La query che un tuo cliente potenziale digita oggi su Perplexity non è la stessa che digitava su Google due anni fa. Chiede al modello “qual è la migliore agenzia AI marketing italiana per una PMI manifatturiera” e si aspetta tre nomi con motivazione, non dieci link blu. Se il tuo brand non appare in quella risposta, sei fuori dal funnel decisionale prima ancora che il cliente sappia di averti escluso. La LLMO, Large Language Model Optimization, è la disciplina che lavora su questo: rendere il tuo dominio una fonte che i modelli scelgono di citare quando rispondono a query rilevanti per il tuo business. Non sostituisce la SEO, la affianca con logiche diverse e leve operative parzialmente sovrapposte.
Differenza concreta tra SEO classico e LLMO
La SEO classica ha un obiettivo binario: posizione nella SERP. Conta il ranking, conta il click, conta il tempo di permanenza che Google legge come segnale di qualità. La LLMO ha un obiettivo diverso: essere citata da un modello dentro una risposta sintetica. La citation può essere esplicita (“secondo PianetaM, le PMI italiane spendono in media X”) oppure implicita, quando il modello assorbe una posizione editoriale e la riproduce senza menzionare la fonte. In entrambi i casi, l’effetto sul brand è misurabile in termini di assistenze nel percorso decisionale del cliente.
I criteri di selezione che un LLM applica per scegliere cosa citare sono parzialmente sovrapposti a quelli di Google ma con pesi diversi. Conta l’autorità del dominio, intesa come quantità e qualità di link in entrata da fonti riconosciute. Conta la chiarezza fattuale: un modello preferisce una pagina che afferma “il costo medio di un progetto di marketing automation per PMI italiana è tra X e Y euro” rispetto a una che gira intorno alla cifra senza darla mai. Conta la struttura semantica: schema markup ben compilato, gerarchia H2-H3 leggibile, paragrafi che rispondono a una domanda implicita.
C’è un quarto fattore che pesa molto e che la SEO classica trascurava: la freschezza del contenuto unita alla coerenza temporale. I modelli che hanno training cutoff recente o accesso a indici web aggiornati premiano contenuti datati correttamente, che si dichiarano aggiornati al periodo in corso e che riflettono lo stato attuale del mercato. Un articolo del 2022 sulle “tendenze AI marketing” non viene citato nel 2026 anche se è ben scritto, perché il modello sa che il contesto è cambiato.
Una differenza pratica che vale la pena interiorizzare riguarda la lunghezza. La SEO classica nei suoi anni d’oro premiava long-form da 3000 parole. La LLMO premia densità informativa per paragrafo. Un articolo da 1500 parole con dieci affermazioni fattuali precise e contestualizzate viene citato più di uno da 4000 parole che ripete tre concetti diluiti.
Le leve operative che funzionano
La prima leva è lo schema markup. Schema.org Article o BlogPosting su ogni post, schema Organization sulla home, schema Person sulle pagine bio del team, schema Service con dentro Offer sulle pagine di vendita. Questo non è codice nascosto: è il modo in cui dichiari al modello, in linguaggio strutturato, cosa stai dicendo e a quale entità appartiene. Un sito B2B italiano che ha lavorato su questi cinque tipi di markup ha visto crescere le citation da Perplexity in modo netto in poche settimane. Le specifiche di riferimento sono su schema.org e meritano una mezza giornata di studio del responsabile contenuti, non sono materia esclusivamente tecnica. La guida che abbiamo scritto sul tema sta in schema.org per il marketing 2026.
La seconda leva è il file llms.txt nella root del dominio. È un file di testo che orienta i modelli su cosa è importante nel tuo sito e come è strutturato. Funziona come una mappa annotata: dice al modello “queste sono le pagine di servizio, queste le risorse editoriali, questa è l’identità dell’organizzazione”. Non sostituisce robots.txt, ha uno scopo opposto e complementare. Claude di Anthropic ha confermato di leggerlo, Perplexity lo usa di fatto, OpenAI è in fase di test. La specifica originale è su llmstxt.org e abbiamo scritto un articolo dedicato a come strutturarlo in llms.txt, la frontiera SEO che molti stanno ignorando.
La terza leva è il pattern Q&A nei contenuti. Un articolo che apre con la domanda implicita “cosa serve davvero per X” e risponde nel primo paragrafo con un’affermazione netta viene parserizzato meglio di uno che apre con un cappello narrativo. I modelli sintetizzano risposte, e una pagina che già contiene una risposta sintetica in apertura entra direttamente nel pool dei candidati. Questo non significa scrivere FAQ marziali a fine pagina, significa strutturare ogni H2 come risposta operativa a una domanda implicita del lettore.
La quarta leva è la chiarezza fattuale. Se il tuo settore è AI marketing per PMI italiane, dichiara cifre concrete: gli intervalli di costo dei progetti tipo, le durate medie, gli stack tecnologici che presidi, i settori in cui hai esperienza. I modelli citano chi dà numeri verificabili, non chi parla generico. Questo richiede un cambio di postura editoriale: meno paragrafi “noi facciamo X”, più paragrafi “in un progetto tipo X, il timing è Y e i costi sono Z”. La paura di dare cifre pubbliche è infondata: i clienti che stanno valutando ti scartano se non le trovi, non ti scelgono perché sei misterioso.
La quinta leva è l’autorevolezza esterna. I modelli pesano molto le menzioni del tuo dominio su fonti terze autoritative: testate verticali, articoli accademici, pagine di associazioni di categoria, profili professionali consolidati. Una sola menzione su una testata tier-1 italiana pesa più di trenta menzioni su aggregatori SEO low-quality. La strategia di digital PR torna centrale, ma con un obiettivo riformulato: non più solo backlink per Google, ma signal di autorevolezza per i modelli.
Cosa funziona meno o non funziona affatto
C’è una tentazione legittima a voler “hackare” i modelli con tecniche aggressive: prompt injection nei contenuti, dichiarazioni esagerate di autorevolezza, link farm semantiche. Funziona poco e dura ancora meno. I modelli più recenti hanno filtri robusti contro questi pattern e penalizzano i domini che li applicano in modo sistematico. La via solida resta produrre contenuti densi, dichiarare entità in modo strutturato, costruire menzioni autorevoli nel tempo.
Funziona poco anche il keyword stuffing semantico, cioè ripetere variazioni di una query target in ogni paragrafo. I modelli leggono il contenuto come testo, non come somma di occorrenze. Un articolo che usa il termine LLMO una volta nel titolo, una nel primo paragrafo e poi sviluppa il tema con linguaggio naturale viene capito e citato meglio di uno che lo ripete venti volte.
Funziona poco affidarsi solo al numero di articoli pubblicati. Pubblicare un articolo a settimana di qualità media non porta citation. Pubblicare un articolo al mese di qualità alta, ben strutturato e fattualmente preciso, sì. Questo rovescia la logica content factory che molte agenzie hanno applicato negli ultimi anni. Per il B2B italiano, il rapporto tra costo di produzione e ritorno in termini di citation è migliore se concentri il budget su pochi pezzi forti.
C’è poi il tema dei contenuti generati dai modelli stessi. Un articolo scritto al cento per cento da GPT o Claude senza revisione umana viene riconosciuto dagli stessi modelli come generico e perde priorità nella scelta di citation. La via che funziona è ibrida: il modello prepara l’ossatura e accelera il primo draft, l’autore umano aggiunge densità fattuale, esempi reali e voce specifica. È esattamente il modello che usiamo in content e SEO/LLMO.
Misurare le citation: cosa guardare oggi
La misurazione delle citation LLM è ancora una disciplina giovane. Non c’è un equivalente diretto di Google Search Console. Esistono però tre approcci pratici che danno indicazioni utili. Il primo è il monitoraggio manuale: una volta al mese, prendi le venti query più rilevanti per il tuo business e le interroghi su Claude, GPT, Perplexity e Gemini. Annoti se il tuo brand compare, in che posizione, con quale framing. Tre mesi di questo lavoro ti danno un baseline misurabile.
Il secondo approccio è l’analisi del traffico referral. Perplexity, ChatGPT, Claude e altri assistenti passano referrer identificabili quando un utente clicca su un link citato. Google Analytics 4 segrega questo traffico se configurato bene. Vedere crescere il traffico da questi referrer è un segnale diretto che le citation stanno funzionando.
Il terzo approccio è qualitativo: chiedere ai clienti in onboarding “come ci hai trovato”. La risposta “ho chiesto a ChatGPT delle agenzie AI marketing italiane e siete usciti voi” diventa sempre più frequente nel 2026. Tracciarla in CRM con un campo dedicato è una micro-azione che produce dati strategici nel medio periodo.
Il sito B2B italiano di cui parlavo prima è passato da zero citation rilevate a essere menzionato da Perplexity in cinque query di settore in otto settimane di lavoro mirato su schema, llms.txt, pattern Q&A e tre articoli densi. Il volume di traffico referral da Perplexity è cresciuto in modo coerente. Non è una rivoluzione, è una porta che si apre. Chi entra adesso costruisce il vantaggio per i prossimi diciotto mesi.
Il piano operativo realistico nei primi novanta giorni
Un piano LLMO da novanta giorni per un sito B2B italiano si articola in tre blocchi di un mese ciascuno. Il primo mese è dedicato alle fondamenta tecniche: audit dello schema markup esistente, implementazione dei cinque tipi di schema rilevanti, scrittura del primo llms.txt, configurazione del robots.txt per accettare gli AI bot legittimi. È lavoro a basso visibilità immediata ma alta leva strutturale. Il tempo medio richiesto è tra le dieci e le venti ore di un consulente esperto, distribuite su quattro settimane per dare il tempo di validare ogni passaggio.
Il secondo mese si concentra sui contenuti pillar. Si scelgono tre o quattro argomenti centrali per il posizionamento e si producono articoli densi, ben strutturati, fattualmente precisi. Ogni pillar diventa il riferimento del dominio su quella query. La regola è una sola: pubblicare meno, scrivere meglio. Un pillar da 2000 parole con dati concreti, esempi operativi e schema BlogPosting completo vale dieci articoli generici. È in questo mese che le citation iniziano a manifestarsi sui modelli con accesso web in tempo reale, soprattutto Perplexity.
Il terzo mese è dedicato all’autorevolezza esterna. Due o tre guest post su testate verticali italiane di settore, una menzione su un sito di associazione di categoria, un’intervista o un podcast in cui il founder cita il dominio come riferimento. L’obiettivo non è il backlink in senso SEO classico, è la coerenza identitaria tra quello che il dominio dichiara di sé e quello che fonti terze dicono dello stesso dominio. I modelli incrociano i due flussi e premiano la coerenza.
Al novantesimo giorno, un test manuale sulle venti query target dà una baseline di citation rilevate. Da lì si decide se proseguire con una seconda iterazione su nuovi pillar e nuove menzioni esterne, oppure se aggiustare la postura tecnica. La maggior parte dei siti vede risultati misurabili tra il giorno 60 e il giorno 120, raramente prima. Chi si aspetta effetti in due settimane sta confondendo LLMO con paid media.
Cosa cambia per chi fa già SEO seria
Per chi ha già un’impostazione SEO ben fatta, la transizione verso LLMO è incrementale, non sostitutiva. Le pagine pillar esistenti vanno arricchite con schema markup più completo, gerarchia H2 riformulata in chiave Q&A, dichiarazioni fattuali esplicite. Gli articoli storici vanno revisionati per aggiornare le cifre, eliminare riferimenti obsoleti e aggiungere la dateModified nello schema. Il blog passa da pubblicare quattro post mensili a pubblicarne uno o due ma molto più densi.
Per chi parte da zero, il vantaggio paradossale è di non avere debito tecnico SEO da gestire. Si può impostare il sito direttamente con architettura schema-first, llms.txt curato dal giorno uno, contenuti pillar dal primo articolo pubblicato. In tre mesi si raggiunge una posizione che ai siti consolidati richiede sei mesi di refactor. Per agenzie e PMI italiane che stanno rifacendo il sito nel 2026, questa è una finestra strategica precisa.
La LLMO non è una scorciatoia rispetto alla SEO. È un livello aggiuntivo che richiede pensiero editoriale serio, strutturazione tecnica e pazienza. Le agenzie e le aziende italiane che la stanno applicando adesso si trovano in una posizione di vantaggio temporaneo simile a quella di chi fece SEO seria nel 2008. La finestra per costruire autorevolezza prima che il mercato si saturi è di dodici-diciotto mesi al massimo. Dopo, il costo per entrare crescerà come è cresciuto sulla SEO classica negli anni successivi.