Abstract (Italiano) L'analisi quantitativa dei testi si è tradizionalmente concentrata su metriche lessicali, come la densità lessicale, o su approcci semantici esplorativi. Tuttavia, manca un metodo sistematico per quantificare la "ricchezza concettuale" di un testo in relazione alla sua lunghezza, tenendo conto della complessità intrinseca delle idee espresse. Questo paper introduce la Concettometria, una nuova disciplina scientifica finalizzata alla misurazione della densità, distribuzione e complessità dei concetti all'interno di un testo. Proponiamo un framework teorico e una metodologia computazionale che si basa sull'estrazione di concetti tramite Natural Language Processing (NLP), seguita da una valutazione della loro complessità attraverso un sistema di pesi basato su fattori di profondità semantica ( FdFd ) e astrazione ( FaFa ). Vengono definite e formalizzate diverse metriche chiave: la Densità Concettuale Grezza (DCg), la Densità Concettuale Ponderata (DCp), l'Indice di Ridondanza Concettuale (IRC) e l'Efficienza Informativa (EI). Le potenziali applicazioni spaziano dall'analisi dell'efficienza comunicativa nella letteratura scientifica, allo studio della complessità cognitiva dei testi didattici, fino alla valutazione oggettiva della qualità dei contenuti generati da Intelligenza Artificiale. Questo lavoro pone le basi per un nuovo paradigma nell'analisi quantitativa del linguaggio e dell'informazione. Abstract (English) Quantitative text analysis has traditionally focused on lexical metrics, such as lexical density, or on exploratory semantic approaches. However, a systematic method for quantifying the "conceptual richness" of a text in relation to its length, while accounting for the intrinsic complexity of the expressed ideas, is currently lacking. This paper introduces Conceptometry, a new scientific discipline for the systematic measurement of the density, distribution, and complexity of concepts within a text. We propose a theoretical framework and a computational methodology based on concept extraction via Natural Language Processing (NLP), followed by a complexity assessment through a weighting system based on semantic depth ( FdFd ) and abstraction factors ( FaFa ). Several key metrics are defined and formalized: Raw Conceptual Density (DCg), Weighted Conceptual Density (DCp), the Conceptual Redundancy Index (IRC), and Informational Efficiency (EI). Potential applications range from analyzing communicative efficiency in scientific literature and the cognitive complexity of educational materials, to the objective quality assessment of AI-generated content. This work lays the foundation for a new paradigm in the quantitative analysis of language and information.