{"id":179,"date":"2026-05-27T11:07:28","date_gmt":"2026-05-27T09:07:28","guid":{"rendered":"https:\/\/aipublisherwp.com\/blog\/testare-sito-ai-mode-google-search-console-api-gemini-3-5-flash\/"},"modified":"2026-05-27T11:07:28","modified_gmt":"2026-05-27T09:07:28","slug":"testare-sito-ai-mode-google-search-console-api-gemini-3-5-flash","status":"publish","type":"post","link":"https:\/\/aipublisherwp.com\/blog\/testare-sito-ai-mode-google-search-console-api-gemini-3-5-flash\/","title":{"rendered":"Come Testare il Tuo Sito nei Nuovi AI Mode di Google \u2014 Guida Tecnica Step-by-Step su Search Console API, Gemini 3.5 Flash Integration e Monitoraggio della Citabilit\u00e0 in Tempo Reale"},"content":{"rendered":"

Il 19 maggio 2026<\/strong>, Google ha annunciato il pi\u00f9 grande aggiornamento al motore di ricerca degli ultimi 25 anni<\/em>. Il nuovo AI Mode di Search \u00e8 costruito su Gemini 3.5 Flash e accetta testo, immagini, file e video<\/cite>, trasformando radicalmente il modo in cui i risultati di ricerca vengono generati, citati e misurati.<\/p>\n

Per gli sviluppatori, i publisher e gli SEO specialist che gestiscono siti WordPress in produzione, questo cambiamento non \u00e8 solo un aggiornamento algoritmic \u2014 \u00e8 un nuovo layer di visibilit\u00e0 che richiede metodologie di test completamente diverse<\/strong> rispetto al passato. Un sito pu\u00f2 posizionarsi perfettamente in organico e rimanere invisibile in AI Mode. Oppure pu\u00f2 essere citato come fonte primaria in centinaia di risposte AI senza generare un singolo clic misurato in Google Search Console.<\/p>\n

Questo articolo fornisce una roadmap tecnica operativa<\/strong> per testare il tuo sito nei nuovi AI Mode di Google, integrare Gemini 3.5 Flash come strumento di validazione citativa, configurare il monitoraggio in tempo reale tramite l’API di Search Console e interpretare i dati che Google non espone nativamente nel dashboard.<\/p>\n

Perch\u00e9 i Test Tradizionali Non Catturano la Nuova Realt\u00e0 di Google Search<\/h2>\n

Dal lancio pubblico di AI Overviews nel maggio 2024, il comportamento dell’utente in Search \u00e8 mutato in modo irreversibile. Uno studio di Seer Interactive su 25,1 milioni di impressioni ha documentato che quando appare un AI Overview, il CTR organico crolla da 1,76% a 0,61% \u2014 un declino del 61%<\/cite>. Ahrefs ha confermato che AI Overviews riducono il CTR organico di posizione 1 del 58%<\/cite>.<\/p>\n

Il problema centrale: Google Search Console aggrega i dati di AI Overview con i dati organici standard nella visualizzazione predefinita. Quando il tuo contenuto \u00e8 citato all’interno di un AI Overview ma non riceve un clic, quella citazione \u00e8 invisibile in GSC. Potresti essere una fonte primaria nella risposta AI di Google per centinaia di query e non vedrai alcuna evidenza in Search Console<\/cite>.<\/p>\n

Questo blind spot \u00e8 esattamente il motivo per cui le organizzazioni hanno bisogno di test automatizzati e monitoring in parallelo<\/strong> che operano al di l\u00e0 di GSC, utilizzando API dirette e modelli AI come validatori di citabilit\u00e0.<\/p>\n

Passo 1: Configurare la Search Console API per Filtrare i Dati di AI Mode<\/h2>\n

A differenza degli AI Overviews tradizionali, dal giugno 2025 i dati di Google AI Mode sono disponibili in Search Console. Questo filtro mostra impressioni, clic e query specificamente da citazioni di AI Mode \u2014 offrendo la prima vista nativa del traffico di ricerca guidato da AI<\/cite>.<\/p>\n

Step 1.1: Generare le credenziali OAuth 2.0<\/strong><\/p>\n

    \n
  1. Accedi a Google Cloud Console<\/em> con l’account amministratore del sito<\/li>\n
  2. Crea un nuovo progetto denominato “AI-Mode-Monitoring”<\/li>\n
  3. Abilita l’API Google Search Console API<\/code><\/li>\n
  4. Crea credenziali di tipo OAuth 2.0 Desktop Application<\/strong><\/li>\n
  5. Scarica il file credentials.json<\/code> e salvalo in una cartella sicura (non in versione)<\/li>\n<\/ol>\n

    Step 1.2: Creare lo script di estrazione dati con Python<\/strong><\/p>\n

    Questo script estrae impressioni, clic e CTR specifici per AI Mode degli ultimi 28 giorni:<\/p>\n

    #!\/usr\/bin\/env python3\nimport os\nimport json\nfrom datetime import datetime, timedelta\nfrom googleapiclient.discovery import build\nfrom google_auth_oauthlib.flow import InstalledAppFlow\nfrom google.auth.transport.requests import Request\nimport pickle\n\n# Definire l'ambito di Search Console API\nSCOPES = ['https:\/\/www.googleapis.com\/auth\/webmasters.readonly']\n\ndef authenticate_gsc():\n    \"\"\"Autentica con le credenziali OAuth 2.0 di Google Search Console.\"\"\"\n    creds = None\n    if os.path.exists('token.pickle'):\n        with open('token.pickle', 'rb') as token:\n            creds = pickle.load(token)\n    \n    if not creds or not creds.valid:\n        if creds and creds.expired and creds.refresh_token:\n            creds.refresh(Request())\n        else:\n            flow = InstalledAppFlow.from_client_secrets_file(\n                'credentials.json', SCOPES)\n            creds = flow.run_local_server(port=0)\n        with open('token.pickle', 'wb') as token:\n            pickle.dump(creds, token)\n    \n    return creds\n\ndef fetch_ai_mode_data(service, site_url, days=28):\n    \"\"\"Estrae i dati di AI Mode dalla Search Console API.\"\"\"\n    end_date = datetime.now().date()\n    start_date = end_date - timedelta(days=days)\n    \n    request = service.searchanalytics().query(\n        siteUrl=site_url,\n        body={\n            'startDate': start_date.isoformat(),\n            'endDate': end_date.isoformat(),\n            'dimensions': ['query'],\n            'searchType': 'discover',  # Filtra per AI Mode\n            'rowLimit': 10000\n        }\n    )\n    \n    response = request.execute()\n    return response.get('rows', [])\n\ndef export_to_json(data, filename='ai_mode_data.json'):\n    \"\"\"Esporta i dati in JSON per analisi successiva.\"\"\"\n    with open(filename, 'w', encoding='utf-8') as f:\n        json.dump(data, f, indent=2, ensure_ascii=False)\n    print(f\"Dati esportati in {filename}\")\n\nif __name__ == '__main__':\n    creds = authenticate_gsc()\n    service = build('webmasters', 'v3', credentials=creds)\n    \n    # Sostituire con il tuo sito\n    SITE_URL = 'https:\/\/tuosito.it\/'\n    \n    data = fetch_ai_mode_data(service, SITE_URL)\n    \n    print(f\"Righe recuperate: {len(data)}\")\n    for row in data[:5]:\n        print(f\"Query: {row['keys'][0]} | Impressioni: {row['impressions']} | CTR: {row['ctr']:.2%}\")\n    \n    export_to_json(data)\n<\/code><\/pre>\n
    Step 1.3: Automatizzare l’estrazione settimanale con Cron<\/strong><\/p>\n
    Crea un cron job per eseguire lo script ogni luned\u00ec alle 08:00:<\/p>\n
    0 8 * * 1 \/usr\/bin\/python3 \/path\/to\/fetch_ai_mode_data.py >> \/var\/log\/ai_mode_monitor.log 2>&1\n<\/code><\/pre>\n
    Questo garantisce una raccolta coerente<\/strong> di dati di baseline per il confronto mese su mese.<\/p>\n
    Passo 2: Implementare Gemini 3.5 Flash come Validatore di Citabilit\u00e0<\/h2>\n
    Gemini 3.5 Flash \u00e8 il modello che alimenta il nuovo AI Mode di Google Search<\/cite>. Non \u00e8 una scelta casuale: testare il tuo contenuto direttamente con lo stesso modello che Google utilizza fornisce la validazione pi\u00f9 accurata<\/strong> di come il tuo sito sar\u00e0 valutato in AI Mode.<\/p>\n
    Gemini 3.5 Flash offre intelligenza frontier-level ottimizzata per i compiti del mondo reale a una velocit\u00e0 pi\u00f9 elevata e a un costo inferiore. \u00c8 progettato per l’era agentica e excelle nel deployment di sub-agent, nei workflow multi-step e nelle attivit\u00e0 a lungo orizzonte su scala<\/cite>.<\/p>\n
    Step 2.1: Acquisire le credenziali API di Gemini 3.5 Flash<\/strong><\/p>\n
      \n
    1. Accedi a Google AI Studio<\/a><\/li>\n
    2. Genera una chiave API in “API Keys” (nessuna carta di credito necessaria per i test)<\/li>\n
    3. Salva la chiave come variabile d’ambiente: export GEMINI_API_KEY=\"your-key-here\"<\/code><\/li>\n<\/ol>\n
      Step 2.2: Creare uno script per testare la citabilit\u00e0 in blocchi<\/strong><\/p>\n
      Questo script invia estratti del tuo contenuto a Gemini 3.5 Flash e valuta se la risposta citerebbe naturalmente quella fonte:<\/p>\n
      #!\/usr\/bin\/env python3\nimport os\nimport json\nimport requests\nfrom typing import List\n\nGEMINI_API_KEY = os.getenv('GEMINI_API_KEY')\nGEMINI_URL = \"https:\/\/generativelanguage.googleapis.com\/v1beta\/models\/gemini-3.5-flash:generateContent\"\n\ndef assess_citability(content_block: str, topic: str) -> dict:\n    \"\"\"\n    Valuta se Gemini 3.5 Flash citerebbe naturalmente il blocco di contenuto.\n    Restituisce: {'citable': bool, 'reasoning': str, 'confidence': float}\n    \"\"\"\n    \n    system_prompt = f\"\"\"Sei un evaluator di qualit\u00e0 per Google AI Overviews. \nAnalizza questo blocco di contenuto e valuta:\n1. Se \u00e8 self-contained (pu\u00f2 essere compreso in isolamento)\n2. Se contiene fatti verificabili e specifici\n3. Se un AI potrebbe citarlo come fonte primaria in una risposta di sintesi\n\nSull'argomento: {topic}\n\nRispondi in JSON: {{'citable': true\/false, 'reasoning': 'spiegazione breve', 'confidence': 0.0-1.0}}\n\"\"\"\n    \n    payload = {\n        'contents': [{\n            'parts': [{\n                'text': f\"{system_prompt}nnContenuto da valutare:n{content_block}\"\n            }]\n        }],\n        'generationConfig': {\n            'temperature': 0.3,\n            'maxOutputTokens': 200\n        }\n    }\n    \n    response = requests.post(\n        f\"{GEMINI_URL}?key={GEMINI_API_KEY}\",\n        json=payload\n    )\n    \n    if response.status_code != 200:\n        return {'error': response.json()}\n    \n    try:\n        result_text = response.json()['candidates'][0]['content']['parts'][0]['text']\n        # Parsing JSON dalla risposta\n        import re\n        json_match = re.search(r'{.*}', result_text, re.DOTALL)\n        if json_match:\n            return json.loads(json_match.group())\n    except Exception as e:\n        return {'error': str(e)}\n\ndef evaluate_page_citability(url: str, extracted_sections: List[dict]):\n    \"\"\"\n    Valuta ogni sezione di una pagina estratta per citabilit\u00e0.\n    sections = [{'text': '...', 'heading': 'H2 Title', 'word_count': 150}, ...]\n    \"\"\"\n    \n    results = []\n    for section in extracted_sections:\n        assessment = assess_citability(\n            content_block=section['text'],\n            topic=section['heading']\n        )\n        results.append({\n            'heading': section['heading'],\n            'word_count': section['word_count'],\n            'assessment': assessment\n        })\n        print(f\"[{section['heading']}] Citabile: {assessment.get('citable')} (Confidence: {assessment.get('confidence', 'N\/A')})\")\n    \n    return results\n\n# Esempio di utilizzo\nif __name__ == '__main__':\n    test_sections = [\n        {\n            'heading': 'Come Ottimizzare per AI Overviews',\n            'text': 'Per apparire negli AI Overviews, il contenuto deve essere self-contained e facilmente riassumibile. \u00c8 importante strutturare le informazioni in blocchi di 50-70 parole che rispondano direttamente alla domanda. Quando Google estrae il contenuto, cerca risposte che non richiedono interpretazione aggiuntiva.',\n            'word_count': 67\n        },\n        {\n            'heading': 'Benchmarking Competitivo',\n            'text': 'La tua compagnia ha 15 anni di dati storici sui prezzi dei servizi cloud.',\n            'word_count': 15  # Troppo breve\n        }\n    ]\n    \n    results = evaluate_page_citability(\n        url='https:\/\/tuosito.it\/articolo',\n        extracted_sections=test_sections\n    )\n    \n    # Salva i risultati\n    with open('citability_assessment.json', 'w', encoding='utf-8') as f:\n        json.dump(results, f, indent=2, ensure_ascii=False)\n<\/code><\/pre>\n
      Interpretare i risultati:<\/strong><\/p>\n