Dall'invisibilità LLM a 23 citazioni mensili per un SaaS B2B italiano

Copia link alla sezioneIl contesto

Il cliente è un SaaS B2B italiano con circa €4-6M di ARR, tool di automazione workflow verticale su un segmento manifatturiero italiano specifico. Quindici persone interne, di cui quattro full-stack engineer e un marketing manager senior. Vendita tipica: ciclo 2-4 mesi con 3-5 stakeholder per deal, contract average €18-36k/anno.

Settore, dimensioni e dinamiche sono rappresentativi di un caso tipo, anonimizzati per riservatezza.

Abbiamo iniziato a marzo 2025. Il marketing manager mi ha contattato via LinkedIn dopo un articolo sul GEO che avevo pubblicato: "Noi facciamo buona SEO ma negli ultimi 6 mesi la pipeline da ChatGPT l'ho vista calare a zero. I nostri buyer sono ingegneri che usano ChatGPT sei ore al giorno. Se non siamo lì, è un problema grosso."

Copia link alla sezioneIl problema

Il SaaS aveva una situazione tipica del segmento: SEO tecnica decente (70% degli articoli di blog posizionati), 40+ articoli pubblicati in 3 anni, brand riconosciuto nel loro verticale. Ma aveva due problemi convergenti.

Primo, la pipeline da LLM era letteralmente zero. Test diagnostic: query target come "migliori tool di automazione workflow per aziende manifatturiere italiane PMI" su ChatGPT, Claude e Perplexity → cita 3-4 competitor (anche più piccoli di loro), il cliente non appariva mai. Su Perplexity il loro nome appariva solo come citation secondaria su articoli di recensioni third-party, mai come raccomandazione diretta.

Secondo, le campagne Google Ads erano saturate su query brand + competitor bid. CAC in crescita del 4% al mese da un anno. Cost per trial sign-up salito da €42 a €89 in 12 mesi. Le query nuove "discovery-type" (dove l'utente non cerca un nome ma una soluzione) costavano 2-3x il CAC blended.

Il terzo problema era strutturale: il loro content editoriale era prodotto in volume (un articolo ogni 10 giorni) ma era dispersivo — topic cluster esploso su 8 aree diverse, entity model inconsistente, nessun pillar cornerstone ben strutturato. Un LLM che cercava di capire "di cosa si occupa esattamente questo brand" non aveva un segnale chiaro.

Copia link alla sezioneL'insight

Il primo giorno di audit ho identificato tre pattern critici.

(1) Entity frammentata su Wikidata e Google Knowledge Graph. Il brand appariva come company italiana, ma la sua "what it does" description era un miscuglio tra "marketing automation", "workflow automation" e "BPM" — tre categorie diverse con buyer diversi. Gli LLM, quando interrogati su ciascuna categoria, non sapevano in quale citarlo.

(2) Content cluster dispersivo che diluiva l'autorità. Gli 8 topic cluster avevano tra 3 e 11 articoli ciascuno. Nessun cornerstone article strong. Per un LLM era impossibile estrarre un "questo è IL pezzo definitivo di questo brand sull'argomento X" — fondamentale per citation.

(3) Disconnect tra SEO keyword e query derivate da prompt LLM. Le keyword su cui rankavano su Google erano ancora quelle del 2022-2023 (terminologia generica del settore). Ma i loro buyer nel 2025, dopo aver parlato con ChatGPT, cercavano su Google con query completamente diverse — più specifiche, più tecniche, basate sulla raccomandazione ricevuta dall'LLM. Le campagne Google Ads inseguivano le keyword vecchie, spendendo su utenti sbagliati.

Questo terzo punto era l'insight commerciale più importante: le query che l'LLM suggerisce ai tuoi buyer diventano le query con cui poi cercano su Google. Se GEO e Google Ads non sono coordinati, paghi per intercettare utenti che non esistono più.

Copia link alla sezioneLa strategia

Progetto ARIA completo con focus bilanciato GEO + Google Ads sync.

Entity rebuild (Reframe):

• Definizione netta del positioning: "workflow automation per produzione manifatturiera PMI italiana" — una categoria, non tre
• Aggiornamento Wikidata + Google Knowledge Graph + profili social con entity unificata
• Schema JSON-LD riscritto: Organization + SoftwareApplication + knowsAbout esplicito con 8 aree di expertise
• llms.txt scritto a mano con 15 entity primarie + priority content

Content cluster collapse (Reframe + Implement):

• Dei 8 cluster pre-esistenti: 3 chiusi (migrati in archive con canonical verso cluster adiacenti), 2 consolidati (merge di articoli in cornerstone unici), 3 mantenuti e rafforzati
• Produzione di 6 cornerstone article nuovi (3000+ parole ciascuno) sui 3 cluster core
• 12 articoli satellite rescritti con chunking LLM-friendly

Digital PR GEO-relevant (Implement):

• 4 placement su publisher verticali del manifatturiero italiano (pre-selezionati: apparivano come fonte in almeno 4 query ChatGPT test su 10)
• 2 podcast guest sul CEO su piattaforme di settore
• 1 partnership con university research center per case study congiunto

Google Ads refactor (Amplify):

• Chiusura 60% delle keyword legacy (query generiche bassa intent)
• Apertura 2 campagne nuove su "query derivate da prompt LLM" identificate dal monitoring GEO
• First-party data integration: customer match da CRM, enhanced conversions, CAPI server-side
• Killing bid settimanale sistematico + brand exclusion su non-brand

Copia link alla sezioneL'esecuzione

Mese 1-2 — Audit + Reframe: diagnostic completo, strategy doc, approvazione piano con team marketing interno + CTO. Deploy prime entity fix su Wikidata (lead time 3 settimane per approval Wikidata editor).

Mese 3: content cluster collapse deployato con 301 redirect. Schema + llms.txt live. Prime 2 cornerstone article nuove pubblicate. Zero movimento metriche — come previsto.

Mese 4: prime citazioni Claude su query target (3 in un mese). Perplexity ancora silenzioso. SERP iniziano a muoversi su 5-6 query long-tail su cluster nuovi.

Mese 5: svolta Google Ads. Refactor campagne + killing bid aggressivo riduce CAC del 28% in 3 settimane. Trial sign-up rate da ads sale del 15%.

Mese 6: prime citazioni Perplexity (4 nel mese). Claude sale a 8 citation/mese. ChatGPT inizia a citare su query brand comparative ("X vs competitor Y").

Mese 7: volume a regime su GEO. 18 citazioni totali cross-LLM. Google Ads stabilizzato con CAC -35% vs baseline.

Mese 8: chiusura progetto one-shot. Citazioni LLM: 23/mese media. Trial sign-up organico +180%. Pipeline commerciale qualificata +320% vs baseline (effetto combinato GEO visibility + Google Ads efficiency + miglior qualità del traffico che converte di più a stages successivi del funnel).

Ostacoli reali: al mese 3 un competitor più grande ha lanciato una campagna massiva di content production (40 articoli in 2 mesi). Ho dovuto rivalutare il piano content a metà — invece di aumentare volume (trappola), abbiamo doppiato la profondità editoriale dei cornerstone esistenti. Decisione controintuitiva ma si è dimostrata giusta a 3 mesi di distanza.

Copia link alla sezioneI risultati

A 8 mesi dall'inizio:

• Citazioni LLM: da 2/mese a 23/mese media ultimi 2 mesi. +320% effettivo
• Trial sign-up organico: +180% (più importante: +240% sui trial qualificati, quelli che entrano in sales call)
• CAC Google Ads: -42% su campagne non-brand dopo il refactor
• Pipeline commerciale qualificata: +320% vs baseline (composizione: +40% da organic, +25% da traffico diretto derivato da prompt LLM, +35% da Google Ads efficiency)
• ROI primo contratto firmato da LLM citation attribuito: pagato 3x il costo totale del progetto ARIA one-shot

Il cliente ha rinnovato contratto continuativo Amplify per 12 mesi con focus su scaling content che funziona + espansione a Meta Ads per top-of-funnel.

Copia link alla sezioneCosa ho imparato

Primo: i SaaS B2B hanno il sales cycle migliore per GEO. Cicli di 2-4 mesi con 3-5 stakeholder significano che ogni citation LLM viene processata, verificata, confrontata tra più persone. Un singolo pezzo di authority ben piazzato rimbalza tra stakeholder per settimane. L'effetto attribution è grande, anche se difficile da misurare linearmente.

Secondo: la coordinazione GEO ↔ Google Ads è il moltiplicatore di valore più sottovalutato. Le query che l'LLM suggerisce diventano le query che poi cercano su Google. Se paghi Google Ads senza sapere cosa l'LLM sta suggerendo, stai ottimizzando contro il tuo stesso funnel. Questo insight da solo vale il progetto su clienti SaaS.

Terzo — errore mio: al mese 2 ho sottovalutato il lead time necessario per le modifiche Wikidata. Ho promesso al cliente che entity unification sarebbe stato live al mese 2, è arrivato al mese 3-settimana-2. Ritardo minore nel grande schema delle cose, ma ha generato ansia giustificata nel team. Ora stimo 4-5 settimane per Wikidata su brand non pre-verificati, comunicando buffer esplicito al cliente all'inizio.

---

Copia link alla sezioneHai una sfida simile?

Se il tuo SaaS B2B è in una situazione analoga — SEO ok ma pipeline LLM a zero, Google Ads CAC in crescita, content volume ma non visibility — una discovery call 30 min è il primo passo. Conversazione esplorativa zero impegno per capire se il problema somiglia a quello raccontato qui. Se serve analisi formale, l'ARIA Audit paid (€4.900, 14 giorni) copre diagnostic completo.

Prenota una discovery call →