Negli ultimi anni, Perplexity AI si è imposto come uno dei motori di ricerca più innovativi e potenti, capace di combinare intelligenza artificiale, analisi semantica e fonti autorevoli per restituire risultati di alta qualità. A differenza dei motori tradizionali, però, il suo funzionamento non si basa unicamente su algoritmi di ranking standard: dietro le quinte esistono meccanismi nascosti, segnali a livello browser e liste manuali di domini privilegiati che influenzano in modo determinante la visibilità dei contenuti.

Comprendere questi fattori non è soltanto una curiosità tecnica: per chi si occupa di SEO, content marketing o creazione di contenuti, non basta più ottimizzare titoli e parole chiave. Serve capire come e perché Perplexity decide di mostrare (o non mostrare) un certo risultato. E chi riesce a interpretare queste logiche può avere un vantaggio enorme, sia nel posizionamento sia nella visibilità a lungo termine.

Il sistema di reranking L3 per le ricerche su entità

Quando si parla di ranking sui motori di ricerca, di solito immaginiamo un’unica classifica, generata dopo che l’algoritmo ha analizzato parole chiave, pertinenza e autorevolezza delle pagine. Con Perplexity AI, però, la storia è decisamente diversa.
Dietro le quinte, esiste un meccanismo aggiuntivo chiamato L3 Reranker: una sorta di “giuria di qualità” che entra in azione dopo il primo ordinamento dei risultati. In pratica, anche se un contenuto è ben posizionato all’inizio, può essere retrocesso o addirittura escluso se non supera questa seconda valutazione.

Il L3 Reranker è alimentato da modelli di machine learning (tra cui un modello XGBoost) e lavora con soglie di qualità precise. Se una pagina non raggiunge il punteggio minimo o se, dopo il filtraggio, i risultati rimanenti sono troppo pochi, l’intera serie di risultati può essere scartata. Il messaggio per chi crea contenuti è chiaro: non basta essere pertinenti, bisogna anche dimostrare qualità e autorevolezza in modo tangibile.

Nella pratica, significa puntare su contenuti che non solo rispondano alla query, ma che dimostrino di essere affidabili, approfonditi e ben strutturati. È un filtro che premia chi riesce a diventare un punto di riferimento su un argomento, e che penalizza chi punta solo alla quantità o al riempire la pagina di keyword.

Parametro	Funzione	Impatto sui contenuti	Esempio pratico
l3_reranker_enabled	Attiva o disattiva il sistema avanzato di reranking (riordinamento) dei risultati.	Se attivato, applica un ulteriore livello di valutazione della qualità oltre al ranking standard, ricalcolando la posizione dei contenuti in base a criteri più sofisticati (ad es. pertinenza semantica, qualità della fonte, affidabilità).	Se cercando “migliori ristoranti a Roma” il ranking standard mette prima un blog vecchio di 5 anni, il reranker potrebbe spostare in alto un articolo più recente e autorevole, anche se nel ranking base era più in basso.
l3_xgb_model	Specifica la versione del modello XGBoost utilizzato per il reranking.	Modelli diversi possono dare priorità a differenti caratteristiche del contenuto (es. lunghezza del testo, freschezza, autorità della fonte) e a diversi segnali di qualità. La scelta del modello influisce direttamente sull’ordine dei risultati proposti.	Un modello ottimizzato per la freschezza dei dati privilegerà notizie recenti; un altro focalizzato sull’affidabilità potrebbe dare più peso a fonti istituzionali anche se meno aggiornate.
l3_reranker_drop_threshold	Imposta la soglia minima di qualità richiesta per mantenere un contenuto nei risultati.	I contenuti con un punteggio di qualità inferiore alla soglia vengono esclusi completamente dall’elenco dei risultati, riducendo rumore e contenuti irrilevanti.	Se la soglia è 0.75 (su 1.0) e un articolo ottiene solo 0.6 perché pieno di errori o poco pertinente, non apparirà affatto nei risultati.
l3_reranker_drop_all_docs_if_count_less_equal	Definisce il numero minimo di risultati validi per mantenere l’intero set di risultati.	Se, dopo l’applicazione dei filtri di qualità, il numero di contenuti rimasti è uguale o inferiore a questo valore, l’intero set viene scartato. Serve a evitare che vengano restituiti risultati troppo pochi o potenzialmente fuorvianti.	Se cerchi “ricetta antica per pane medievale” e, dopo il filtro di qualità, rimangono solo 2 articoli validi, ma la soglia minima è 3, il sistema restituisce “nessun risultato” invece di mostrare quei 2 incompleti o poco affidabili.

I domini autorevoli e la “manual override list”

Uno degli aspetti più sorprendenti del sistema di ranking di Perplexity AI è che non tutto è lasciato all’algoritmo. Esiste infatti una sorta di “lista VIP” di siti web che godono di un vantaggio automatico: la manual override list.

In poche parole, Perplexity mantiene un elenco curato a mano di domini considerati altamente affidabili in specifiche categorie: dall’e-commerce (come Amazon o Etsy) alla formazione online (Coursera, Khan Academy), dai social network alle piattaforme di viaggio. Se un contenuto proviene da uno di questi siti, o lo cita in modo rilevante, parte già con una marcia in più nel posizionamento.Questa scelta rompe un po’ l’idea di un sistema “puro” e completamente automatizzato, ma ha senso se pensiamo all’obiettivo di Perplexity: offrire risposte rapide e provenienti da fonti che ispirano fiducia. Per chi crea contenuti, la lezione è chiara: trovare modi legittimi per interagire, collaborare o collegarsi a queste fonti può tradursi in un incremento reale di visibilità.

Non si tratta di inserire link a caso, ma di creare contenuti in cui queste fonti siano parte integrante del discorso, magari come esempi, approfondimenti o dati di supporto. In questo modo, si comunica non solo la rilevanza dell’argomento, ma anche la sua affidabilità.

Domini autorevoli suddivisi per categorie

E-commerce & Shopping:

• amazon.com, ebay.com, walmart.com, bestbuy.com
• etsy.com, target.com, costco.com, aliexpress.com

Productivity & Professional Tools:

• github.com, notion.so, slack.com, figma.com
• jira.com, asana.com, confluence.com, airtable.com

Communication Platforms:

• whatsapp.com, telegram.org, discord.com
• messenger.com, signal.org, microsoftteams.com

Social & Professional Networks:

• linkedin.com, twitter.com, reddit.com
• facebook.com, instagram.com, pinterest.com

Educational Resources:

• coursera.org, udemy.com, edx.org
• khanacademy.org, skillshare.com

Travel & Booking:

• booking.com, airbnb.com, expedia.com
• kayak.com, skyscanner.net

Developer Docs and Code Hosting:

• github.com, codepen.io, w3schools.com
• css-tricks.com, codecademy.com

In pratica, questa selezione manuale indica che ogni contenuto collegato o che fa riferimento a uno di questi domini riceve automaticamente un bonus di autorevolezza. Anche se non è ben indicato il peso che questo pattern di ranking può avere, il messaggio è piuttosto chiaro: stabilire relazioni con queste piattaforme o creare contenuti che integrino in modo naturale i loro dati può offrire un vantaggio concreto agli occhi dell’algoritmo di Perplexity.

Titoli degli articoli e ricerche di tendenza su Youtube

Tra tutte le scoperte legate a Perplexity AI, questa è probabilmente una delle più curiose e che potenzialmente può portare più visibilità. Analizzando i dati, è emerso che esiste una connessione diretta tra le ricerche di tendenza su Perplexity e la visibilità dei video su YouTube. In particolare, quando un video su YouTube ha un titolo identico a una query di tendenza su Perplexity, sembra ricevere un boost di ranking su entrambe le piattaforme.

Questo apre uno scenario interessante per i creatori di contenuti: monitorare i trend di ricerca di Perplexity e pubblicare in tempi rapidi video con titoli perfettamente allineati a quelle ricerche può aumentare la visibilità in modo significativo. È come cavalcare un’onda: chi entra nel momento giusto viene spinto in alto sia su Perplexity che su YouTube.

Il meccanismo alla base è la validazione incrociata: Perplexity non si limita a verificare la pertinenza di un contenuto internamente, ma guarda anche a piattaforme esterne per confermare se un argomento è davvero caldo e richiesto dagli utenti. E YouTube, con il suo flusso costante di contenuti e visualizzazioni, è una fonte ideale per questo tipo di segnale.

Il sistema di suggerimenti e la mappatura dell’intento utente

Uno dei punti di forza di Perplexity AI è la capacità di anticipare i bisogni dell’utente prima ancora che vengano espressi in una ricerca esplicita. Questo avviene grazie a un sistema di suggerimenti estremamente avanzato, che combina dati di navigazione, cronologia delle ricerche, interazioni passate e persino il contesto del momento per proporre contenuti più pertinenti e utili.

A differenza di un classico autocomplete, qui non si tratta solo di completare una frase: Perplexity cerca di interpretare lo stato d’animo, l’urgenza e la finalità della ricerca. I suggerimenti sono organizzati in tre categorie principali:

• Always Active Suggestions: sono sempre disponibili e coprono le richieste più comuni o quelle che indicano un intento forte e ricorrente. Per esempio, un utente che cerca “migliori laptop 2025” potrebbe ricevere subito consigli aggiornati e confronti tecnici, senza bisogno di ulteriori specifiche.
• Domain-Triggered Suggestions: si attivano quando il sistema rileva una certa familiarità dell’utente con specifici siti o categorie di contenuti. Se un utente visita spesso portali di cucina, ad esempio, potrebbe ricevere suggerimenti su nuove ricette o recensioni di elettrodomestici anche in ricerche solo vagamente correlate.
• Threshold-Based Suggestions : entrano in gioco solo dopo che l’utente ha raggiunto un certo livello di attività o interazione. Questo meccanismo è pensato per non sovraccaricare chi è alle prime ricerche, ma premiare chi dimostra interesse crescente su un tema.

Per chi fa SEO, questa architettura significa opportunità di posizionamento “in anticipo”. Non si tratta solo di puntare alle query dirette, ma di capire quali contenuti possono attivare i suggerimenti e inserirsi nei percorsi di ricerca che l’utente compirà a breve.

Un esempio pratico: se gestisci un sito di viaggi, potresti ottimizzare non solo per la query “vacanze a Bali”, ma anche per argomenti che spesso emergono subito dopo — come “miglior periodo per andare a Bali” o “attività imperdibili a Bali” — aumentando così le probabilità di comparire nei suggerimenti “always active” o “threshold-based”.In sintesi, Perplexity non si limita a premiare la pertinenza immediata: valorizza i contenuti che accompagnano l’utente nel suo percorso informativo e si integrano nei suoi pattern di navigazione.

I fattori di ranking fondamentali di Perplexity

Se vogliamo davvero capire come scalare le classifiche di Perplexity AI, dobbiamo andare oltre i consigli generici e studiare quelli che possiamo definire i punti chiave dell’algoritmo di ranking.
Questi fattori non lavorano in modo isolato: si influenzano a vicenda e spesso uno compensa (o penalizza) l’altro. Conoscerli significa saper costruire contenuti che non solo compaiono nei risultati, ma ci restano più a lungo.

Ecco quali sono i principali.

Il New Post System: il momento decisivo per i nuovi contenuti

Quando pubblichi un nuovo contenuto su Perplexity, entri in una sorta di “zona rossa” temporanea: un periodo molto breve (misurato in minuti, non in ore) in cui l’algoritmo osserva da vicino le tue performance iniziali.
I parametri più importanti in questa fase sono:

• Impression Threshold (new_post_impression_threshold): il numero minimo di volte in cui il contenuto deve essere mostrato per avere una valutazione significativa.
• CTR (Click-Through Rate) (new_post_ctr): il tasso di clic rapportato alle impression.
• Published Time Threshold (new_post_published_time_threshold_minutes): la finestra temporale entro cui questi risultati devono essere raggiunti.

Se il CTR iniziale è alto e il contenuto genera interazioni, Perplexity lo spinge verso più utenti; se invece parte lentamente, la visibilità cala quasi subito.

Topic Multipliers: il moltiplicatore invisibile

Non tutti gli argomenti partono dallo stesso livello. Perplexity applica dei moltiplicatori di visibilità in base alla categoria del contenuto:

• Top Topic Multiplier: per aree ad alto valore come Intelligenza Artificiale, Tecnologia, Scienza, Business e Ricerca.
• Subscribed Topic Multiplier: per argomenti ai quali l’utente ha scelto di iscriversi.
• Default Multiplier: livello standard per contenuti generici.
• Restricted Topics: categorie penalizzate come intrattenimento leggero o sport, che ricevono molta meno visibilità.

Time Decay: la freschezza è un parametro importante

Anche i contenuti che performano bene inizialmente non restano in cima per sempre. Il parametro time_decay_rate fa sì che la loro visibilità cali in maniera esponenziale col passare del tempo.

• Questo sistema spinge costantemente a pubblicare nuovi contenuti o ad aggiornare quelli esistenti.
• Contenuti statici rischiano di scomparire dai feed anche se sono ancora validi.

Semantic Relevance: non solo parole chiave

Perplexity non si limita a contare quante volte una parola compare nel testo. Utilizza modelli di embedding semantico (embedding_similarity_threshold) per misurare la vicinanza concettuale tra la query e il contenuto.

• Viene premiata la ricchezza semantica: sinonimi, concetti correlati, esempi concreti.
• I testi “gonfiati” con keyword ripetute senza logica vengono penalizzati.

User Engagement: le interazioni sono sempre importanti

Perplexity monitora come gli utenti interagiscono con il contenuto sia nel breve che nel lungo termine:

• Engagement a 7 giorni (discover_engagement_7d): clic, tempo di permanenza, interazioni.
• Engagement storico (historic_engagement_v1): prestazioni su periodi più lunghi.
• Click Pattern Analysis (discover_click_7d_batch_embedding): analisi dei comportamenti di clic.

Memory Networks: la forza dei link interni

Il sistema boost_page_with_memory favorisce i contenuti che fanno parte di una rete coerente di articoli collegati tra loro. Questo perché Perplexity riconosce la costruzione di autorità tematica.

• Citare e linkare altri contenuti rilevanti del tuo stesso sito può aumentare le performance.
• La coerenza tematica aiuta a consolidare la reputazione dell’autore o del dominio.

Perché questi fattori sono collegati tra loro?

Uno degli errori più comuni quando si parla di ranking su Perplexity AI è analizzare ogni fattore come se fosse indipendente. In realtà, questi elementi lavorano in sinergia, creando un effetto a catena in cui il successo in un’area può potenziare le altre — e, allo stesso modo, una debolezza può trascinare giù l’intera performance.

Facciamo un esempio concreto:

• Un alto CTR nella fase iniziale (New Post System) non solo spinge il contenuto nei primi risultati, ma aumenta anche la probabilità che venga classificato in una categoria a moltiplicatore elevato (Topic Multipliers).
• Se il contenuto ha anche un’ottima copertura semantica (Semantic Relevance), supererà più facilmente i filtri di qualità e otterrà punteggi alti nei modelli di ranking.
• Un testo ben costruito e utile genera un engagement costante (User Engagement), che a sua volta rallenta gli effetti del Time Decay, mantenendo il contenuto visibile più a lungo.
• Infine, se questo contenuto è collegato ad altri articoli correlati (Memory Networks), beneficia di visite e interazioni aggiuntive provenienti dal traffico interno, rinforzando ulteriormente la sua autorità tematica.

In sostanza, su Perplexity i fattori non funzionano come interruttori separati, ma come ingranaggi di un unico meccanismo. Più riesci a farli lavorare insieme, più il sistema “riconosce” il tuo contenuto come autorevole, pertinente e degno di essere mantenuto in alto nei risultati.

Fattori avanzati e controllo della qualità

Oltre ai fattori avanzati del ranking che abbiamo visto finora, Perplexity AI utilizza una serie di meccanismi avanzati per gestire la distribuzione dei contenuti e garantire che l’utente riceva solo risultati pertinenti, freschi e di qualità.

Questi sistemi non solo determinano chi sale in classifica, ma soprattutto chi viene escluso. Capirli è fondamentale per non vedere i propri contenuti sparire nel silen

Gestione della distribuzione nei feed

Perplexity controlla attentamente quanto e cosa mostra nei feed attraverso parametri come:

• persistent_feed_limit – numero massimo di contenuti che possono rimanere visibili nel feed di un utente.
• feed_retrieval_limit_topic_match – limite di contenuti visualizzabili per ciascun argomento.

Questo significa che, anche se il contenuto è di qualità, può essere penalizzato se la sua categoria è già “piena” di articoli simili.

Filtri anti-duplicazione e contenuti già visti

Per garantire varietà, Perplexity applica filtri come:

• viewed_items_filter_limit – evita di riproporre contenuti già visti dall’utente.
• enable_search_urls_based_dedup – elimina i risultati duplicati nelle ricerche.
• viewed_pages_ttl_secs – stabilisce per quanto tempo un contenuto già visualizzato resta escluso dai suggerimenti.

Penalità basate sui segnali negativi

Il sistema è molto sensibile ai feedback degli utenti:

• dislike_filter_limit – numero massimo di “non mi piace” prima di rimuovere il contenuto.
• enable_dislike_embedding_filter – rimozione di contenuti simili a quelli che hanno ricevuto feedback negativo.
• discover_no_click_7d_batch_embedding – penalizza i contenuti ignorati in modo sistematico nell’arco di una settimana.

Diversità di contenuti e hashtag

Perplexity non vuole feed monotoni e applica regole di diversità:

• diversity_hashtag_similarity_threshold – garantisce che gli hashtag siano vari e non troppo simili tra loro.
• blender_web_link_domain_limit – limita il numero di link provenienti dallo stesso dominio.

L’effetto “blender”

Il sistema Blender impedisce che un solo dominio monopolizzi i risultati:

• blender_web_link_percentage_threshold – limita la percentuale di link esterni rispetto al contenuto totale.
• blender_web_link_domain_sliding_window_size – controlla quante volte un dominio appare in un certo intervallo di tempo.

Infrastruttura tecnica e modelli di ranking

Per capire davvero perché un contenuto sale o scende su Perplexity, bisogna guardare “sotto il cofano”. Qui non parliamo solo di testi e link, ma di pipeline, modelli, feature flag e log che determinano come i risultati vengono recuperati, valutati, rimescolati e (se serve) scartati. Questa sezione ti aiuta a orientarti nella parte più tecnica del sistema, con ricadute pratiche per chi crea e ottimizza contenuti.

La pipeline di ranking: dal recupero al reranking

Il flusso tipico può essere riassunto così:

1. Recupero (retrieval): il sistema pesca i candidati da più sorgenti/indici.
2. Primo scoring: applica punteggi iniziali basati su segnali semantici e di qualità.
3. Reranking avanzato (es. L3 per query su entità): un “filtro qualità” ML che può anche scartare interi set se non superano le soglie.
4. Blending e deduplica: miscela, diversifica e rimuove duplicati.
5. Gating finale: applica regole di feed, penalità e limiti di esposizione.

Parametri chiave che abilitano/controllano i modelli:

• enable_ranking_model: attiva il ranking guidato da modelli ML.
• ranking_model_name: seleziona la versione attiva del modello.
• enable_ranking_by_model_score: dà priorità al punteggio del modello rispetto a regole statiche.

Modelli di previsione e segnali in gioco

Oltre al ranking model principale, possono essere attivati più modelli di previsione:

• prediction_model_names: insieme di modelli usati per stimare CTR atteso, probabilità di click, soddisfazione utente, ecc.
• Segnali tipici: similarità semantica (embedding), freshness/decadimento, engagement storico e recente, autorità del dominio, coerenza con l’intento e segnali negativi (dislike/no-click).

Questi modelli non guardano solo “cosa c’è nella pagina”, ma anche come gli utenti reagiscono a contenuti simili nel tempo.

Logging, telemetria e A/B testing

Perplexity misura tantissimo:

• enable_logging: attiva la raccolta dati di performance.
• items_for_logging_limit: quanti elementi tracciare.
• enable_filtered_item_ids_logging: logga anche ciò che viene filtrato (utile per capire perché un contenuto non passa).

Questi log alimentano test controllati e iterazioni dei modelli (cambio di versioni, pesi, soglie).

Union Retrieval System: fondere più sorgenti

Con enable_union_retrieval il sistema unisce candidati provenienti da più fonti/indici (ricerche web, knowledge base, contenuti “memory”, ecc.). Il vantaggio è copertura; il rischio è rumore e duplicati (gestiti poi dal blending/dedup).

Versioning e feature flag: rilasci senza traumi

La presenza di ranking_model_name e più prediction_model_names suggerisce rilasci graduali e rollback rapidi. In pratica:

• Modello A → canary release su una quota di traffico.
• Se i KPI migliorano, rollout esteso; altrimenti rollback.
• Le feature flag permettono di accendere/spegnere componenti (es. nuovo reranker) senza riscrivere la pipeline.

Quality gates e soglie: superare i “varchi”

Oltre all’L3 già visto, esistono soglie e interruttori che decidono chi passa:

• l3_reranker_drop_threshold: sotto questa soglia si esce dai risultati.
• l3_reranker_drop_all_docs_if_count_less_equal: se i candidati validi sono troppo pochi, si azzera il set.
• Altri gate successivi (blender, penalità, limiti feed) rifiniscono ulteriormente.

Interazione con i sistemi di diversità e deduplica

La fase di blending/dedup non è cosmetica: incide sulla visibilità reale.

• Se molti candidati simili provengono dallo stesso dominio, il sistema limita la loro esposizione.
• Se un tuo contenuto è troppo vicino ad altri (anche tuoi), può essere compresso.

Implicazioni pratiche per chi crea contenuti

• Progetta per i modelli, non solo per l’utente: intento chiaro, copertura semantica ampia, segnali di autorevolezza visibili.
• Ottimizza il “minimo garantito”: qualità che ti fa superare i gate (introduzione utile, struttura pulita, prove/ fonti).
• Fai vivere l’articolo nel tempo: aggiornamenti, collegamenti interni, arricchimenti multimediali.
• Sfrutta l’ecosistema: presidia più formati e canali per alimentare union retrieval e segnali cross-platform.

Il motore di raccomandazione delle query

Uno degli aspetti più potenti – e meno visibili – di Perplexity AI è il suo motore di raccomandazione delle query.
Non si limita a restituire risultati in base a ciò che l’utente digita: analizza in tempo reale pattern di ricerca, correlazioni tra argomenti e trend emergenti, costruendo un sistema di suggerimenti che può dare enorme visibilità a chi riesce a intercettarlo.

Questo sistema è governato da una configurazione complessa, che lavora su più livelli di indicizzazione e ottimizzazione.

H3: Trending Detection: il radar dei contenuti caldi

Quando molte persone iniziano a cercare qualcosa di simile, il sistema attiva un indice speciale dedicato ai trend. Questo indice non è statico: si aggiorna costantemente e decide quali argomenti meritano di essere “spinti” in alto.

• Il parametro trending_news_minimum_should_match stabilisce quante ricerche simili servono per far scattare il trigger del trend.
• Una volta attivato, il sistema aumenta la visibilità di quelle query sia nei suggerimenti sia nei risultati, talvolta persino posizionandole prima dei contenuti più “autorevoli” ma meno attuali.

Deduplication: evitare frammentazione e cannibalizzazione interna

Il sistema non vuole mostrare dieci versioni simili della stessa query. Per questo usa:

• fuzzy_dedup_enabled – attiva il filtro di deduplicazione “fuzzy”, che valuta la similarità semantica.
• fuzzy_dedup_threshold – se due query superano questa soglia di somiglianza, vengono accorpate.

Clustering: il potere di coprire un intero argomento

Con suggested_num_per_cluster, Perplexity crea gruppi di query correlate attorno a un termine principale.
Esempio: una ricerca per “viaggio a Tokyo” potrebbe generare un cluster con:

• “cosa vedere a Tokyo”
• “migliori ristoranti a Tokyo”
• “trasporti pubblici a Tokyo”
• “dove dormire a Tokyo”

Block Words: il filtro invisibile che può cancellarti

Alcune parole o frasi sono bloccate a livello di sistema, sia per trend sia per suggerimenti:

• trending_news_block_words e suggested_block_words impediscono la raccomandazione di query contenenti termini vietati.
  I motivi possono essere diversi: sicurezza, prevenzione spam, contenuti sensibili o bassa qualità associata a quel termine.

Autosuggest: farsi vedere prima che l’utente prema Invio

Quando autosuggest_enabled è attivo, Perplexity propone suggerimenti istantanei mentre l’utente digita.
Entrare qui significa battere la concorrenza prima ancora che la query venga completata:

• L’utente clicca direttamente sul suggerimento invece di scrivere tutta la ricerca.
• Questo aumenta il CTR medio dei contenuti associati.

Due percorsi di ottimizzazione: trend vs. evergreen

La struttura dei parametri mostra che Perplexity distingue nettamente:

• Contenuti trend-driven (trending_news_*) – priorità altissima nel breve termine, ma durata limitata.
• Contenuti evergreen (suggested_*) – crescita lenta ma costante, con possibilità di rimanere nei suggerimenti per mesi o anni.

BLOCKQUOTE CSS – Consiglio strategico: crea una strategia bilanciata:

• 30–40% contenuti reattivi per intercettare picchi di traffico (trend).

60–70% contenuti evergreen che garantiscano visibilità stabile.
In questo modo hai un flusso continuo di nuovi utenti dai trend e un “fondo” di traffico costante dagli evergreen.

Tabella riassuntiva dei fattori di posizionamento su Perplexit

Categoria	Parametri chiave	Impatto sul ranking	Consiglio strategico
Prestazioni dei nuovi contenuti	new_post_impression_threshold, new_post_published_time_threshold_minutes, new_post_ctr	Determina la visibilità iniziale. Se un contenuto non raggiunge il numero minimo di impression e CTR entro la finestra temporale stabilita, la sua visibilità cala drasticamente.	Lancia i nuovi contenuti nei momenti di massima attività del pubblico. Usa titoli accattivanti e promuovi subito il link su più canali (social, newsletter, community) per aumentare impression e CTR nei primi minuti/ore.
Classificazione per argomento (Topic Classification)	subscribed_topic_multiplier, top_topic_multiplier, default_topic_multiplier, restricted_topics	Alcune categorie ricevono un moltiplicatore di visibilità molto alto (AI, tecnologia, scienza, business). Altre (intrattenimento, sport) partono svantaggiate.	Inquadra i tuoi contenuti, quando possibile, in categorie ad alto moltiplicatore. Se parli di un argomento “penalizzato”, cerca un legame rilevante con temi di valore (es. tecnologia nello sport).
Time Decay (Decadimento temporale)	time_decay_rate, item_time_range_hours	La visibilità dei contenuti cala progressivamente nel tempo, anche se inizialmente performano bene.	Aggiorna regolarmente i contenuti per mantenerli “freschi” e pianifica un calendario di pubblicazione che alterni nuove uscite a revisioni di articoli già presenti.
Rilevanza semantica (Semantic Relevance)	embedding_similarity_threshol, dtext_embedding_v1	Funziona come filtro di qualità: se il contenuto non è abbastanza pertinente semanticamente alla query, viene escluso o penalizzato.	Copri l’argomento in modo ampio e approfondito, includendo sinonimi, concetti correlati ed esempi concreti. Evita il keyword stuffing: punta alla naturalezza e alla completezza.
Coinvolgimento utente (User Engagement)	discover_engagement_7d, historic_engagement_v1, discover_click_7d_batch_embedding	Misura clic, tempo di permanenza e ritorni nel breve e lungo periodo. Un engagement alto consolida il ranking.	Mantieni alta l’attenzione con titoli coerenti, testi scorrevoli, esempi pratici e formattazione leggibile. Stimola il lettore a restare sulla pagina e a interagire.
Memory Networks	boost_page_with_memory, memory_limit, related_pages_limit	Premia i contenuti collegati in una rete tematica coerente, rafforzando l’autorevolezza del dominio.	Crea cluster di articoli sullo stesso argomento e collega le pagine tra loro in modo naturale. Usa riferimenti e rimandi a contenuti precedenti.
Distribuzione nei feed (Feed Distribution)	persistent_feed_limit, feed_retrieval_limit_topic_match	Regola quante volte e in che misura un contenuto appare nei feed degli utenti.	Studia il funzionamento del feed e pubblica in momenti di minor saturazione. Diversifica i temi per aumentare la probabilità di apparire.
Segnali negativi (Negative Signals)	dislike_filter_limit, dislike_embedding_filter_threshold, discover_no_click_7d_batch_embedding	Feedback negativi o mancanza di clic possono far scomparire un contenuto dai risultati.	Monitora i contenuti con basso rendimento, aggiorna quelli ignorati e migliora titoli e introduzioni per renderli più rilevanti.
Diversità dei contenuti (Content Diversity)	diversity_hashtag_similarity_threshold, hashtag_match_threshold	Evita che un feed venga saturato con contenuti troppo simili o con hashtag ripetitivi.	Usa una combinazione varia di hashtag e copri più sfaccettature dello stesso tema per raggiungere pubblici diversi.
Limiti di dominio (Domain Limits)	blender_web_link_domain_limit, blender_web_link_percentage_threshold	Impedisce che i contenuti provenienti da un solo dominio dominino i risultati.	Cita fonti multiple e bilancia i link esterni, alternando siti istituzionali, blog di settore e risorse tecniche.
Sistemi tecnici (Technical Systems)	enable_ranking_modelenable_union_retrieval, calculate_matching_scores	Costituiscono l’infrastruttura di base per il recupero, la valutazione e il posizionamento dei contenuti.	Allinea i contenuti ai requisiti tecnici: copertura semantica, fonti affidabili, struttura chiara e ottimizzazione per l’intento di ricerca.

Cosa è bene non dimenticare?

Le scoperte fatte finora cambiano in modo radicale il modo in cui possiamo pensare all’ottimizzazione su Perplexity AI. Non si tratta solo di “fare SEO” nel senso classico, ma di adottare strategie mirate che tengano conto di dinamiche spesso invisibili a chi guarda solo il risultato finale.

Ecco i quattro punti chiave su cui concentrarsi:

• Domain Authority Strategy: creare contenuti che integrino in modo naturale riferimenti o dati provenienti dai domini autorevoli approvati manualmente da Perplexity. Non serve forzare: la chiave è usare queste fonti come supporto reale per dare più valore e credibilità al testo.
• Multimedia Synchronization: mettere in piedi un sistema “pronto all’azione” per produrre rapidamente contenuti YouTube con titoli esatti corrispondenti alle ricerche di tendenza su Perplexity. Più breve è il tempo di reazione, più alta è la possibilità di cavalcare il trend.
• Intent Alignment: strutturare i contenuti affinché rispecchino le categorie di suggerimenti predefinite e gli schemi di intento utente identificati da Perplexity. In pratica, creare testi e risorse che si inseriscano perfettamente nei percorsi di ricerca previsti dall’algoritmo.
• Request-Level Optimization: non fermarsi all’ottimizzazione visibile (titoli, keyword, meta tag), ma considerare anche i requisiti tecnici più profondi legati alle richieste che il browser invia ai sistemi di Perplexity.

Un aspetto cruciale da capire è che, non essendo ancora presente una forma di AGI (intelligenza artificiale generale), queste configurazioni manuali e i modelli preimpostati tendono a restare stabili nel tempo. A differenza di sistemi totalmente algoritmici, che possono cambiare comportamento da un giorno all’altro, queste logiche offrono obiettivi di ottimizzazione affidabili per chi sa come sfruttarli. In altre parole: meno volatilità, più possibilità di pianificare strategie di medio-lungo periodo.

---

La fonte della scoperta dei fattori di ranking per Perplexity è : https://metehan.ai/blog/perplexity-ai-seo-59-ranking-patterns/