Dimostrazione di come usare Python ed AI per automatizzare migrazioni di siti web o correggere errori 404 in massa.

Un anno di script, automazioni e procedure nate "sul campo" per ottimizzare il lavoro di tutti i giorni. Da implementazioni MCP al recupero di informazioni storiche via Wayback Machine, passando per tool di scraping e usi automatici di Screaming Frog.

La CLI non è più solo per nerd: è l’ambiente in cui l’AI passa dalle risposte all’azione, costruendo processi su misura, ripetibili e controllabili.

La SEO del brand vive tra Search Console, contenuti, cataloghi, SERP e conversazioni AI. Quando questi segnali restano separati, analisi, priorità e azioni ripartono da zero. Mostrerò un metodo per trasformarli in una memoria operativa che conserva ciò che emerge dal brand e dal mercato. Vedremo poi come il brand agent di Veliu applica questo modello: apprende nel tempo, orienta le decisioni e rende il sito capace di adattarsi a ogni visitatore, per sostenere visibilità, traffico e conversione.

Negli ultimi dodici mesi gli MCP sono diventati una delle novità più rilevanti nel mondo dell'intelligenza artificiale. Ma quali vantaggi offrono davvero e quando ha senso utilizzarli? In questa sessione analizzeremo l'utilizzo pratico degli MCP applicati a Google Analytics e Google Search Console, mostrando casi d'uso concreti, benefici reali e limiti da conoscere. Come bonus finale vedremo anche come configurare in unico step l'MCP di Google Analytics.

Collegare un crawler e Search Console a un modello è la parte facile. Il problema arriva subito dopo: un export da 50.000 URL non entra in un contesto, e un agente che estrae dati più in fretta non fa niente che uno script non facesse già. In questo intervento parto da una sitemap e arrivo a una diagnosi, usando l'MCP ufficiale di Screaming Frog e un connettore a Google Search Console. Mostro come l'agente decide da solo dove guardare, formula un'ipotesi falsificabile e prova a smentirla — e come si progetta il flusso perché i dati restino sul disco e nel contesto entrino solo le decisioni. Compresi i punti in cui si rompe: limiti di quota, crawl non riproducibili, prompt injection via contenuto crawlato e la domanda scomoda su cosa aggiunge davvero rispetto a un report che il crawler ti dà già con due clic.

Si possono influenzare le risposte generative degli LLM? L'intervento parte da un duplice test concreto: rendere due celebrità, Gianni Morandi e Chiara Ferragni, consulenti SEO di primo piano agli occhi di Google e Bing. Lo stesso test viene poi applicato a un caso reale, monitorato per mesi anche su ChatGPT, Gemini e Claude. Ne emerge come motori di ricerca e LLM decidono chi è "il migliore": dove i sistemi reggono la manipolazione, dove cedono, e perché Google si difende meglio di Bing.

L’intervento sarà basato sul mostrare il funzionamento di un workflow agentico per la creazione e ottimizzazione dei contenuti copy necessari per la creazione di un video YouTube e repurposing su altri social, tutto in un unico run. La pipeline parte dai seguenti input: keyword/topic, tipo di contenuto da produrre (long-form, short-form o entrambi e per quali social), durata target e istruzioni opzionali. Da qui poi, 7step portano fino agli asset pubblicabili, tutto orchestrato da Claude Code con SE Ranking MCP e YouTube Data API come fonti dati.

Anatomia di una pipeline LangGraph in produzione per il content enrichment delle categorie di un retailer enterprise. Un grafo di agenti con model routing su 4 LLM, scelti per costo, latenza e qualità di ogni nodo. Grounding su 3 fonti di verità per azzerare le allucinazioni, human in the loop e valutazione PRE/POST via Search Console. I numeri su 6.000+ URL di decathlon.it, cluster fino a +275% di click organici

Mostrerò il mio progetto di framework agentico che a partire dalla URL fornita dall'utente usa dati di prima e di terza parte per creare un testo efficace e secondo le specifiche corrette. L'intervento sarà incentrato su: - Informazioni tecniche sul framework (motivo della scelta, dinamica tra gli agenti ... ) - Struttura dei sub agenti e compiti specifici per raggiungere l'obbiettivo - Fonti utilizzare e perchè - Prompting efficace per un sistema simili (sia del copy che dei verificatori) - Post production (quando è necessario e dove intervenire) - Limiti del sistema e corretto utilizzo.

L'intervento mostra il lavoro fatto per automatizzare un'analisi integrata SEO - SEA attraverso uno script che salva, integra e confronta i dati dalle piattaform principali (ADS e Search Console) e genera un output che suggerisce ottimizzazioni sia a livello di ottimizzazione pagine che a livello di campagne, annunci e pagine di destinazione.

Un esperimento controllato ha mostrato che informazioni inventate possono essere recepite e ripetute da motori di ricerca generativi e LLM, persino quando le fonti disponibili dovrebbero smentirle. In 15 minuti analizzeremo casi reali, metodo e risultati, mostrando quanto sia possibile condizionare le risposte delle AI e quali rischi ne derivino per persone, brand e informazione online.

Lavorare su un sito con una mole importante di contenuti significa spesso confrontarsi con un archivio costruito nel tempo senza una strategia uniforme: articoli datati, poco ottimizzati, sovrapposizioni e temi difficili da ricondurre a una strategia editoriale e semantica chiara. Durante lo speech mostrerò un esempio di workflow per partire da questa complessità e trasformarla in una base informativa più utile. Attraverso embeddings e intelligenza artificiale, i contenuti vengono analizzati e organizzati in base alle loro relazioni semantiche, facilitando l’individuazione dei principali temi presidiati dal sito. Il clustering rappresenta però solo il primo livello del processo. L’analisi viene successivamente arricchita attraverso l'analisi delle entities, utili per comprendere al meglio il significato dei contenuti, evidenziare lacune semantiche e rendere più esplicite le relazioni tra argomenti, pagine e tipologie di asset per i motori di ricerca. Queste informazioni vengono infine utilizzate per progettare e generare una dotazione di dati strutturati più coerenti per l'intero ecosistema del sito web, evitando markup standardizzati o scollegati dal contenuto reale delle pagine. Un workflow nel quale l’intelligenza artificiale permette di analizzare e gestire grandi quantità di informazioni, senza sostituire il controllo, la validazione e le decisioni dello specialista SEO

Lo speech ha lo scopo di usare un modello surrogato per fare un benchmark tra metriche SEO e scoprire la strategia più adatta per l'ottimizzazione.

Gli LLM leggono una pagina più o meno come la legge uno screen reader: per struttura semantica, non per estetica. Il che significa che l'accessibilità, trattata per anni come tema UX o adempimento legale, è diventata una leva di visibilità tecnica nell'era delle AI answers. In questo intervento vediamo, alla mano e su pagine reali, come markup accessibile e dati strutturati influenzano sia il ranking classico sia la "pertinenza" per i sistemi ibridi motore+LLM. Niente teoria: esempi concreti, errori comuni e un metodo di verifica.

Questo intervento è un "caso studio nel caso studio": non racconterò un framework teorico, ma eseguirò in Live Demo su Google Colab lo script in Python e le API di Gemini (modello Flash) che ho ingegnerizzato per creare la struttura e i contenuti di questo stesso speech. Mostrerò il codice in esecuzione in tempo reale mentre esegue tre task prettamente SEO: 1. Scansione live dei primi risultati della SERP per estrarre i dati dei competitor. 2. Analisi semantica avanzata ed estrazione delle entità per individuare i Content Gap tecnici (cosa i competitor NON stanno dicendo). 3. Generazione dell'architettura dell'informazione (struttura H2/H3) ottimizzata per colmare quei gap. La genesi dello speech è solo il pretesto: l'obiettivo reale è mostrare ai SEO in sala come uscire dalla comfort zone della web app di ChatGPT e iniziare a usare l'AI nativa di Google in modo programmatico e scalabile per la Content Intelligence.

Mentre tutti spostano il lavoro nel terminale, il 40% del web gira ancora su WordPress — ed è lì che i tool SEO servono davvero. In questo intervento costruisco e mostro dal vivo un plugin WordPress che rende una pagina leggibile e citabile dagli LLM: structured data mirato, entità pulite, output pensato per Google AI Overviews, ChatGPT e Perplexity. Parto da un plugin funzionante, lo mostro all'opera su un sito reale, poi ne estendo una feature in diretta con l'AI per dimostrare che il metodo è replicabile da chiunque, senza dipendere da abbonamenti esterni. Chiudo con un caso reale: stesso approccio applicato al popolamento massivo di 50 pagine-procedura via importer JSON generato con AI. Poche slide, tanto codice, un tool che il pubblico può ricostruire il lunedì mattina.

Finestre di contesto sempre più grandi, memory layer basati su file MD, tool chains con decine di chiamate: i workflow AI che usiamo ogni giorno consumano token, e spesso molti di più del necessario. In questo talk vedremo come analizzare dove si concentra davvero il costo in un'automazione LLM, quali leve usare per ridurlo e quando l'ottimizzazione vale davvero la pena. Con esempi concreti e numeri reali.