Nel 2026 c’è un file da 20 righe nella root di alcuni domini che vale più di un anno di link building. Si chiama llms.txt e fa una cosa specifica: dice ai modelli di linguaggio cosa è importante nel tuo sito, come è strutturato e in che ordine leggerlo se devono rispondere a una query che ti riguarda. La maggior parte dei siti italiani non ce l’ha. La maggior parte delle agenzie che fanno SEO non l’ha ancora capito. Chi lo ha implementato bene sta raccogliendo citation da Claude, Perplexity e GPT con un effort di lavoro che corrisponde a una giornata di un consulente. La finestra di vantaggio è aperta adesso e si chiuderà nei prossimi dodici mesi.
Cos’è e da dove arriva
La specifica llms.txt è stata proposta da Jeremy Howard nel 2024 e formalizzata sul sito llmstxt.org. L’idea di base è semplice: i siti web sono strutturati per gli umani che navigano e per i crawler che indicizzano, ma non per i modelli di linguaggio che devono sintetizzare l’identità e i contenuti di un dominio in pochi secondi. Un file Markdown strutturato in root al dominio risolve questo gap: il modello lo legge, capisce subito chi sei e cosa fai, ed è guidato verso le pagine giuste senza dover indovinare.
Il file vive a una URL precisa: dominio.tld/llms.txt. È un file di testo in formato Markdown, leggibile sia da umani che da macchine. Non è XML, non è JSON, non è proprietario. La scelta del Markdown è strategica: tutti i modelli di linguaggio sono addestrati su miliardi di documenti Markdown e lo parsano in modo nativo, senza bisogno di logiche speciali.
Esiste anche una variante chiamata llms-full.txt che contiene l’intero corpo dei contenuti chiave in un singolo file, pensata per essere data in pasto a un modello come contesto. È utile per chi vuole offrire la propria documentazione come ground truth a chi costruisce agenti AI. Per la maggior parte dei siti B2B di marketing, llms.txt da solo è sufficiente. La versione full diventa interessante quando il sito è una knowledge base che vuoi rendere consumabile da terzi.
Differenza con robots.txt
Confondere llms.txt con robots.txt è l’errore più diffuso. I due file hanno scopi opposti e complementari. Robots.txt regola la crawl: dice ai crawler quali pagine possono leggere e quali no. È un sistema di blocco e permesso. Llms.txt orienta la citation: dice ai modelli quali pagine sono prioritarie per capire chi sei e come è organizzato il tuo dominio. Non blocca niente, non limita niente, suggerisce e priorizza.
Una conseguenza pratica importante: robots.txt va usato per nascondere quello che non vuoi che venga indicizzato (sezioni admin, aree clienti, pagine in staging). Llms.txt va usato per dare priorità a quello che vuoi venga capito e citato (pagine identità, servizi principali, contenuti editoriali di riferimento). Le due logiche convivono senza interferire. Un sito serio nel 2026 ha entrambi i file ed entrambi compilati con criterio.
C’è un terzo elemento che entra in gioco: i meta tag specifici per AI bot (GPTBot, ClaudeBot, PerplexityBot, Google-Extended). Vanno gestiti dentro robots.txt e definiscono se quei bot specifici possono crawlare. La logica completa è: robots.txt regola chi entra e dove, llms.txt orienta chi è entrato verso le cose giuste. Per un sito B2B di marketing italiano la postura consigliata è permissiva su tutti gli AI bot legittimi e llms.txt compilato con cura.
Quali LLM lo leggono nel 2026
Anthropic ha confermato pubblicamente che Claude legge llms.txt quando elabora risposte per query che riguardano domini specifici. La documentazione su docs.anthropic.com cita il file come segnale rilevante per la qualità delle citation. Perplexity di fatto lo legge: i log di accesso di siti che lo hanno implementato mostrano richieste regolari al path /llms.txt da user agent associati a Perplexity. OpenAI è in fase di test: alcune query su GPT-5 e ChatGPT search restituiscono risposte che riflettono chiaramente la struttura del llms.txt di siti specifici, ma OpenAI non ha ancora formalizzato il supporto. Gemini di Google è più ambiguo: ufficialmente non lo menziona, ma sembra usare segnali simili attraverso il proprio indice.
Su scala più piccola, lo leggono molti dei nuovi assistenti verticali AI che stanno emergendo nel B2B italiano: assistenti per ricerca clienti, agenti di sales intelligence, sistemi di lead enrichment. Questi tool usano llms.txt come fonte primaria perché è il modo più veloce per capire un’organizzazione senza dover parsare tutto il sito. Per un’agenzia o un’azienda che vuole farsi trovare in questo nuovo livello di discovery, il file diventa critico.
Una nota pratica: un sito B2B italiano che ha implementato llms.txt strutturato in modo serio ha registrato un aumento delle citation Perplexity rilevate manualmente nel giro di sei settimane. Il traffico referral diretto da Perplexity sul Google Analytics è cresciuto in modo coerente nello stesso periodo. Il volume in assoluto resta minore rispetto al traffico Google organico, ma la qualità del lead è alta: chi arriva da un’assistente AI ha già fatto la selezione iniziale e arriva pre-qualificato.
Come si struttura il file
La specifica di llmstxt.org definisce una gerarchia precisa che vale la pena rispettare. Il file inizia con un H1 che dichiara il nome del sito o dell’organizzazione. Subito sotto, un blockquote (riga che inizia con maggiore) che contiene un riassunto sintetico, in genere due-tre frasi, di cosa fa l’organizzazione. Questo blockquote è il punto in cui i modelli pescano per la sintesi rapida: va scritto con la massima cura editoriale, è il tuo elevator pitch leggibile da una macchina.
Dopo il blockquote arrivano sezioni H2 che raggruppano link per categoria. Per un sito B2B di marketing italiano una struttura tipica prevede sezioni come Servizi, Risorse editoriali, Identità, Contatti. Ogni sezione contiene una lista di link in formato Markdown, dove ogni voce ha sintassi precisa: trattino, nome della pagina come link Markdown, due punti, descrizione di una riga del contenuto della pagina. La descrizione di una riga è importante: aiuta il modello a capire cosa trova dietro al link senza dover seguire l’URL.
Un esempio della struttura, presa dal llms.txt di PianetaM stesso disponibile su pianetam.it/llms.txt. Il file dichiara l’identità dell’agenzia in apertura, descrive il posizionamento operativo nelle prime righe, e organizza le sezioni in modo che un modello capisca subito quali pagine sono di servizio, quali editoriali, quali identitarie. La sezione Servizi linka le cinque aree di lavoro principali. La sezione Risorse linka gli articoli del blog. La sezione Identità linka le pagine team e about. Niente fronzoli, ogni descrizione sotto i venti caratteri quando possibile.
Errori comuni da evitare
Il primo errore è scrivere descrizioni vaghe. Una voce come “I nostri servizi” non aiuta il modello. Una voce come “AI automation marketing: workflow Make/n8n + Claude per agenzie e PMI” sì. La densità informativa per riga è quello che fa la differenza tra un llms.txt utile e uno cosmetico.
Il secondo errore è includere troppe pagine. Il file deve contenere le pagine prioritarie per la comprensione del dominio, non tutto il sito. Una lista di trenta link diluisce il segnale. Una lista di dieci-quindici link ben scelti concentra. Il principio: se un modello dovesse leggere solo le pagine elencate nel tuo llms.txt e rispondere a una query rilevante, riuscirebbe a costruire una risposta corretta?
Il terzo errore è non mantenere il file. Le pagine cambiano URL, i servizi si riformulano, nascono nuovi contenuti editoriali. Un llms.txt che linka pagine 404 o servizi non più offerti perde credibilità nei confronti dei modelli, e produce risposte sbagliate quando viene comunque letto. Va aggiornato ogni trimestre, con la stessa disciplina con cui si aggiorna una sitemap.
Il quarto errore è copiare la struttura di un altro sito senza adattarla. Llms.txt funziona quando riflette davvero la priorità informativa del tuo dominio. Copiare la struttura di un sito SaaS americano su un sito di agenzia italiana produce un file che non rappresenta la tua realtà, e i modelli leggono l’incoerenza tra il file e i contenuti reali.
Cosa scrivere nel blockquote di apertura
Il blockquote che segue l’H1 del file è la parte editorialmente più importante. È letteralmente il riassunto in due-tre frasi che i modelli usano per costruire la prima rappresentazione del tuo dominio. Vale la pena scriverlo con la stessa cura con cui si scrive il title tag della home, anzi con più cura, perché è meno verificato dagli strumenti SEO e quindi più trascurato.
La struttura che funziona è descrittivo-operativa. Prima frase: chi sei e cosa fai, con la massima specificità possibile. “Agenzia AI marketing italiana B2B per agenzie e PMI” è meglio di “consulenza marketing”. Seconda frase: il differenziale operativo concreto, in termini di approccio, mercato o stack tecnologico. “Workflow di automation con Make/n8n e Claude, focus su ROI misurabile” è meglio di “soluzioni personalizzate”. Terza frase opzionale: l’ancora geografica o di credenziale che dà legittimità. “Founder con 20 anni di esperienza, docenze universitarie, AIPIA come riferimento istituzionale” funziona quando è vero.
Gli aggettivi inflazionati del marketing classico vanno tenuti fuori dal blockquote. I modelli sono stati addestrati su milioni di siti che usano queste parole come riempitivo, e le pesano negativamente come segnale di sciatteria editoriale. Un blockquote pulito, fattuale, asciutto produce un effetto molto migliore. Verbi concreti, sostantivi specifici, cifre quando disponibili: questa è la grammatica che funziona.
Una verifica pratica utile: dopo aver scritto il blockquote, vai su Claude o GPT e chiedi al modello di descrivere il tuo dominio basandosi solo sul testo del blockquote. Se la sintesi che ti rimanda corrisponde a quello che vuoi che il mercato pensi di te, il blockquote funziona. Se la sintesi è generica o mette in evidenza cose marginali, il blockquote va riscritto. Questo test richiede cinque minuti e individua i problemi prima che impattino sulle citation reali.
La relazione con la sitemap XML
Llms.txt e sitemap.xml hanno funzioni complementari ma logiche di costruzione opposte. La sitemap.xml è esaustiva: contiene tutte le URL indicizzabili del sito, con priorità e frequenza di aggiornamento. Serve a Google per scoprire pagine e capire la frequenza di crawl. Llms.txt è selettivo: contiene solo le pagine prioritarie per la comprensione del dominio, con descrizioni curate. Serve ai modelli per orientarsi velocemente.
Un sito B2B italiano ben curato ha una sitemap.xml con duecento URL e un llms.txt con quindici link. Il rapporto è coerente: la maggior parte delle pagine del sito sono utili da indicizzare ma marginali rispetto all’identità complessiva. Solo una manciata di pagine racconta davvero chi sei e cosa fai. Quelle quindici stanno nel llms.txt, le altre stanno solo in sitemap. Provare a mettere tutte le duecento pagine nel llms.txt produce un file che diluisce il segnale e perde efficacia.
Una buona pratica è dichiarare il llms.txt nel robots.txt come si fa con la sitemap. Una riga del tipo “LLMs: https://dominio.tld/llms.txt” non è ancora standard ufficiale, ma alcuni crawler la stanno iniziando a leggere come hint. Costa zero implementarla, vale la pena anche solo per essere allineati ai prossimi sviluppi della specifica.
Implementare llms.txt nel 2026 è una delle azioni con il miglior rapporto effort-impact disponibili nel marketing digitale italiano. Una giornata di lavoro editoriale per costruirlo, una mezza giornata trimestrale per mantenerlo, e una finestra di vantaggio di dodici-diciotto mesi prima che diventi standard come oggi è la sitemap XML. Chi entra adesso costruisce la propria autorevolezza percepita dai modelli mentre i concorrenti ancora si chiedono se vale la pena. Per chi vuole approfondire le tecniche correlate, valgono la pena le letture su schema.org per il marketing 2026 e su LLMO 2026, come essere citati dai modelli.