B2A Readiness: quanto è leggibile e verificabile un sito aziendale per i sistemi AI?

Per anni una delle domande fondamentali del digital marketing è stata: come faccio a farmi trovare da un potenziale cliente?

Con la ricerca tradizionale la risposta passava da Google, dalle keyword, dalla SEO tecnica, dai contenuti, dai backlink e, naturalmente, dalla capacità di costruire una presenza digitale abbastanza autorevole da conquistare una posizione nella pagina dei risultati.

Con i sistemi AI il problema comincia a cambiare.

Non significa che Google, ChatGPT o altri sistemi abbiano già sostituito la ricerca tradizionale, né che un normale sito aziendale venga oggi sottoposto automaticamente a una valutazione standardizzata secondo una serie di criteri universali. Significa qualcosa di più concreto e, proprio per questo, più interessante: le interfacce AI stanno diventando un nuovo punto di accesso alla scoperta, al confronto e, in alcuni contesti, all’acquisto di prodotti.

Google ha introdotto nel gennaio 2026 il Universal Commerce Protocol (UCP), uno standard aperto pensato per collegare aziende e agenti AI lungo il percorso commerciale, dalla scoperta all’acquisto e al supporto post-vendita. OpenAI, con l’Agentic Commerce Protocol (ACP), sta costruendo un’infrastruttura che consente a ChatGPT di utilizzare dati strutturati di catalogo e di collegarsi ai sistemi dei merchant per esperienze di shopping e checkout.

Sono sviluppi reali.

Ma da qui a dire che “l’AI valuta il tuo sito aziendale e decide se inserirti nella shortlist” ce ne passa.

Ed è proprio questa distinzione che rende interessante il problema.

Dal motore di ricerca all’intermediario della scelta

Nel modello tradizionale l’utente esprime una necessità, il motore di ricerca restituisce una serie di risultati e l’utente decide quali visitare.

In un’interfaccia conversazionale il percorso può essere diverso. L’utente può descrivere direttamente un bisogno, aggiungere vincoli, chiedere un confronto e ottenere una risposta nella quale alcune alternative vengono già selezionate e organizzate.

Nel commercio elettronico questo passaggio è già documentato.

OpenAI descrive ChatGPT come uno strumento attraverso il quale gli utenti possono esplorare prodotti, confrontare alternative e ottenere informazioni aggiornate. La documentazione ACP prevede inoltre feed strutturati contenenti informazioni come identificativi, descrizioni, prezzi, disponibilità, immagini e opzioni di fulfillment.

Google, dal canto suo, sta sviluppando UCP proprio per rendere più strutturato il rapporto fra retailer e agenti AI, includendo funzionalità relative a cataloghi, carrelli e informazioni aggiornate sui prodotti.

Questo però riguarda soprattutto shopping e-commerce.

Il salto verso il B2B è ancora un’altra cosa.

Un procurement manager che cerca un software gestionale, un sistema ERP, un fornitore logistico o una piattaforma di cybersecurity non sta semplicemente scegliendo un prodotto da un catalogo. Deve valutare requisiti tecnici, certificazioni, compatibilità, SLA, referenze, condizioni contrattuali, rischio e costo totale.

Per questo motivo è più corretto parlare di possibile estensione strategica del fenomeno, non di una funzionalità già dimostrata dai protocolli.

La domanda interessante diventa allora:

se i sistemi AI dovessero progressivamente assumere un ruolo maggiore nella selezione e nel confronto di aziende e fornitori, quanto sarebbe preparato il sito di un’azienda a essere interpretato, verificato e confrontato?

Da questa domanda nasce il concetto di B2A Readiness.

Che cos’è la B2A Readiness

B2A può essere letto come Business-to-Agent: non descrive un canale commerciale già standardizzato, ma uno scenario nel quale un sistema AI agisce come intermediario tra un’organizzazione e la persona che deve prendere una decisione.

In questo articolo utilizziamo quindi B2A Readiness come framework esplorativo di audit.

L’obiettivo non è prevedere se un agente AI sceglierà effettivamente un’azienda. Non abbiamo una formula pubblica che permetta di calcolarlo e non sarebbe corretto inventarla.

L’obiettivo è più concreto: misurare quanto le informazioni pubblicamente disponibili siano:

• chiare;
• strutturate;
• verificabili;
• contestualizzate;
• coerenti;
• sufficientemente ricche da permettere un confronto.

In altre parole, non misuriamo la probabilità di essere scelti dall’AI.

Misuriamo la qualità delle condizioni informative che renderebbero possibile una valutazione automatizzata.

È una differenza sostanziale.

Le sei dimensioni del framework

Per trasformare il concetto in uno strumento utilizzabile proponiamo sei dimensioni.

Product Clarity — chiarezza dell’offerta

Un sistema che deve confrontare diverse aziende deve prima riuscire a capire che cosa offre ciascuna.

La domanda non è semplicemente se esista una pagina “Servizi”.

Bisogna verificare se il sito chiarisce:

• che cosa viene venduto;
• a chi;
• per quale problema;
• con quali caratteristiche;
• con quali condizioni;
• con quali eventuali alternative o configurazioni.

Un’offerta descritta con formule come “soluzioni innovative per la trasformazione digitale” contiene molte parole e poche informazioni operative.

Un’offerta che specifica invece target, funzionalità, casi d’uso, limiti e modalità di utilizzo è molto più facile da interpretare e confrontare.

Evidence Density — densità delle evidenze

Dire di essere bravi non equivale a dimostrarlo.

Questa dimensione considera la presenza di elementi verificabili come:

• case study;
• risultati quantitativi;
• certificazioni;
• documentazione;
• referenze;
• benchmark;
• dati tecnici;
• esempi concreti.

Un sito può avere ottimi contenuti ma una bassa densità di evidenze.

È il classico caso dell’azienda che dichiara “riduciamo i costi del 30%” senza spiegare per chi, in quale situazione, con quale metodologia e rispetto a quale baseline.

Machine Readability — leggibilità per sistemi automatici

Qui non si parla di “scrivere per l’AI”.

Si parla di rendere le informazioni strutturate e interpretabili.

Rientrano nell’audit, per esempio:

• struttura HTML;
• heading coerenti;
• dati strutturati;
• informazioni semantiche;
• nomenclature consistenti;
• pagine prodotto o servizio chiaramente delimitate;
• metadata;
• informazioni non nascoste esclusivamente in elementi difficili da interpretare.

Nel commercio agentico questa dimensione assume particolare interesse perché i protocolli attuali utilizzano dati strutturati per permettere ai sistemi di acquisire informazioni sui prodotti e mantenerle aggiornate. OpenAI, per esempio, documenta esplicitamente l’utilizzo di product feed strutturati per fornire a ChatGPT dati di catalogo.

Questo non significa che ogni sito B2B debba oggi implementare ACP o UCP.

Significa che la qualità della rappresentazione digitale dell’offerta sta diventando un problema infrastrutturale, non soltanto editoriale.

Contextual Eligibility — eleggibilità contestuale

Un prodotto o un servizio non è semplicemente “buono”.

È adatto o non adatto a una determinata situazione.

Un software può essere eccellente ma inadatto a un’azienda con 20 dipendenti. Un servizio logistico può essere perfetto per il retail ma inadatto a prodotti farmaceutici soggetti a particolari requisiti. Un sistema di cybersecurity può essere ottimo per una PMI ma sovradimensionato per una determinata organizzazione.

Per questo il sito deve rendere comprensibili:

• target;
• settore;
• dimensione dell’organizzazione;
• casi d’uso;
• requisiti;
• compatibilità;
• limitazioni.

È questa informazione che permette di passare dalla semplice descrizione dell’offerta alla sua contestualizzazione.

Trust Signals — segnali di affidabilità

L’affidabilità non nasce dalla quantità di aggettivi positivi.

Nasce dalle evidenze.

Clienti, certificazioni, autori, documentazione tecnica, policy, informazioni societarie, partnership, recensioni e casi reali possono contribuire a costruire un quadro più verificabile.

Questa dimensione si sovrappone parzialmente alla Evidence Density, ma non coincide con essa.

Un case study è un’evidenza.

Una certificazione è invece un segnale di affidabilità.

Una pagina autorevole firmata da un professionista identificabile è un altro tipo di segnale.

Per evitare doppie contabilizzazioni, l’audit deve specificare quale evidenza viene attribuita a quale dimensione.

Category Association — associazione alla categoria

Infine c’è un problema apparentemente banale ma strategicamente importante: che cosa sei?

Un’azienda può descriversi in molti modi, ma il sistema che deve confrontarla con altre aziende ha bisogno di categorie relativamente stabili.

“Partner per la crescita digitale” dice poco.

“Piattaforma SaaS per la gestione automatizzata degli ordini B2B nel settore manifatturiero” dice molto di più.

La chiarezza della categoria aumenta la possibilità che l’azienda venga associata al problema e al mercato corretti.

Non significa che esista già un algoritmo universale che assegni queste categorie.

Significa che l’ambiguità semantica è un costo informativo.

Come trasformare le sei dimensioni in un punteggio

Per evitare che B2A Readiness rimanga una semplice checklist, possiamo trasformare le sei dimensioni in un indice ponderato.

Indichiamo con:

• PC = Product Clarity;
• ED = Evidence Density;
• MR = Machine Readability;
• CE = Contextual Eligibility;
• TS = Trust Signals;
• CA = Category Association.

Ogni dimensione viene valutata su una scala da 0 a 10.

La formula proposta è:

[math]\displaystyle \begin{aligned}
B2A\ \text{Readiness} &= 10 \times (0{,}20\,PC + 0{,}20\,ED \\
&\quad + 0{,}15\,MR + 0{,}15\,CE \\
&\quad + 0{,}15\,TS + 0{,}15\,CA)
\end{aligned}[/math]

Il risultato è compreso tra 0 e 100.

I pesi non sono uno standard industriale: sono una scelta metodologica del framework e dovranno eventualmente essere rivisti attraverso applicazioni successive.

Questo punto è importante perché impedisce di trasformare un modello esplorativo in una falsa misura oggettiva.

Ma cosa significa 4? E cosa significa 8?

È qui che molti scoring model diventano poco credibili.

Dire che un’azienda ha “Machine Readability = 7” non significa nulla se non spieghiamo perché.

Per rendere il metodo ripetibile, ogni dimensione deve essere valutata attraverso indicatori osservabili.

Livello	Interpretazione
Basso: 0–3	Informazioni scarse, ambigue o difficili da verificare
Medio: 4–6	Informazioni presenti ma incomplete, frammentarie o poco strutturate
Alto: 7–10	Informazioni chiare, ricche, coerenti e supportate da evidenze

Queste fasce non sostituiscono il giudizio analitico, ma forniscono un’ancora.

L’audit dovrebbe inoltre specificare:

versione del framework, data dell’analisi, URL analizzati, fonti consultate, informazioni non disponibili ed eventuali contraddizioni tra fonti.

Questo rende il risultato molto più serio di un semplice “AI score”.

Il caso FlowDesk: un esempio, non un benchmark

Per mostrare il funzionamento del metodo utilizziamo FlowDesk, un’azienda completamente fittizia.

Anche i dati e i punteggi sono inventati: l’esempio serve esclusivamente a dimostrare come applicare la rubrica.

Supponiamo di analizzare il suo sito e ottenere:

Dimensione	Punteggio	Motivazione sintetica
Product Clarity	9	Offerta, target e caratteristiche chiaramente descritti
Evidence Density	8	Numerosi case study, ma pochi risultati quantitativi
Machine Readability	7	Buona struttura, ma informazioni distribuite su più pagine
Contextual Eligibility	9	Casi d’uso e segmenti chiaramente definiti
Trust Signals	8	Clienti e certificazioni presenti, documentazione tecnica limitata
Category Association	10	Posizionamento molto chiaro nella categoria

Applicando la formula:

[math]\displaystyle \begin{aligned}
B2A\ \text{Readiness} &= 10 \times (0{,}20\times 9 + 0{,}20\times 8 \\
&\quad + 0{,}15\times 7 + 0{,}15\times 9 \\
&\quad + 0{,}15\times 8 + 0{,}15\times 10)
\end{aligned}[/math]

otteniamo:

[math]B2A\ \text{Readiness} = 85[/math]

Il risultato è quindi 85/100.

Ma la parte interessante non è l’85.

È capire perché non è 100.

L’azienda potrebbe, per esempio, aumentare la densità delle evidenze quantitative, rendere più esplicite alcune informazioni tecniche e ridurre la dispersione delle informazioni tra pagine diverse.

Il punteggio diventa così uno strumento diagnostico.

E se il punteggio fosse 43?

Un 43/100 non significa che “l’AI boccia l’azienda”.

Significa che, applicando questa i criteri di questa rubrica, una parte consistente delle informazioni necessarie per comprendere, contestualizzare e verificare l’offerta risulta debole, incompleta o difficile da interpretare.

Immaginiamo questo profilo:

Dimensione	Voto
Product Clarity	5
Evidence Density	3
Machine Readability	4
Contextual Eligibility	6
Trust Signals	3
Category Association	5

In questo caso non partirei dalla SEO.

Partirei dalle informazioni.

Le prime azioni sarebbero probabilmente:

rendere più precisa l’offerta, eliminando formulazioni generiche;

aggiungere evidenze, soprattutto risultati misurabili e casi documentati;

organizzare meglio le informazioni, evitando che caratteristiche, target e condizioni siano distribuiti casualmente nel sito;

rafforzare i segnali di affidabilità, rendendo più verificabili clienti, certificazioni, autori e documentazione.

La lezione è importante: un problema di leggibilità per i sistemi AI può essere prima di tutto un problema di chiarezza aziendale.

E questa è una distinzione che vale anche senza agenti.

Cosa dimostrano davvero UCP e ACP

Qui bisogna essere rigorosi.

UCP e ACP dimostrano che aziende tecnologiche importanti stanno costruendo infrastrutture nelle quali dati commerciali strutturati, sistemi aziendali e interfacce AI possono interagire.

Google presenta UCP come uno standard aperto per il commercio agentico lungo il percorso dalla scoperta all’acquisto e al post-vendita.

OpenAI documenta ACP come infrastruttura di collegamento tra merchant e ChatGPT e specifica che i product feed permettono al sistema di acquisire dati strutturati sui prodotti, inclusi informazioni come descrizioni, prezzo e disponibilità.

OpenAI documenta inoltre un sistema di checkout nel quale ChatGPT interagisce con gli endpoint del merchant e il merchant mantiene il controllo del proprio backend, dell’elaborazione dell’ordine e del pagamento.

Quello che non dimostrano è l’esistenza di un algoritmo pubblico e generalizzato che assegna a ogni azienda un punteggio B2A sulla base delle sei dimensioni proposte in questo articolo.

Non dimostrano neppure che un normale sito B2B venga già classificato da Google o OpenAI secondo questa rubrica.

La B2A Readiness è quindi una proposta metodologica.

Ed è proprio così che deve essere presentata.

Dal prodotto al fornitore: il salto che dobbiamo ancora verificare

Il passaggio più interessante, ma anche più speculativo, riguarda il B2B.

Immaginiamo un futuro nel quale un responsabile acquisti possa chiedere:

“Trova tre piattaforme di gestione degli ordini adatte a un’azienda manifatturiera europea con 500 dipendenti, integrazione SAP, certificazione ISO 27001, SLA inferiore a quattro ore e budget massimo di 150.000 euro.”

Un sistema AI potrebbe, in linea teorica, dover:

• comprendere i requisiti;
• identificare le categorie rilevanti;
• cercare aziende compatibili;
• confrontare caratteristiche;
• verificare evidenze;
• eliminare alternative non eleggibili;
• costruire una shortlist.

Questo scenario non è una funzionalità che UCP o ACP dimostrano già per il procurement B2B.

È una possibile evoluzione strategica.

Ma è proprio per questo che vale la pena prepararsi prima che diventi normale.

Perché il problema non sarebbe più soltanto “essere indicizzati”.

Sarebbe essere confrontabili.

La differenza tra essere online ed essere interpretabili

Questa distinzione potrebbe diventare una delle più importanti nel marketing digitale dei prossimi anni.

Essere online significa avere un sito.

Essere visibili significa comparire nei risultati.

Essere autorevoli significa avere segnali che rafforzano la fiducia.

Essere interpretabili significa permettere a un sistema, umano o automatico, di capire con sufficiente precisione:

chi sei, cosa vendi, a chi lo vendi, in quali condizioni, con quali prove e rispetto a quali alternative.

Sono problemi diversi.

Un sito può avere un ottimo ranking e comunicare comunque malissimo la propria offerta.

Può avere migliaia di pagine ma pochissime evidenze.

Può essere tecnicamente sofisticato e semanticamente confuso.

Può avere un ottimo brand e una pessima documentazione.

La B2A Readiness prova a mettere questi problemi dentro un’unica griglia di osservazione.

Cosa dovrebbe fare un marketing manager

Il valore del framework non sta nel numero finale.

Sta nelle azioni che il numero rende visibili.

Un audit B2A dovrebbe produrre almeno quattro risultati.

Una mappa delle informazioni disponibili, per capire quali dati sull’offerta sono realmente pubblici.

Una mappa delle evidenze, distinguendo dichiarazioni, prove, certificazioni, case study e dati quantitativi.

Una mappa delle ambiguità, individuando descrizioni generiche, categorie poco definite e informazioni contraddittorie.

Una roadmap di intervento, ordinata per impatto e difficoltà.

Questo cambia anche il rapporto tra marketing, contenuti e tecnologia.

Il problema non è più soltanto decidere quali keyword inserire in una pagina.

Bisogna chiedersi se quella pagina contiene informazioni sufficientemente precise perché un altro sistema possa comprenderle e utilizzarle correttamente.

B2A Readiness non significa “ottimizzare il sito per ChatGPT”

Questa sarebbe una conclusione troppo semplicistica.

Non esiste una formula magica con cui trasformare un sito in un sito “AI friendly”.

E soprattutto non avrebbe senso costruire pagine artificiali pensando a un fantomatico punteggio universale.

Il principio è diverso.

Un’azienda dovrebbe rendere le proprie informazioni:

• accurate;
• coerenti;
• strutturate;
• aggiornate;
• verificabili;
• contestualizzate.

Sono caratteristiche utili per un motore di ricerca, per un LLM, per un agente AI e, soprattutto, per una persona.

La vera B2A Readiness potrebbe quindi essere molto meno esotica di quanto sembri.

Potrebbe coincidere, in buona parte, con una domanda piuttosto scomoda:

quanto è facile capire davvero che cosa fa la tua azienda, per chi lo fa e perché qualcuno dovrebbe sceglierla?

Una metrica da usare con cautela

Il framework proposto non pretende di prevedere il comportamento dei sistemi AI.

Non misura ranking, probabilità di citazione, probabilità di acquisto o probabilità di ingresso in una shortlist.

Misura una cosa più circoscritta: la qualità informativa osservabile di un’organizzazione rispetto a un insieme esplicito di criteri.

Per questo ogni audit dovrebbe riportare almeno:

B2A Readiness Framework: versione utilizzata;

Perimetro: pagine e fonti analizzate;

Data dell’audit: perché i siti cambiano;

Punteggi: assegnati per dimensione;

Evidenze: elementi che giustificano ciascun voto;

Dati mancanti: informazioni non disponibili pubblicamente;

Contraddizioni: eventuali discrepanze tra fonti;

Limitazioni: ciò che il metodo non può dimostrare.

È una precauzione metodologica, ma anche una questione di credibilità.

Un 78/100 senza spiegazione è soltanto un numero.

Un 78/100 accompagnato da evidenze, criteri, limiti e una roadmap può diventare uno strumento manageriale.

Il punto non è prevedere l’agente. È preparare l’azienda.

UCP e ACP ci mostrano una direzione concreta: nel commercio digitale stanno emergendo infrastrutture attraverso le quali sistemi AI, utenti e aziende possono interagire in modo più strutturato. Google sta estendendo UCP e gli strumenti collegati alle esperienze di shopping, mentre OpenAI sta ampliando ACP verso la product discovery e documenta integrazioni basate su feed e sistemi di checkout.

Non sappiamo ancora quanto rapidamente questo modello si trasferirà dal prodotto al servizio, dal retail al B2B e dallo shopping al procurement.

Sappiamo però che il modo in cui le informazioni commerciali vengono rappresentate sta cambiando.

Per questo B2A Readiness può essere utile non come oracolo che predice il comportamento dell’AI, ma come strumento per individuare un problema molto concreto: la distanza tra ciò che un’azienda pensa di comunicare e ciò che un sistema esterno può effettivamente ricostruire dalle sue informazioni.

Ed è una distanza che, nel marketing digitale, conviene misurare prima che diventi costosa.