Hai un sito B2B che indicizza bene su Google. Le posizioni medie sono buone, il traffico organico tiene, le conversioni dal canale SEO arrivano. Adesso però i tuoi prospect aprono Claude o Perplexity prima di digitare una query Google, e in quei contesti il tuo brand non viene mai citato. La SEO classica resta utile, ma da sola non basta più. LLMO (Large Language Model Optimization) chiede un set di interventi diverso, che si appoggia sul lavoro SEO esistente senza sostituirlo.
La transizione si gioca su sei leve concrete. Non servono migrazioni epiche né riscritture totali del sito. Serve un piano in dodici settimane che riallinei schema, contenuti e segnali autoriali alle logiche con cui i modelli pescano e citano fonti.
Lo schema.org diventa la prima porta di ingresso
Il primo intervento è chirurgico. I modelli linguistici, quando devono citare una fonte, leggono lo structured data prima del corpo della pagina. Un sito B2B che ha solo Organization e qualche BreadcrumbList parte svantaggiato. Servono almeno tre tipi semantici aggiuntivi.
ProfessionalService (o LegalService, ConsultingService a seconda del settore) descrive l’attività in modo che il modello capisca cosa offri e a chi. Va popolato con areaServed, serviceType, priceRange e audience. Senza questi attributi il modello fatica a capire il match con la query utente.
Person per ogni autore di contenuti pubblicati. Non è opzionale. Quando Claude cita un articolo, l’attribuzione passa quasi sempre dall’autore prima che dal brand. Una Person ben strutturata include jobTitle, worksFor, alumniOf, knowsAbout e collegamenti sameAs ai profili professionali pubblici. Il modello incrocia questi dati con quello che trova su LinkedIn, su pubblicazioni accademiche e su menzioni nei media.
FAQPage embedded nelle pagine pillar. Le FAQ marcate semanticamente sono il formato che i modelli amano di più, perché replicano la struttura domanda-risposta del loro training. Le risposte vanno scritte in 40-80 parole, dirette, senza preamboli. Una FAQ del genere viene letta come blocco autonomo dal modello e citata quasi verbatim.
Article con author collegato a Person e mainEntityOfPage pulito. Lo schema Article senza autore collegato è inutile per LLMO, perché il modello non sa a chi attribuire l’expertise.
Dopo l’aggiornamento schema, il test obbligato è il validator di schema.org e il Google Rich Results test. Se le pagine pillar passano entrambi, la prima leva è sistemata.
llms.txt: il file che molti competitor ancora non hanno
Il file /llms.txt è una specifica nata su llmstxt.org per dare ai crawler dei modelli linguistici una mappa curata del sito. Non sostituisce la sitemap XML, la integra. Mentre la sitemap elenca tutte le URL indicizzabili, llms.txt mette in evidenza i contenuti che vuoi davvero che i modelli leggano e citino.
La struttura è semplice. Un H1 con il nome del sito, un blockquote con la sintesi del posizionamento in due righe, poi sezioni tematiche con link curati. Per un sito B2B una struttura tipica include “Servizi” (link alle pagine pillar di offerta), “Risorse” (guide e articoli evergreen), “Autori” (link ai profili autore con bio), “Casi d’uso” (esempi pubblici).
Ogni link va accompagnato da una riga di descrizione di 12-20 parole. Quella riga è ciò che il modello leggerà come anteprima, e che userà per decidere se aprire la pagina linkata o no. Vale la pena scriverla bene quanto un meta description di alta priorità SEO.
Pochi siti B2B italiani hanno un llms.txt curato nel 2026. La finestra di vantaggio è ancora aperta, anche se si sta restringendo. Approfondimento in llms.txt: la frontiera SEO che molti ignorano.
Pillar e cluster vanno riorganizzati in funzione del modello
Il vecchio impianto pillar/cluster nato per Google funzionava su un principio: una pagina pillar lunga, dieci articoli cluster collegati, link interni a raggera. Per LLMO il principio resta valido ma cambiano due cose pratiche.
La pillar deve coprire il topic in modo completo ma modulare. Sezioni H2 chiare, ognuna autosufficiente, leggibile fuori contesto. I modelli linguistici, quando scansionano una pagina, spezzano il testo in chunk di 400-800 parole. Se ogni H2 della tua pillar è un chunk semanticamente coerente, hai più probabilità che venga estratto e citato. Se invece il discorso è continuo e i concetti si rincorrono per pagina, il chunking taglia in punti scomodi e la citazione perde valore.
I cluster devono integrare FAQ marcate FAQPage. La FAQ a fondo articolo non è decorazione: è il formato preferito dai modelli per generare risposte sintetiche. Tre o quattro FAQ per articolo cluster, scritte con la domanda esatta che un prospect digiterebbe e una risposta concreta sotto.
Il linking interno cambia anch’esso. Oltre ai link contestuali nel corpo, vanno aggiunti “moduli di lettura correlata” alla fine di ogni articolo, con tre link e una riga di descrizione per ognuno. Quei moduli funzionano da sitemap localizzata che il modello legge a fianco del contenuto principale, e aumentano la probabilità che le pagine collegate vengano citate insieme.
Citazioni autoritative inline: la moneta della credibilità
Un articolo che cita fonti autoritative inline pesa di più per i modelli rispetto a uno che non ne cita nessuna. La logica è semplice: i modelli sono addestrati su corpora dove i contenuti autorevoli si linkano tra loro. Un articolo isolato sembra meno affidabile di uno che si inserisce in una rete di citazioni verificabili.
Per un sito B2B italiano le fonti da citare nei contenuti tecnici includono documentazione ufficiale dei prodotti trattati (docs.anthropic.com, platform.openai.com/docs, support.google.com/google-ads), ricerche accademiche italiane o europee quando disponibili, white paper di associazioni di settore come aipia.it, istituzioni come Banca d’Italia o Eurostat per dati di mercato.
Il modo in cui citi conta. Un link nudo passa meno valore di una citazione contestualizzata. Scrivi “secondo la documentazione ufficiale di Anthropic, il modello Claude gestisce contesti fino a X token”, non solo “[fonte]”. Il modello legge il contesto della citazione e capisce che stai dialogando con quella fonte, non solo decorando il testo.
Tre o cinque citazioni autoritative per articolo lungo sono il range giusto. Sopra, l’articolo diventa una rassegna stampa. Sotto, sembra opinione personale non supportata.
Autori personificati: il singolo intervento che sposta di più
Per anni la SEO italiana ha lavorato bene anche con autori-fantasma. Articoli firmati “Redazione” o “Team Marketing” si posizionavano comunque, perché Google premia il dominio prima che la persona. Con LLMO la logica si capovolge. I modelli linguistici, quando attribuiscono una citazione, cercano un autore reale, verificabile, con expertise dichiarata.
Personificare gli autori significa cinque cose concrete. Una pagina autore per ogni firma del sito, con bio di 200-400 parole, foto reale, schema Person completo, link ai profili professionali pubblici (LinkedIn primario, eventuale Scholar, eventuali pubblicazioni). Un bylined autore visibile in ogni articolo, con foto e link alla pagina autore. Una bio breve a fondo articolo con call-to-content sui temi di expertise. Linking dalla pagina autore agli articoli scritti da quella persona. Aggiornamento periodico delle credenziali (certificazioni, talk, pubblicazioni nuove).
L’effetto si vede entro 8-12 settimane. I modelli iniziano a citare gli autori per nome quando vengono interrogati su temi della loro specializzazione. Le menzioni del brand seguono, perché l’autore lavora per quel brand e il modello collega i due nodi.
Per chi parte da zero questo è il singolo intervento con il ratio sforzo/risultato migliore. Approfondimento sullo schema autore in schema.org marketing 2026: cosa serve davvero.
Citation tracking: misurare la nuova KPI
Senza misurazione non sai se l’LLMO funziona. La metrica nuova si chiama citation share: quanto spesso il tuo brand viene citato come fonte dai modelli linguistici, su un set di query rilevanti per il tuo business.
Il tracking si fa manualmente all’inizio, poi diventa semi-automatico. Definisci 30-50 query strategiche, quelle che i tuoi prospect digiterebbero in fase di scoperta. Ogni settimana interroghi Claude, ChatGPT con search attiva, Perplexity e Gemini con quelle query. Annoti se il tuo brand viene citato, in che posizione, con quale frase, con quale link sorgente.
Perplexity Pages è la fonte più ricca di segnale, perché mostra esplicitamente le fonti citate e ti dice quando un tuo contenuto è stato usato come reference. ChatGPT search ha aggiunto attribuzioni più trasparenti nell’ultimo anno e ora è tracciabile in modo simile. Claude e Gemini sono più opachi sulle fonti ma con query specifiche si capisce quando una citazione viene dal tuo sito.
Un foglio di tracking semplice, aggiornato settimanalmente, ti dà il trend su 90 giorni. Quando le sei leve sono attive e ben calibrate, il citation share su query target cresce di 4-8 punti percentuali al trimestre. Sotto questa soglia, qualcosa nel setup non è ancora a posto.
Un caso concreto di transizione in dodici settimane
Uno studio legale di Milano, focalizzato su diritto digitale e protezione dati, aveva una SEO solida ma una presenza zero nei modelli linguistici. Su query come “studio legale GDPR Milano” o “consulenza legale AI Act Italia” la SERP Google li vedeva in top 5, ma Claude e Perplexity non li menzionavano mai.
La transizione è durata dodici settimane. Settimane 1-3: aggiornamento schema completo (LegalService, Person per i tre soci, FAQPage su nove pagine pillar), scrittura llms.txt curato con sezioni Servizi / Risorse / Avvocati / Pubblicazioni. Settimane 4-7: riscrittura di sei articoli pillar in formato modulare con FAQ embedded, aggiunta di citazioni inline a fonti istituzionali (Garante Privacy, EDPB, Commissione Europea), creazione di tre pagine autore approfondite per i tre soci con bio, foto, schema, link a pubblicazioni accademiche e talk pubblici. Settimane 8-10: produzione di quattro nuovi articoli cluster su temi caldi (AI Act, NIS2, Data Act), ognuno firmato da un autore specifico con expertise verificabile. Settimane 11-12: setup citation tracking su 40 query, misurazione baseline e prime ottimizzazioni in funzione dei risultati.
Al termine delle dodici settimane il citation share su query target era passato da zero a circa 18%. Su query molto specifiche legate alla protezione dei dati nell’AI, uno dei soci veniva citato per nome da Claude come riferimento italiano del settore. Le richieste di consulenza arrivate “perché ti ha citato Claude” sono diventate misurabili nel CRM nei tre mesi successivi.
Il punto di partenza onesto
La transizione SEO → LLMO non sostituisce niente, somma. Le posizioni Google continuano a contare, perché molti modelli usano la SERP come segnale e perché una quota di prospect Google la usa ancora come primo touchpoint. Quello che cambia è dove investi le ore nuove di lavoro editoriale: non più solo keyword research e link building, ma schema, autori, citazioni, monitoraggio cross-modello.
Per un sito B2B italiano che ha già fatto il lavoro SEO di base, dodici settimane con un piano serrato sono sufficienti per cambiare la situazione. La differenza tra chi parte adesso e chi aspetta altri sei mesi si misurerà in citation share, e quel gap si chiude lentamente. Se hai bisogno di un piano operativo cucito sul tuo sito, parla con il nostro team da content, SEO & LLMO.