Amazon Rufus: dalle parole chiave alla rilevanza per l'AI

Rufus è l'assistente allo shopping di Amazon basato sull'AI. Risponde alle domande d'acquisto direttamente nell'app, confronta i prodotti e chiude con una breve selezione di prodotti consigliati. Nel 2025 l'hanno usato oltre 300 milioni di acquirenti, con interazioni in crescita di oltre il 210% su base annua. Per i brand su Amazon cambia il significato di visibilità: la tua posizione nel ranking non basta più, conta che Rufus raccomandi attivamente il prodotto.

Il tema sta diventando rilevante in fretta. Negli Stati Uniti, a maggio 2026 Amazon ha unito Rufus e Alexa+ in Alexa for Shopping; in Europa l'assistente si chiama ancora Rufus. Allo stesso tempo Amazon sta introducendo un profilo acquirente chiamato «Tell us about you», che mostra prodotti diversi per la stessa ricerca a seconda della persona, e sta rivedendo i titoli prodotto intorno ai 75 caratteri. In questo articolo ti mostriamo come funziona Rufus, cosa cambia per contenuti e visibilità e quali leve hai in mano.

Rufus non risponde a una domanda con una lunga lista di risultati. In media nomina solo circa cinque prodotti. Un brand che non è tra questi, per quegli acquirenti, è di fatto invisibile. Dietro ci sono tre componenti che lavorano insieme. Prima Rufus decide quali prodotti sono abbastanza rilevanti per entrare nella risposta e recupera le informazioni utili dalla scheda prodotto. COSMO, il grafo semantico di Amazon che raccoglie conoscenze quotidiane e di shopping, ne interpreta il significato e lo abbina all'intento della ricerca. Solo dopo A9 ordina i prodotti rimasti in base ai soliti segnali di performance, come la velocità di vendita e il Best Seller Rank. Tecnicamente tutto si basa su un'architettura RAG: l'assistente prende informazioni da schede, recensioni e domande, e un modello linguistico ci costruisce sopra la risposta.

Il cambiamento decisivo sta nell'ordine: la rilevanza viene valutata prima del ranking. Un prodotto deve prima essere abbastanza rilevante da entrare nella risposta; se non supera questo filtro, la sua posizione nel ranking non conta. Per questo Rufus seleziona in modo molto più rigido della ricerca classica. Nel lavoro quotidiano con grandi brand lo vediamo spesso: non tutti i prodotti in prima pagina arrivano nella raccomandazione. Un buon ranking in prima pagina non garantisce una menzione da parte di Rufus.

L'assistente non controlla più se un termine come «crema viso SPF 50» compare nel titolo. Guarda se la scheda risponde a una domanda completa, per esempio «quale crema SPF 50 va bene per la pelle grassa e regge sotto il trucco?». Per chi scrive significa che il contenuto deve offrire qualcosa che valga la pena recuperare, non solo parole chiave che capitano a proposito.

L'indicizzazione semantica di Amazon usa modelli di tipo BERT. Questi colgono la somiglianza di significato tra una ricerca e un prodotto e collegano formulazioni affini anche senza parole in comune. «Illuminazione LED per il soggiorno» e «luce da esterno per il giardino» finiscono vicine, come significati correlati. Funziona però solo se il contenuto è strutturato e leggibile dalle macchine: attributi completi, campi ben separati, nessun testo nascosto in un formato che non si può analizzare. Una scheda valida nei contenuti ma strutturata male viene semplicemente ignorata dall'assistente.

In pratica bisogna orientare titoli e bullet point a scenari d'uso e benefici. Un titolo come «Zaino impermeabile per laptop da 16 pollici, per pendolari e outdoor» comunica un uso concreto, e il numero limitato di caratteri obbliga a scegliere le priorità: per questo una gestione attenta dei 75 caratteri del titolo ripaga subito. La cosa più importante è abbinare ogni caratteristica alla sua funzione: «niacinamide per una pelle più luminosa» è più chiaro per l'assistente di «niacinamide», e «LED per l'efficienza energetica» è più chiaro di «tecnologia LED».

Amazon non rivela il peso esatto dei singoli elementi di una scheda. Esistono però alcuni campi il cui effetto è ben documentato nella pratica e che un brand controlla direttamente. Alcuni, i team vendor li perdono senza accorgersene.

Il primo è la descrizione backend in testo semplice. A9 la indicizza ancora, anche quando per gli acquirenti la copre il contenuto A+. È proprio qui che inizia la perdita silenziosa: i team che smettono di curare questo campo dopo il lancio dell'A+ perdono posizioni senza che nel reporting si accenda alcun segnale. Va mantenuta e aggiornata ogni volta che cambia la strategia di parole chiave.

Per le immagini, la valutazione passa a un sistema di riconoscimento immagini basato sull'AI, che legge gli attributi del prodotto direttamente dall'immagine. In pratica bisogna ottimizzare l'immagine stessa, con soggetti chiari, attributi leggibili e una gerarchia dei benefici che mostri l'argomento principale in pochi secondi. Secondo alcune fonti, Amazon sta sostituendo sempre più spesso gli alt text scritti dai brand con descrizioni generate dall'AI, a quanto pare già in gran parte in Europa, anche se non è confermato. In ogni caso, lavorare sull'immagine resta importante.

Il contenuto A+ è il caso meno chiaro: non si sa se il suo testo alimenti A9, e per il ranking classico sulle parole chiave non sposta quasi nulla. Come leva di conversione, però, l'A+ resta forte: secondo i dati di Amazon, il Basic aumenta la conversione fino all'8% e il Premium fino al 20%. A questo si aggiungono i moduli Q&A, una quarta leva spesso trascurata: funzionano come dati strutturati che l'assistente può leggere. Insieme alla descrizione backend, sono lo spazio in cui un brand tiene ancora in mano una scrittura vicina all'intento, anche dopo il cambiamento sugli alt text. Entrambi vanno tenuti aggiornati e allineati tra loro.

In questo nuovo livello le recensioni non sono un dettaglio. Sono tra i fattori più forti nel decidere se l'assistente raccomanda un prodotto. Una valutazione alta e un buon Best Seller Rank sono la base: da soli non decidono nulla, ma senza di loro un prodotto supera a fatica la preselezione.

La vera differenza sta più in profondità, nella sostanza delle recensioni. L'assistente riassume le recensioni, ne estrae i temi ricorrenti e riporta il sentiment nella sua raccomandazione: le recensioni dettagliate e legate a benefici specifici contano più di tante stelle senza commento. Ne deriva una conseguenza scomoda: quello che il brand promette nei contenuti, quello che afferma nei claim e quello che dicono le recensioni deve essere coerente. Altrimenti l'assistente legge una contraddizione invece di una conferma.

A questo si aggiunge l'autorevolezza fuori da Amazon. L'assistente considera anche segnali esterni: giudizi di esperti, citazioni editoriali, contenuti generati dagli utenti, certificazioni. Questi segnali di autorevolezza esterni, che in fondo rientrano nell'E-E-A-T, si riflettono sulla visibilità su Amazon. Il lavoro fuori da Amazon non è quindi un budget PR a parte, ma un fattore di trovabilità sulla piattaforma stessa.

Amazon sta introducendo un profilo chiamato «Tell us about you». Lì gli acquirenti descrivono con parole loro il proprio stile, gli hobby, la famiglia e le persone per cui comprano. Queste informazioni restano salvate e valgono per Rufus, Alexa e il resto dello shopping su Amazon, non solo per la singola sessione. È testo libero, non menu a tendina.

Per un brand la conseguenza è diretta. La stessa ricerca restituisce prodotti diversi a seconda del profilo salvato. L'assistente deve abbinare l'identità della persona ad attributi prodotto, testi della scheda e segnali dell'ASIN, e farlo su larga scala. Ogni ASIN ha quindi bisogno di una risposta chiara a una sola domanda: a chi è destinato in particolare questo prodotto, e perché l'assistente dovrebbe abbinarlo proprio a questa persona? Una scheda che non dà questa risposta resta difficile da collocare per l'assistente, per quanto sia scritta bene.

Le metriche classiche ruotano intorno a ranking e traffico, cioè a quanto un prodotto è visibile in una pagina di risultati. Nel livello AI questo non vale più. Un prodotto non viene solo posizionato: viene selezionato, riassunto e raccomandato in una risposta generata. Qui visibilità significa semplicemente che l'assistente nomina il tuo prodotto, oppure no.

Per questo sta nascendo una nuova metrica, la quota di raccomandazioni AI, spesso chiamata AI Share of Voice. Misura quanto spesso un brand compare nelle risposte dell'assistente sull'insieme delle ricerche rilevanti. Non è una metrica ufficiale di Amazon, ma un indicatore nato dalla pratica e ancora in via di definizione. Si differenzia strutturalmente dalla visibilità classica: in una lista di risultati la visibilità è una quota graduale, nella risposta di un assistente è quasi binaria. Il brand viene nominato oppure no.

Due osservazioni inquadrano questa misurazione. La leva più forte nel lungo periodo resta la combinazione di Best Seller Rank e conversione. Il lavoro sui contenuti opera dentro questo tetto, non lo sostituisce. E il PPC fa salire soprattutto il ranking A9 classico tramite la velocità di vendita, e meno direttamente la visibilità AI. In pratica, i prodotti forti in organico compaiono nelle raccomandazioni più spesso dei posizionamenti a pagamento. Se vuoi governare questo livello, ti serve una misurazione che mostri se il brand compare nelle risposte, come cambia nel tempo e dove vengono nominati i concorrenti mentre tu manchi. Come tutto questo si collega a una Share of Voice già esistente lo abbiamo spiegato in un altro articolo.

Da qui derivano alcuni passi concreti, per i team che gestiscono comunque Amazon.

• Tieni gli attributi completi e coerenti. Se un attributo manca o è compilato male, il prodotto esce dalla selezione prima ancora che qualcuno legga il bullet point ben scritto.
• Scrivi testi basati su scenari e benefici. Collega titoli, bullet point e descrizione a usi e situazioni concrete, non a un elenco di parole chiave.
• Abbina ogni caratteristica alla sua funzione. Collega in modo esplicito ogni ingrediente e ogni funzionalità al suo beneficio.
• Costruisci un livello di Q&A. Rispondi in modo sistematico alle domande che arrivano dalla tua scheda, dalle recensioni a 3 stelle e dal servizio clienti.
• Mantieni viva la descrizione backend. Continua a curarla anche dopo il lancio dell'A+, altrimenti perdi posizioni senza accorgertene.
• Punta su recensioni approfondite. Lavora per ottenere recensioni sostanziose e legate a benefici specifici, e fai in modo che contenuti, claim e recensioni non si contraddicano.
• Costruisci autorevolezza esterna. Giudizi di esperti, citazioni e certificazioni si riflettono sulla visibilità su Amazon.
• Misura le menzioni AI. Inizia presto a monitorare se il tuo brand compare nelle risposte dell'assistente.

Gran parte di questo lavoro si può fare internamente. Quello che arriva al limite, su tanti marketplace e tante lingue, è il volume: testi strutturati, basati su scenari e benefici, per centinaia di ASIN, e una visione chiara di dove un brand sta perdendo fatturato perché le sue schede non sono ancora pronte per Rufus. Molti brand usano per questo due moduli di Remdash, la nostra piattaforma di crescita per Amazon basata sull'AI. Content AI genera i testi nel tono di voce del brand su molti ASIN, invece di scrivere ogni scheda singolarmente. Customer Signals, un modulo lanciato da poco, mostra per ogni ASIN quanto una scheda è pronta per Rufus e dove un brand sta perdendo visibilità rispetto ai concorrenti in questo momento.

Dietro ci sono quattro dimensioni che definiscono la «Rufus-readiness»: quanto chiaramente il contenuto risponde a casi d'uso e intenzione d'acquisto, quanto sono solidi i segnali di fiducia che arrivano da recensioni e Q&A, quanto velocemente un brand risponde alle domande dei clienti e se le immagini rendono leggibili i benefici principali anche per l'AI di riconoscimento immagini. Un risultato debole anche su una sola di queste dimensioni spesso spiega perché un prodotto altrimenti forte manca dalle risposte. Il punto di partenza resta lo stesso: prima capire dove il brand non è ancora pronto per Rufus, poi sistemare i campi che fanno la differenza. Tutto questo si collega anche al passaggio più ampio verso l'agentic commerce, in cui gli assistenti acquistano per conto degli utenti tramite protocolli di checkout aperti. Lì, essere inclusi nella risposta è tutto ciò che conta.