Ha pubblicato 2.180 pagine generate da agenti AI, ma il traffico era in gran parte suo
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Il gestore di un sito informativo coreano ha scoperto che controlli personali hanno gonfiato i referral da YouTube, riducendo quasi della metà le visite reali in un giorno.
Il 20 ottobre 2026, alle 17:35 KST, un sito coreano segna 161 visitatori. La sitemap elenca circa 2.180 URL. Molte pagine nascono da agenti AI. La giornata sembra chiudere a 207 visite, finché l’autore nota che i “referral YouTube” sono in gran parte clic suoi. Dopo la pulizia, le visite scendono a 871.
Su dev.to, l’autore, sungprofile, spiega il motivo: dopo ogni YouTube Short apriva il link in descrizione per verificarlo. Ha ripetuto il controllo nei giorni successivi. Quei clic finiscono in un bucket “YouTube referral” che sembra pulito. Arrivano a pesare il 59% della giornata. In realtà sono verifiche interne1.
Come ha isolato il falso segnale. Ha incrociato quattro indizi con i propri momenti di pubblicazione, poi ha filtrato i clic personali e ha rivalutato le fonti reali del traffico1:
- 100% desktop, zero mobile
- concentrazione geografica in una sola città
- distribuzione quasi uniforme delle pagine di atterraggio, numeri come 4, 4, 4, 3, 3
- orari allineati agli upload su YouTube
Il quadro che resta, più piccolo ma più pulito, mostra canali irregolari e concreti. Community di sviluppatori, con arrivi a gruppi e letture più profonde. Visite dirette. Un blog su Naver. Qualche risposta in sezioni di domande e risposte. Nessuno domina. Ognuno però lascia un’impronta riconoscibile, distinta dal rumore dei controlli personali1.
La novità per l’autore non è un numero. È il meccanismo che lo aveva tratto in errore. Un’etichetta aggregata, “YouTube referral”, può sembrare legittima e mascherare l’origine reale. Soprattutto quando i propri test ne gonfiano il peso. Un 59% apparente può scendere a poco quando si eliminano i clic interni1.
Il metodo che regge, qui, non sta nei bucket ma nei comportamenti che si ripetono nel tempo. Provenienze chiare. Picchi che seguono eventi esterni, non le proprie azioni. Profondità di sessione coerente con la fonte. L’autore dice di aver ritrovato segnali leggibili solo dopo aver tolto i propri passaggi dai log1.
La lezione è concreta. Produrre pagine costa poco, portare lettori no. L’automazione può riempire una sitemap in fretta. Non crea pubblico. Nei dati, contano i pattern stabili più dei totali di giornata. E contano, prima, le esclusioni: senza togliere i propri clic, ogni canale può sembrare migliore di quanto sia1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,4/10 dopo 2 revisioni.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.