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

<div class="gmail_default" style="">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.</div><div>

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.

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.

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.

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.

Capire come viene percepito un brand online è diventato un lavoro complesso: le conversazioni si distribuiscono su Reddit, Google Maps, piattaforme di recensioni, risultati organici e risposte degli LLM. Raccogliere tutto questo in modo strutturato, senza disperdere le energie tra tool diversi è un problema da affrontare. In questo intervento mostro in diretta come utilizzare Claude, orchestrando più MCP server (come Apify, Reddit, DataForSEO), in modo da raccogliere dati da diverse fonti, analizzarle e produrre un report strutturato per un potenziale cliente partendo da zero. L'obiettivo è mostrare un processo replicabile, adattabile a qualsiasi cliente, che chiunque in sala possa utilizzare nel proprio lavoro quotidiano.

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.

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.