llms.txt: il robots.txt dell'era IA
Trent'anni dopo robots.txt, emerge un nuovo file con la stessa logica: llms.txt. A cosa serve, come scriverlo, perché la sua coerenza con robots.txt è decisiva.
Nel 1994, i gestori dei siti hanno iniziato a inserire un file robots.txt alla radice del proprio dominio. Questo file diceva ai crawler web cosa indicizzare, cosa ignorare. Nessuno li ha obbligati. È diventato uno standard universale perché rispondeva a un bisogno reale: dare ai robot le istruzioni necessarie per svolgere correttamente il proprio lavoro.
Trent'anni dopo, emerge un nuovo file secondo la stessa logica: llms.txt.
Il suo ruolo? Dare ai modelli di linguaggio le informazioni essenziali sul vostro sito, strutturate in modo che possano elaborarle efficacemente, senza doverle dedurre da soli.
Cosa fa llms.txt
Il file llms.txt è posizionato alla radice di un dominio, come robots.txt. Contiene una descrizione strutturata del sito — in markdown, leggibile dagli LLM — con le informazioni chiave sull'entità, i suoi prodotti, i suoi valori, le sue fonti affidabili, le sue pagine strategiche.
Concretamente, può includere:
- Cosa fa l'azienda, in una frase precisa
- I prodotti o servizi principali e le loro caratteristiche
- Il pubblico target
- Le pagine più importanti da conoscere
- Gli autori o esperti associati al sito
- I link alle fonti che parlano del sito (stampa, studi, comparazioni)
Il principio: piuttosto che lasciare che un LLM ricostruisca un'immagine incompleta o distorta del vostro brand a partire da frammenti sparsi, gli fornite una base di informazioni strutturata, verificabile, coerente.
Perché conta nel GEO
Gli LLM hanno due modi di conoscere un brand.
Il primo è l'addestramento. Tutto ciò che è stato acquisito prima del cutoff di conoscenza del modello. È lì che vivono i brand noti, i fatti consolidati, le informazioni ripetute in numerose fonti. Per i brand recenti, di nicchia o poco rappresentati online, questo livello è parziale o impreciso.
Il secondo è la ricerca in tempo reale. Quando il modello ha accesso a strumenti di ricerca, va a cercare informazioni aggiornate. E ciò che trova per primo sono le fonti meglio strutturate e più facilmente analizzabili.
llms.txt agisce su entrambi i livelli. Migliora la qualità delle informazioni disponibili per il modello in tempo reale, e struttura queste informazioni in modo da massimizzare la probabilità che il modello le utilizzi nelle sue risposte.
Cosa fa (o non fa) un llms.txt mal redatto
Un llms.txt vuoto o generico è un'occasione mancata. Un llms.txt generato automaticamente senza calibrazione è a volte peggio — può contenere descrizioni vaghe che rafforzano un'immagine imprecisa.
Gli errori frequenti:
Descrizione troppo vaga. "Azienda innovativa nel settore digitale" non dice nulla a un LLM. "Piattaforma GEO che monitora le citazioni di brand in ChatGPT, Gemini e Perplexity e raccomanda azioni di contenuto basate sulle fan-out query" dice molto.
Assenza di entità nominate. Gli LLM funzionano sulle entità — nomi, prodotti, tecnologie, luoghi, persone. Un llms.txt senza entità chiare è poco utilizzabile.
Fonti terze dimenticate. Puntare verso articoli di stampa, comparazioni, studi che citano il vostro brand rafforza la credibilità dell'informazione agli occhi del modello.
Mancato allineamento con il resto dei contenuti del sito. Se llms.txt dice una cosa e le pagine del sito ne dicono un'altra, il modello arbitra in base ai segnali più forti — non necessariamente a vostro favore.
robots.txt contraddittorio. Bloccare i crawler IA in robots.txt pur mantenendo un llms.txt è incoerente. I due file devono essere allineati.
llms.txt e robots.txt: la coerenza come condizione
Il llms.txt non funziona in isolamento. Si articola con robots.txt, con i dati strutturati Schema.org, con la qualità generale dei contenuti del sito.
La coerenza tra robots.txt e llms.txt è un punto spesso trascurato. Alcuni siti bloccano i crawler IA in robots.txt per riflesso di protezione dei dati, senza rendersi conto che questo neutralizza completamente l'effetto del llms.txt. Altri autorizzano il crawl ma hanno un llms.txt che contraddice le pagine prodotto.
Vurto include un modulo di riscrittura e audit dei due file insieme — robots.txt e llms.txt — per assicurarsi che le istruzioni date ai modelli siano coerenti, complete e allineate con la strategia GEO globale. È uno dei punti di partenza di ogni audit GEO serio.
Come redigere un llms.txt efficace
La struttura raccomandata è semplice:
# [Nome dell'azienda]
[Descrizione precisa in 2-3 frasi: cosa fate, per chi, con quale differenza]
## Prodotti / Servizi
- [Prodotto 1]: [descrizione funzionale in una frase]
- [Prodotto 2]: [descrizione funzionale in una frase]
## Pubblico target
[Descrizione del pubblico principale: settore, dimensione, ruolo, problema risolto]
## Pagine chiave
- [URL pagina 1]: [cosa si trova]
- [URL pagina 2]: [cosa si trova]
## Fonti di riferimento
- [Link articolo stampa]
- [Link comparazione]
- [Link studio che cita il brand]
Non è un formato scolpito nella pietra — lo standard evolve rapidamente. Ma la logica di fondo è stabile: informazioni precise, entità nominate, link a fonti terze, coerenza con il resto del sito.
Lo stato del mercato nel 2026
L'adozione di llms.txt sta progredendo. Tra i siti più avanzati in GEO, è diventato un riflesso di base, allo stesso titolo di robots.txt o della sitemap.
Per i brand che non lo hanno ancora, è una delle azioni GEO con il miglior rapporto sforzo/impatto. Poche ore di lavoro, un file ben redatto, una coerenza verificata con robots.txt — e date agli LLM una base di informazioni affidabile sul vostro brand che non avevano prima.
In un mondo in cui i motori generativi costruiscono la loro risposta a partire dai segnali disponibili, controllare questi segnali alla fonte è una forma di igiene digitale elementare.
Vurto verifica e riscrive i file llms.txt e robots.txt per assicurarne la coerenza e massimizzare la leggibilità del vostro sito da parte degli LLM.