GEO multimodale: 6 passi per far citare immagini e video dall’AI

I motori AI non guardano le immagini e non guardano il video che hai in pagina. Leggono il testo che ci sta intorno. Se quel testo è povero, l’asset resta invisibile per quanto sia fatto bene. Sei interventi risolvono. Costano circa due ore a pagina e valgono allo stesso modo per un’infografica, per uno screenshot di prodotto e per una demo da dodici minuti.

Il GEO multimodale è la pratica di rendere leggibili ai motori generativi gli asset che non sono testo. Il lavoro però è quasi tutto testuale: nomi dei file, attributi alt, didascalie, trascrizioni, dati strutturati. Nessuno dei sei passi qui sotto richiede di girare qualcosa di nuovo.

Cosa fanno davvero i motori con un’immagine

Writesonic ha testato una sessantina di elementi di pagina su sei crawler AI: solo Claude, Gemini e Copilot leggono l’attributo alt. ChatGPT scarica l’HTML grezzo, lo converte in Markdown e per strada l’alt lo perde. I sei si dividono in tre livelli: rendering completo da browser (Copilot), browser headless con JavaScript (DeepSeek, Grok), parser solo-HTML (ChatGPT, Claude, Gemini). La conseguenza pratica è secca. Tutto quello che la pagina inietta via JavaScript, per metà di loro non esiste.

Sul fronte Google è il volume a fare l’argomento. A ottobre 2024 Google ha dichiarato quasi 20 miliardi di ricerche visive al mese su Lens, una su quattro con intento commerciale. AI Mode oggi accetta una foto caricata e risponde con una versione dedicata di Gemini, quindi una ricerca può cominciare da un’immagine e finire su un link alla tua pagina.

Con il video il meccanismo è lo stesso, un piano più su. I motori leggono titolo, descrizione, sottotitoli, trascrizione e markup VideoObject. Lo studio Otterly 2026 sulle citazioni di YouTube mette la piattaforma al 22,7% delle citazioni social di Perplexity e al 9,5% di quelle di ChatGPT; un report separato di 5WPR la dà al 23,3% delle citazioni nelle AI Overview di Google. Le due ricerche contano cose diverse, quindi vanno lette come direzione e non come numero unico. La direzione comunque si capisce: il video porta citazioni, e il motore ci arriva passando dal testo.

Prima di cominciare

• Immagini servite da tag <img> nell’HTML renderizzato lato server. Non sfondi CSS, non iniezione lato client.
• Accesso in scrittura al JSON-LD della pagina.
• Una trascrizione per ogni video che conta. Quella automatica va bene come base, poi la correggi a mano su nomi propri e termini tecnici.

Passo 1: scrivi l’alt come una frase, non come una fila di parole chiave

La guida di Google sulle immagini chiede due cose: alt descrittivo e nome file descrittivo. L’esempio è loro: mio-gattino-nero.jpg batte IMG00023.JPG. Per l’alt serve una frase che dica cosa c’è nell’inquadratura e perché quell’inquadratura sta lì.

Confronta le due versioni. «audit design system dashboard token drift 2026» è una fila di parole chiave, e tre crawler su sei non la leggeranno comunque. «Una dashboard di audit che mostra 31 valori colore usciti dal design system» è una frase che un modello può prendere e citare. Stessa lunghezza, lavoro diverso.

Passo 2: porta nel testo ogni affermazione che fa l’immagine

È il passo che sposta i numeri. Se un grafico mostra un calo del 40%, quel 40% deve stare scritto nel paragrafo accanto. Se uno screenshot illustra tre stati di un form, i tre stati vanno nominati in prosa. La guida di Google chiede di mettere le immagini vicino al testo pertinente per lo stesso motivo.

L’immagine illustra un’affermazione già scritta altrove. Le infografiche sono il caso peggiore: reggono un ragionamento intero in pixel e al motore non lasciano niente. È il motivo per cui un’infografica che gira parecchio sui social produce quasi zero superficie di citazione.

Passo 3: manda le immagini in HTML, con nomi di file leggibili

Tag <img> con src e alt dentro il markup che restituisce il server. Niente sfondi CSS per le immagini che portano significato: Google dice esplicitamente che le immagini via CSS non entrano in Google Immagini. E rinomina il file prima di caricarlo: dashboard-token-drift.png, non export_finale_2.png. Minuscole, trattini, tre-sei parole.

Passo 4: pubblica la trascrizione in pagina, non solo nel player

I sottotitoli dentro il player di YouTube non stanno sulla tua pagina. Un crawler solo-HTML vede un embed vuoto e tira dritto. Incolla la trascrizione corretta nel corpo dell’articolo, sotto un titolo suo, spezzata in paragrafi brevi con i nomi di chi parla quando le voci sono più di una.

Un intervento da dieci minuti diventa circa 1.500 parole di testo indicizzabile che dicono esattamente quello che dice il video. È anche il guadagno di accessibilità più economico della lista, e dopo l’European Accessibility Act vale già di suo.

Passo 5: aggiungi il markup VideoObject con le proprietà che Google chiede

La documentazione Google sui dati strutturati video richiede name, thumbnailUrl e uploadDate, e raccomanda con forza description, duration in formato ISO 8601 (PT4M35S), contentUrl ed embedUrl.

contentUrl è quella che quasi tutti saltano. Senza un file video scaricabile o un embed riconosciuto, Google può indicizzare la pagina e non indicizzare mai il video che ci sta dentro. Già che ci sei, aggiungi la proprietà transcript: costa un campo e consegna al motore tutto il testo in forma leggibile da macchina.

Passo 6: dai al video dei capitoli, e scrivili come frasi

Google supporta i key moment in due modi. Il markup Clip, dove i momenti li nomini tu, oppure SeekToAction, dove dichiari come funziona il parametro temporale nella URL e lasci scegliere a Google. Quando il video ha una struttura che già conosci, nominali tu.

Poi scrivi titoli di capitolo che reggano fuori contesto. «Perché il pooler perde le connessioni a 400 client» si cita da solo. «Parte 2» no. La regola è la stessa che vale per gli H2 di un articolo: un titolo che il motore possa citare senza il paragrafo sotto.

Come verifichi che abbia funzionato

1. Leggi l’HTML grezzo. Lancia curl -s https://esempio.com/pagina e cerca i tag <img> e il testo della trascrizione. Se lì dentro non ci sono, non li vede nemmeno un crawler solo-HTML.
2. Valida il markup. Passa la URL nel Rich Results Test di Google, poi tieni d’occhio il report Indicizzazione video in Search Console per le pagine che hai marcato.
3. Chiedilo ai motori. Fai a ChatGPT, Claude e Perplexity la domanda a cui la pagina risponde e guarda se la pagina esce. Ripeti dopo trenta giorni, perché gli insiemi di fonti si muovono.

Dove si rompe di solito

• L’infografica regge tutto il ragionamento. Scrivi il ragionamento in prosa e lascia al grafico il ruolo di riepilogo.
• I sottotitoli automatici massacrano il lessico tecnico. La trascrizione automatica è buona sul parlato comune e inaffidabile su nomi di prodotto, nomi di librerie e sigle. Rileggila una volta e correggi a mano.
• Il lazy loading sostituisce src a runtime. Tieni un src vero nel markup servito dal server e lascia che il loader lo migliori dopo.
• Il video sta solo su YouTube. Così la citazione se la prende YouTube. Mettilo in una pagina tua, con la trascrizione accanto, e diventano citabili tutte e due.
• L’alt ripete la didascalia parola per parola. Due stringhe identiche danno al motore un’informazione sola invece di due. Alla didascalia il concetto, all’alt la descrizione.

Da leggere dopo

Il principio del testo che sta sotto ai sei passi è lo stesso che regola i contenuti scritti: come scrivere i primi 200 token perché i motori AI citino l’articolo. Sul lato schema, come aggiungere JSON-LD a un articolo di blog spiega dove vanno i blocchi e come si validano. E se stai ancora decidendo per quale motore lavorare, AI Overviews e AI Mode citano fonti diverse, e questo cambia le priorità.