine con lo stesso budget. Sui siti dove Search Console riporta pagine “scoperte ma non indicizzate”, un miglior maillage è spesso la soluzione.
Sostituisce i backlink esterni?
No. Il maillage interno distribuisce l’autorità esistente. I backlink esterni apportano l’autorità iniziale. I due lavorano insieme: un sito con eccellenti backlink ma maillage interno povero spreca la sua autorità; un sito con eccellente maillage ma zero backlink amplifica un segnale molto debole.
In sintesi
Il maillage interno semantico tramite AI non è una novità gadget — è la messa in scala di una buona pratica SEO conosciuta da quindici anni, ormai accessibile a ogni catalogo che supera le 200 entità. Per 25 $ di inizializzazione e 3 $/mese, si recuperano tipicamente +20 / +35% di traffico organico sulla long-tail, con un payback inferiore a 30 giorni.
I prerequisiti sono ragionevoli: un modulo che automatizza le cinque tappe (estrazione, embedding, similarità, selezione, iniezione), un’integrazione tramite hook puliti (niente sovrascrittura delle descrizioni sorgenti), e un monitoraggio mensile in Search Console per misurare il ROI reale.
Per andare oltre, il modulo DataFirefly Maillage Interno Semantico AI implementa questo metodo su PrestaShop 8 e 9 con la scelta del fornitore di embedding (OpenAI, Voyage, Cohere), la configurazione delle regole di business, e il monitoraggio dei link generati. Si integra naturalmente con un approccio di audit SEO completo e con l’integrazione Google Search Console per misurare l’impatto nel tempo.
Per i team che desiderano un accompagnamento più ampio, la nostra expertise sviluppatore PrestaShop copre l’integrazione su misura, l’analisi della matrice di pertinenza e le strategie di siloing avanzate.
