Da qualche mese, chiunque si occupi di visibilità sui motori generativi si è imbattuto in un file di poche righe piazzato nella root del sito: /llms.txt. La promessa è seducente, un indice in Markdown che spiega agli agenti AI chi sei e quali pagine contano, e l’implementazione richiede dieci minuti. Il problema è che intorno a questo file llms.txt si è formata una nube di aspettative che i dati del 2026 non confermano. Questo articolo spiega cos’è davvero, come si scrive uno corretto per un’azienda, in cosa differisce da robots.txt e sitemap.xml, e, soprattutto, cosa dicono i numeri sull’adozione reale.
In questo articolo scoprirai:
- Che cos'è il file llms.txt e da dove nasce
- Come si scrive un file llms txt corretto: sintassi ed esempio
- llms.txt, robots.txt e sitemap.xml: tre file, tre lavori diversi
- llms.txt e llms-full.txt: quando serve la versione estesa
- Chi usa davvero il file llms.txt nel 2026: i numeri contro le promesse
- Il rischio di sicurezza del file llms.txt: contenuto invisibile all'utente
- Il paradosso Google: Search dice di no, Chrome lo verifica
- Come integrare llms.txt in una strategia AEO/GEO
Che cos’è il file llms.txt e da dove nasce
La proposta è di Jeremy Howard e risale al 3 settembre 2024. L’idea di partenza è pragmatica: una pagina HTML moderna è piena di navigazione, script, banner e componenti che un modello linguistico deve scartare prima di arrivare al contenuto. Quando un agente ha una finestra di contesto limitata, quel rumore costa. Il file llms.txt propone una scorciatoia: un documento Markdown nella root del dominio che riassume in poche righe cosa fa l’organizzazione e linka le risorse principali, già pulite.
llms.txt è una proposta aperta, non uno standard ratificato
La specifica ufficiale su llmstxt.org è deliberatamente minimale e va letta per quello che è: una proposta aperta, non uno standard ratificato. Non esiste un RFC IETF, non c’è un consorzio che la governi, e il progetto stesso si definisce «an informal overview» raccogliendo contributi via GitHub e Discord. Questa è la prima cosa da tenere a mente prima di inserirla in un piano di lavoro aziendale.
Il secondo elemento di contesto è che llms.txt nasce nel mondo della documentazione tecnica, non del marketing. I primi adottanti sono stati progetti open source e piattaforme di docs, dove un indice di pagine Markdown è un artefatto che esisteva già. Traslarlo su un sito aziendale richiede un lavoro di selezione che nessun generatore automatico può fare al posto tuo, ed è esattamente il punto dove la maggior parte delle implementazioni fallisce. Se vuoi il contesto più ampio su come funzionano i modelli che dovrebbero leggerlo, la nostra guida agli LLM (Large Language Models) spiega perché la finestra di contesto è una risorsa scarsa.
Come si scrive un file llms txt corretto: sintassi ed esempio
La specifica impone una struttura sorprendentemente rigida per un documento così breve, e Lighthouse, come vedremo, la verifica. L’ordine degli elementi non è negoziabile.
La sintassi minima di un file llms.txt
Gli elementi previsti, nell’ordine: un H1 con il nome del progetto, l’unico elemento obbligatorio; un blockquote con un sommario breve; sezioni Markdown libere per il contesto; e infine sezioni H2 che contengono liste di link. Ogni link segue il formato [nome](url), opzionalmente seguito da due punti e una nota descrittiva. Il file va servito su https://tuodominio.it/llms.txt, in root. Un esempio reale in produzione lo pubblica Anthropic su platform.claude.com/docs/llms.txt: H1, descrizione, e sezioni tematiche con link diretti alle versioni .md delle pagine.
Esempio completo per un’azienda B2B
Quasi tutti gli esempi in circolazione riguardano documentazione software. Ecco invece come si struttura per un’azienda di servizi:
# Rossi Automazioni
> Azienda italiana specializzata in automazione industriale per il settore packaging. Progettiamo, installiamo e manuteniamo linee automatizzate per PMI manifatturiere del Nord Italia.
Fondata nel 1998, sede a Brescia. Operiamo su tre linee: progettazione impianti, retrofit di macchinari esistenti, manutenzione predittiva.
## Servizi
- [Progettazione impianti](https://esempio.it/servizi/progettazione.md): analisi di fattibilità e sviluppo di linee su misura
- [Retrofit macchinari](https://esempio.it/servizi/retrofit.md): ammodernamento di impianti esistenti con sensoristica IoT
- [Manutenzione predittiva](https://esempio.it/servizi/manutenzione.md): contratti di assistenza con monitoraggio continuo
## Settori serviti
- [Packaging alimentare](https://esempio.it/settori/food.md)
- [Farmaceutico](https://esempio.it/settori/pharma.md)
## Contatti
- [Richiesta preventivo](https://esempio.it/contatti.md)
- [Sedi e recapiti](https://esempio.it/sedi.md)
## Optional
- [Case study 2025](https://esempio.it/case-study.md)
Tre accorgimenti che fanno la differenza. Primo: il blockquote è la parte che un agente legge per prima e spesso l’unica che riutilizza, scrivilo come scriveresti una risposta, non come uno slogan. Secondo: i link devono puntare a risorse effettivamente raggiungibili, preferibilmente in Markdown. Terzo: la sezione ## Optional ha un significato semantico preciso nella specifica, segnala contenuti che un agente può saltare se ha poco contesto disponibile.
llms.txt, robots.txt e sitemap.xml: tre file, tre lavori diversi
La confusione più diffusa è trattare llms.txt come «il robots.txt delle AI». È sbagliato e porta a decisioni pericolose.
| File | Funzione | Chi lo rispetta | Ha valore normativo? |
|---|---|---|---|
robots.txt | Consente o vieta l’accesso dei crawler a percorsi del sito | Crawler dei motori e bot AI dichiarati (GPTBot, ClaudeBot, PerplexityBot) | Sì, è lo strumento di controllo accessi de facto |
sitemap.xml | Elenca tutti gli URL indicizzabili con metadati di aggiornamento | Motori di ricerca, per la scoperta e il crawl budget | Sì, supportato ufficialmente |
llms.txt | Riassume in linguaggio naturale cosa fa il sito e quali risorse contano | Nessuna piattaforma AI lo dichiara obbligatorio o vincolante | No, proposta community |
La differenza cruciale: llms.txt non blocca nulla e non concede nulla. È curatoriale, non normativo. Se vuoi impedire a un modello di addestrarsi sui tuoi contenuti, l’unico strumento è robots.txt con i corretti user-agent, eventualmente accompagnato da regole a livello di CDN. Chi implementa llms.txt credendo di aver messo un cancello ha semplicemente pubblicato un indice più leggibile. Sul lato opposto, cosa serve davvero per essere citati, resta valida la nostra guida tecnica alla SEO per LLM.
llms.txt e llms-full.txt: quando serve la versione estesa
La variante llms-full.txt non è nella specifica originale, ma è emersa come convenzione parallela. La distinzione è di natura, non di grado: llms.txt è un indice, llms-full.txt è un archivio. Secondo la documentazione di AIOSEO, il primo raccoglie i contenuti più recenti con un numero configurabile di URL per tipo di post, il secondo il contenuto integrale di tutti i post pubblici.
Il limite pratico è ovvio: su un sito con qualche centinaio di pagine, llms-full.txt diventa un file da megabyte che nessun agente caricherà mai interamente in contesto. La regola operativa che suggeriamo: llms-full.txt ha senso solo per documentazione tecnica compatta e stabile. Per un sito aziendale con blog, produce un artefatto pesante che nessuno legge e che duplica contenuto già indicizzato.
Chi usa davvero il file llms.txt nel 2026: i numeri contro le promesse
Qui si separa questo articolo da quasi tutto ciò che trovate in italiano sul tema, fermo al 2025 e scritto in chiave promozionale.
Il 97% dei file llms.txt non riceve richieste
Ahrefs ha analizzato 137.000 domini: il 28% pubblica un file llms.txt, con un caveat che Ahrefs stessa mette in chiaro, ovvero che il campione è la sua base clienti, mediamente più tecnica del web, quindi l’adozione reale è verosimilmente più bassa. Il dato interessante è però l’altro. Sui circa 38.000 domini con un file valido, il 97% ha ricevuto zero richieste per quel file nel maggio 2026. Non «poche richieste»: zero. Solo circa 1.100 domini hanno visto traffico su quel file, e il 96% delle richieste arriva da bot non-AI, i tool SEO in testa. Chi legge llms.txt, insomma, sono per lo più i crawler di chi lo consiglia. John Mueller di Google è stato ancora più diretto, osservando che nessun servizio AI ha dichiarato di usare llms.txt e che «dai log del server si vede che non lo controllano nemmeno», e paragonandolo al meta tag keywords. Sul fronte italiano, la stessa lettura critica la porta avanti Giovanni Sacheli di EVE Milano, tra le poche voci in lingua a mettere i numeri prima dell’entusiasmo.
Pubblicare un llms.txt non significa leggerlo
Va corretta anche una convinzione diffusa: che OpenAI, Anthropic e Perplexity «supportino» lo standard. L’evidenza pubblica dice altro. Come documenta l’analisi di PPC Land sull’adozione, nessun grande provider si è impegnato a fare il parsing del file. Pubblicare un llms.txt e leggerlo sono due cose diverse: Anthropic pubblica il proprio sulla documentazione ufficiale, ma questo non equivale a dichiarare che ClaudeBot lo consumi sui siti altrui.
Il rischio di sicurezza del file llms.txt: contenuto invisibile all’utente
Search Engine Journal solleva un punto tecnico serio: llms.txt crea un canale di contenuto destinato solo alle macchine, non verificabile dall’utente. È la premessa strutturale del cloaking, e apre la porta a manipolazioni, la letteratura sull’«Adversarial SEO» per LLM ha mostrato attacchi di manipolazione delle preferenze capaci di far promuovere un contenuto fino a 2,5 volte più spesso. Un tema che tocca la prompt injection e i rischi per le aziende che usano l’AI: se il file diventasse davvero un input fidato, diventerebbe anche una superficie d’attacco.
La mitigazione è banale ma va scritta nella procedura: il contenuto di llms.txt deve dire esattamente ciò che dicono le pagine visibili, senza claim aggiuntivi, istruzioni rivolte al modello o promesse commerciali che sul sito non compaiono. Trattatelo come un documento pubblico soggetto a revisione, non come un canale privilegiato verso l’AI. Nel momento in cui contiene qualcosa che non mostrereste a un cliente, è già un problema di compliance prima ancora che di SEO.
Il paradosso Google: Search dice di no, Chrome lo verifica
La situazione più confusa del 2026 arriva da Google, che sul tema parla con due voci.
Cosa dice Search Central sul file llms.txt
La documentazione ufficiale di Search Central sulle funzionalità AI è inequivocabile: «non serve creare nuovi file leggibili dalle macchine, file di testo per l’AI o markup» per apparire in AI Overviews o AI Mode, e non esistono ottimizzazioni speciali richieste.
L’audit Lighthouse Agentic Browsing su llms.txt
Nello stesso periodo, però, Chrome ha introdotto in Lighthouse una categoria di audit chiamata Agentic Browsing, che nella sezione Discoverability include un controllo su llms.txt, una novità documentata da Search Engine Land. La documentazione di Chrome for Developers motiva così: «senza questo file, gli agenti potrebbero impiegare più tempo a scansionare il sito per comprenderne la struttura di alto livello». Un dettaglio importante e spesso frainteso: se il file restituisce 404 l’audit risulta “Not Applicable”, non fallito, la sua presenza resta esplicitamente opzionale. Lighthouse segnala un problema solo quando il server genera un errore nel recuperarlo.
La contraddizione è meno drammatica di come viene raccontata: sono due team con obiettivi diversi. Search parla di ranking, Chrome parla di navigazione agentica, di browser e agenti che eseguono compiti su un sito, un terreno dove contano molto di più i protocolli di interoperabilità come quelli descritti nella nostra guida al Model Context Protocol (MCP). Ma per chi deve decidere un budget, la lezione è netta: llms.txt non è una leva SEO dimostrata. Chi ve lo vende come tale sta vendendo altro.
Come integrare llms.txt in una strategia AEO/GEO (e dove serve una mano)
Detto tutto questo, la raccomandazione non è «non farlo». Il costo è quasi nullo, il rischio tecnico è zero, e se la navigazione agentica cresce, cosa che l’audit di Chrome suggerisce, chi ha già un file curato parte avvantaggiato. La raccomandazione è: fallo con aspettative corrette e nella sequenza giusta.
La sequenza corretta per implementare llms.txt
La sequenza che applichiamo con i clienti è questa. Prima si sistemano i fondamentali: contenuto testuale accessibile, dati strutturati coerenti con quanto è visibile, robots.txt che governa consapevolmente i bot AI, architettura interna dei link. Poi, e solo poi, si scrive llms.txt a mano, selezionando le venti-trenta risorse che rappresentano davvero l’azienda. È il passaggio dove i generatori automatici falliscono: un plugin che attiva il file di default, come fa AIOSEO su WordPress, produce un elenco degli ultimi post, non una rappresentazione dell’azienda. La differenza tra i due esiti è tutta editoriale, non tecnica. Chi vuole un quadro più ampio lo trova nella nostra guida su come aumentare il traffico dalla SEO alla AI Visibility.
Dal file alla struttura informativa: l’approccio Mimír
È esattamente su questo scarto che, in Mimír, l’onboarding non è un modulo da compilare ma una fase di lavoro assistita: mappiamo con il cliente quali contenuti l’azienda vuole davvero esporre agli agenti, li riscriviamo in forma estraibile e li colleghiamo alla base di conoscenza che alimenta l’agente conversazionale. Il file diventa un sottoprodotto di quel lavoro, non il progetto.
È la stessa logica con cui affrontiamo un sistema RAG su misura: la tecnologia è la parte facile, la selezione di cosa metterci dentro è la parte che richiede un partner.
Se la tua azienda sta valutando come rendersi leggibile agli agenti AI, o ha già installato un plugin e vuole capire se sta facendo qualcosa di utile, parlane con il team di Mimír. Non vendiamo un file: aiutiamo a costruire la struttura informativa che rende sensato pubblicarlo, e restiamo a fianco del cliente anche dopo la messa in produzione.
Fonti:
- llmstxt.org — la specifica ufficiale della proposta llms.txt
- platform.claude.com/docs/llms.txt — il file llms.txt della documentazione Anthropic, esempio in produzione
- AIOSEO — che cos’è llms-full.txt e come viene generato
- Ahrefs — studio su 137.000 domini: il 97% dei file llms.txt riceve zero richieste
- PPC Land — l’adozione di llms.txt si è fermata: le grandi piattaforme AI ignorano la proposta
- Search Engine Journal — llms.txt per la AI SEO: rischi e contenuto invisibile all’utente
- Search Engine Land — Google, llms.txt e il nuovo audit di Chrome Lighthouse
- Google Search Central — funzionalità AI e ottimizzazione dei contenuti
- Chrome for Developers — l’audit Agentic Browsing su llms.txt in Lighthouse
- Giovanni Sacheli (EVE Milano) — analisi critica di llms.txt in italiano
Domande frequenti
Il file llms.txt serve davvero per posizionarsi sulle AI?
Non ci sono evidenze che lo confermino. Google Search Central dichiara esplicitamente che non serve creare file di testo dedicati all'AI per apparire in AI Overviews o AI Mode, e nessun grande provider si è impegnato a fare il parsing del file. Lo studio Ahrefs su 137.000 domini mostra che il 97% dei file validi non ha ricevuto alcuna richiesta nel maggio 2026.
Che differenza c'è tra llms.txt e robots.txt?
robots.txt è uno strumento di controllo accessi: consente o vieta ai crawler, compresi i bot AI dichiarati come GPTBot o ClaudeBot, di raggiungere determinati percorsi. llms.txt non blocca e non concede nulla: è un indice curatoriale che riassume cosa fa il sito e quali risorse contano. Se vuoi impedire l'addestramento sui tuoi contenuti, l'unico strumento è robots.txt, eventualmente con regole a livello di CDN.
Quando conviene pubblicare llms-full.txt invece di llms.txt?
llms.txt è un indice, llms-full.txt è un archivio con il contenuto integrale delle pagine. Ha senso solo per documentazione tecnica compatta e stabile. Su un sito aziendale con blog produce un file da megabyte che nessun agente caricherà mai interamente in contesto e che duplica contenuto già indicizzato.
Se Lighthouse segnala llms.txt, significa che il mio sito è penalizzato?
No. L'audit fa parte della categoria Agentic Browsing di Chrome, che riguarda la navigazione degli agenti e non il ranking. Se il file restituisce 404 l'audit risulta Not Applicable, non fallito: la presenza del file resta esplicitamente opzionale. Lighthouse segnala un problema solo quando il server genera un errore nel recuperarlo.
