La ricerca di viaggio sta diventando più conversazionale e gli hotel cercano di entrare nelle risposte generate dai modelli. Ma l’AI discoverability apre una questione più ampia: quali strutture diventano visibili, secondo quali criteri e con quali nuove forme di intermediazione.

“Vado a Firenze nel weekend. Cerco un hotel in centro, indipendente, economico e vicino ai musei”. Per ottenere una prima selezione non è più necessario aprire una serie di siti, confrontare risultati sponsorizzati e applicare filtri. Una richiesta formulata a un assistente AI può restituire in pochi secondi alcune opzioni accompagnate dalle ragioni della scelta.

Non significa che la ricerca tradizionale sia stata sostituita. Indica piuttosto che alle interfacce basate su keyword, link e classifiche se ne sta affiancando un’altra, conversazionale, nella quale l’utente descrive un bisogno e riceve una risposta già sintetizzata.

I dati iniziano a rendere visibile il fenomeno. Secondo l’Hospitality & Travel Report 2025 di Adyen, il 29% dei viaggiatori italiani intervistati dichiarava di avere utilizzato l’AI per scoprire destinazioni, il 77% in più rispetto all’anno precedente. Su un piano più generale, Bain & Company rilevava già nel 2025 che circa il 60% delle ricerche sui motori tradizionali terminava senza un successivo click verso un altro sito e che, tra gli utenti di LLM, il 68% utilizzava questi strumenti per cercare, raccogliere e sintetizzare informazioni.

Il cambiamento riguarda quindi non soltanto dove si cerca, ma il modo in cui l’informazione viene selezionata prima di arrivare all’utente.

Nel turismo questo spostamento apre un nuovo problema di visibilità. L’AI Visibility Index pubblicato da HotelWorld AI per il primo trimestre 2026 indica che soltanto il 16% degli hotel analizzati compare nelle raccomandazioni generate dai sistemi AI monitorati. Il dato non significa che il restante 84% sia universalmente “invisibile” a ogni modello e per qualsiasi richiesta: la presenza dipende dal sistema utilizzato, dalla formulazione del prompt, dalle fonti recuperate e dal contesto. Segnala però una concentrazione significativa della visibilità e l’emergere di un nuovo terreno competitivo.

---

TAKEAWAYS

---

Rendere gli hotel leggibili agli assistenti AI

È su questo problema che lavora dAirect, startup italiana fondata da Antonio Picozzi e selezionata da NVIDIA per il suo Inception Program. In pochi mesi il progetto è cresciuto: il sito dell’azienda indica oggi oltre 200 strutture servite, rispetto al centinaio dichiarato nella prima fase di attività.

Il punto di partenza di Picozzi è una crescente distanza tra le modalità con cui molte strutture ricettive presentano online le proprie informazioni e quelle con cui gli assistenti AI le recuperano e le interpretano.

“L’AI ha creato un layer che si sovrappone a tutto: non si naviga più soltanto di sito in sito, ma ci si può rivolgere direttamente a un assistente. E non solo per cercare dove soggiornare: per organizzare l’intero viaggio, dove mangiare, quale esperienza fare”, spiega.

La differenza rispetto alla ricerca tradizionale è soprattutto nella struttura della domanda. Una keyword può diventare una combinazione di condizioni: date, numero di persone, quartiere, fascia di prezzo, esigenze familiari, servizi, tipo di esperienza.

Questo non rende automaticamente i normali siti web “illeggibili” alle AI. Il problema è più specifico: informazioni distribuite in pagine diverse, contenuti poco strutturati, disponibilità e prezzi che risiedono in sistemi separati, incoerenze tra fonti o dati difficili da recuperare possono ridurre la probabilità che un sistema riesca a interpretarli e utilizzarli in una risposta affidabile.

dAirect prova a misurare questa probabilità. Per ogni struttura vengono eseguite centinaia di interrogazioni riconducibili a differenti intenti di ricerca, osservando quanto frequentemente l’hotel compare nelle risposte. Su questa base viene successivamente svolto un lavoro di ottimizzazione tecnica e semantica.

Non esiste però un equivalente stabile delle vecchie regole SEO. Come riconosce Picozzi, i modelli generativi sono sistemi probabilistici: una stessa interrogazione può produrre risposte differenti e gli algoritmi, le fonti utilizzate e le modalità di retrieval possono cambiare.

La traiettoria immaginata da dAirect va inoltre oltre la semplice discoverability. Una prima fase consiste nel rendere una struttura sufficientemente interpretabile da poter essere menzionata. Una seconda dovrebbe permettere agli assistenti di recuperare informazioni aggiornate come prezzi e disponibilità. La terza è quella transazionale: consentire a un agente AI di completare direttamente una prenotazione.

È qui che il tema della visibilità incontra quello dell’intermediazione.

Disintermediare le OTA, o costruire un nuovo intermediario?

Una delle promesse associate a questa trasformazione è la possibilità di rafforzare la prenotazione diretta, riducendo la dipendenza degli hotel dalle Online Travel Agency.

La questione, però, è meno lineare.

Le OTA partono da una posizione favorevole proprio perché dispongono di grandi quantità di contenuti strutturati: schede normalizzate, prezzi, disponibilità, recensioni, immagini e informazioni aggiornate su moltissime strutture. Sono caratteristiche utili non soltanto per i motori di ricerca tradizionali, ma anche per i sistemi che devono recuperare informazioni da utilizzare nelle risposte generate.

L’arrivo degli assistenti AI potrebbe quindi ridurre alcune forme di intermediazione senza necessariamente ridurre l’intermediazione nel suo complesso. Potrebbero cambiare gli attori, i punti di accesso e le modalità con cui viene distribuita la visibilità.

dAirect stessa occupa una posizione interessante in questa trasformazione: costruisce un livello tecnico tra le strutture ricettive e gli ecosistemi AI per consentire agli hotel di ridurre la dipendenza dagli intermediari tradizionali. La contraddizione è soltanto apparente. Mostra piuttosto che la disintermediazione digitale spesso non elimina gli intermediari, ma ne modifica la funzione.

Il problema della popularity bias

C’è poi una seconda questione, meno evidente ma potenzialmente più importante: come vengono selezionati gli hotel che entrano nelle raccomandazioni.

Luca Pappalardo, ricercatore dell’ISTI-CNR di Pisa, studia da tempo la popularity bias, la tendenza dei sistemi di raccomandazione a privilegiare elementi che dispongono già di maggiore visibilità o di un maggior numero di interazioni.

Il meccanismo può generare un feedback loop. Le strutture più conosciute vengono raccomandate più frequentemente; le raccomandazioni generano nuove interazioni; le nuove interazioni rafforzano ulteriormente la posizione iniziale.

“Anche quando questo effetto non è voluto e l’intento resta semplicemente quello di utilizzare le informazioni disponibili, la similarità con altri utenti o con i luoghi già visitati produce comunque un fenomeno di rich get richer”, osserva Pappalardo.

Con gli assistenti generativi il problema assume caratteristiche diverse rispetto ai recommender system tradizionali. Non tutti gli LLM operano allo stesso modo e alcuni possono integrare localizzazione, cronologia, memoria, dati in tempo reale o sistemi di ricerca esterni. Quando però il contesto disponibile è limitato, la notorietà online, la quantità di informazioni accessibili e la presenza nelle fonti recuperate possono acquistare un peso rilevante.

Il rischio è che un sistema apparentemente capace di ampliare la scelta finisca per restringerla attorno agli stessi soggetti già fortemente rappresentati nell’ecosistema digitale.

Non è un risultato inevitabile. È una dinamica da misurare.

Lo stesso Pappalardo sottolinea che correggere la popularity bias non consiste semplicemente nel raccomandare ciò che è meno conosciuto. Una soluzione di questo tipo potrebbe diminuire la rilevanza delle raccomandazioni per l’utente. La difficoltà consiste quindi nel bilanciare accuratezza, diversità, distribuzione della visibilità e qualità dell’esperienza. Le ricerche su questo equilibrio sono ancora aperte.

Dalla SEO all’AI discoverability

Anche per gli operatori economici cambia il tipo di incertezza.

Con la SEO le regole degli algoritmi di ranking non sono mai state completamente trasparenti, ma nel tempo si è consolidato un insieme di conoscenze: documentazione tecnica, metriche, comunità professionali, strumenti di analisi e pratiche sperimentali.

Nell’AI discoverability questa conoscenza è molto meno stabile.

Un LLM può utilizzare conoscenza incorporata nel modello, motori di ricerca, database, API, strumenti di retrieval e altre fonti esterne. Inoltre, sistemi differenti possono costruire le proprie risposte in modi differenti.

Anche il termine RAG – Retrieval-Augmented Generation – richiede una precisazione. Non indica semplicemente “la tecnologia con cui un LLM cita le fonti”, ma un’architettura nella quale il modello recupera informazioni esterne prima di generare una risposta. La presenza di citazioni è una possibile caratteristica dell’interfaccia, non la definizione stessa del RAG.

Pappalardo richiama inoltre l’attenzione sulla possibile sovrarappresentazione di alcune grandi piattaforme nelle fonti recuperate dai sistemi. La distribuzione effettiva dipende però dal modello, dal motore di ricerca utilizzato, dalla query e dall’architettura del servizio: non esiste oggi una gerarchia delle fonti valida indistintamente per tutti gli assistenti.

Per un hotel significa trovarsi di fronte a una difficoltà nuova: non basta chiedersi quanto investire in visibilità, ma occorre capire in quali forme di visibilità investire e come misurarne gli effetti.

“Essendo il sistema una black box, non esiste ancora una risposta chiara”, osserva Pappalardo.

Chi può permettersi di essere visibile

La questione diventa anche distributiva.

Una grande catena dispone normalmente di siti strutturati, sistemi di prenotazione evoluti, competenze digitali interne e budget per sperimentare nuovi strumenti di ottimizzazione. Un albergo indipendente, un agriturismo o una struttura familiare possono disporre di risorse molto diverse.

Se la visibilità negli ambienti AI richiederà nuovi livelli di strutturazione dei dati, monitoraggio, sperimentazione e integrazione tecnologica, il rischio è che la distanza tra operatori aumenti.

Non perché gli assistenti AI siano progettati necessariamente per privilegiare le grandi strutture, ma perché la leggibilità digitale è essa stessa il risultato di investimenti, competenze e infrastrutture.

È una distinzione importante. Un sistema può essere formalmente neutrale rispetto alla dimensione di un’impresa e produrre comunque effetti distributivi non neutrali se alcuni soggetti sono molto più attrezzati di altri per soddisfarne i criteri.

Quando la visibilità diventa acquistabile

A questa asimmetria se ne aggiunge un’altra: il modello economico degli assistenti.

Nel corso del 2026 OpenAI ha esteso il proprio programma pubblicitario in ChatGPT a diversi mercati, mentre Google consente già la presenza di annunci sopra, sotto e, in alcuni Paesi, all’interno delle AI Overviews.

Questo non significa che le raccomandazioni organiche degli assistenti diventeranno necessariamente un nuovo mercato delle keyword. OpenAI, per esempio, dichiara esplicitamente che gli annunci sono separati dalle risposte generate.

Significa però che la monetizzazione sta entrando anche nelle interfacce conversazionali.

Per il turismo la distinzione diventerà rilevante: quale parte della visibilità sarà determinata dai sistemi di raccomandazione, quale dalla qualità e accessibilità dei dati e quale potrà essere acquistata?

La storia della ricerca online suggerisce di non considerare questo equilibrio come già definito.

Più contesto, meno esplorazione?

Resta infine la prospettiva di chi cerca.

Un assistente AI permette di formulare richieste molto più ricche di una keyword e di restringere rapidamente il campo delle alternative. È precisamente questa capacità a renderlo utile.

Ma la stessa compressione può produrre un effetto collaterale.

Una pagina di risultati espone l’utente a molte possibilità contemporaneamente. Una risposta conversazionale tende invece a costruire una shortlist, qualche volta una singola raccomandazione. Se l’utente accetta quella selezione senza proseguire l’esplorazione, diminuisce lo spazio per incontrare alternative non previste.

Non significa che la serendipità scompaia: un assistente può essere esplicitamente interrogato per trovare luoghi insoliti, poco frequentati o distanti dalle scelte più comuni. Cambia però il luogo in cui avviene la selezione. Una parte dell’esplorazione che prima era compiuta dall’utente viene delegata al sistema.

E questo rende più importante capire secondo quali criteri quella selezione viene costruita.

Più regole, ma ancora pochi dati sugli effetti

Rispetto ai primi mesi di questa trasformazione, nel frattempo il quadro normativo europeo è diventato più operativo.

Il portale europeo previsto dal Digital Services Act per consentire ai ricercatori qualificati di richiedere accesso ai dati delle Very Large Online Platforms e dei Very Large Online Search Engines è stato lanciato nel luglio 2025; il relativo regime di accesso è entrato pienamente in vigore il 29 ottobre dello stesso anno.

Dal 2 agosto 2026 è inoltre iniziata una nuova fase di applicazione dell’AI Act: sono diventati applicabili ed enforceable diversi obblighi, comprese disposizioni relative ai modelli general-purpose e nuove regole di trasparenza per determinati sistemi AI.

Sono strumenti che possono ampliare la capacità di osservare e governare alcuni aspetti dell’ecosistema, ma non rispondono automaticamente alla domanda centrale posta dalla ricerca sulle raccomandazioni.

“Siamo ancora a livello di intuizione”, osserva Pappalardo. “È necessario condurre analisi rigorose per valutare cosa accade in un feedback loop in cui si sostituisce un recommender system tradizionale con un large language model.”

È probabilmente questo il punto più interessante del passaggio in corso.

La competizione per la visibilità online non sta semplicemente migrando da Google a ChatGPT, Gemini, Claude o altri sistemi. Sta cambiando la struttura attraverso cui informazioni, raccomandazioni e transazioni vengono organizzate.

Startup come dAirect stanno cercando di costruire strumenti per consentire agli hotel di operare dentro questa nuova infrastruttura. Allo stesso tempo, ricercatori e istituzioni stanno ancora cercando di comprenderne gli effetti distributivi, i feedback loop e le possibili concentrazioni di potere.

La questione, quindi, non è soltanto come rendere un hotel visibile a un assistente AI.

È capire quali criteri stanno progressivamente definendo quella visibilità, chi è in grado di adattarsi a essi e quali forme di intermediazione prenderanno forma mentre la ricerca diventa sempre più conversazionale.