La SEO per LLM è l’insieme delle pratiche tecniche e di contenuto che rendono un sito leggibile, recuperabile e citabile dai modelli linguistici che alimentano ChatGPT, Gemini, Claude e Perplexity. È un errore però ridurla a “scrivere contenuti citabili”: quello è solo lo strato visibile. Sotto c’è un livello infrastrutturale, come i crawler AI leggono il codice, quanto è veloce il rendering, cosa dichiari in robots.txt e nei dati strutturati, che decide se un modello riesce ad accedere alle tue pagine prima ancora di valutarle. Questa guida affronta proprio quel lato tecnico, quello che quasi nessun contenuto italiano copre, pensata per chi sviluppa e gestisce siti, non solo per chi li scrive.
In questo articolo scoprirai:
- Cos'è la SEO per LLM e perché la SEO tradizionale non basta
- Come i crawler AI leggono il tuo sito
- Infrastruttura e SEO tecnica: rendering, velocità, accessibilità
- robots.txt, llms.txt e structured data: dire alle AI cosa indicizzare
- Contenuti citabili: struttura, dati verificabili ed E-E-A-T
SEO per LLM: cos’è e perché la SEO tradizionale non basta più
La differenza sostanziale tra SEO classica e SEO per LLM
La SEO classica ottimizza per un obiettivo: scalare la SERP e generare clic. La SEO per LLM ha un obiettivo diverso, essere compreso, considerato affidabile e citato dentro una risposta generata dall’AI, spesso senza alcun clic verso il sito. Yoast la sintetizza bene: la SEO tradizionale punta a ranking e traffico, quella per LLM a “essere capiti, ritenuti attendibili e citati”. Non sono in opposizione: come nota Yoast, “una SEO tradizionale solida è la base di una SEO per LLM efficace”, perché entrambe richiedono HTML pulito, gerarchia dei titoli e segnali di autorità.
Come funziona il retrieval nei motori generativi
La differenza sostanziale è il meccanismo di recupero. Un motore tradizionale indicizza e ordina; un motore generativo sintetizza fonti multiple recuperate in tempo reale o dai dati di addestramento. Il paper accademico che ha coniato il termine, GEO: Generative Engine Optimization di Aggarwal, Murahari, Rajpurohit e colleghi (2023), dimostra che strategie mirate possono aumentare la visibilità nelle risposte generative fino al 40%. Non è più questione di parole chiave, ma di quanto sei recuperabile e strutturato.
Perché le menzioni off-site pesano più delle keyword
Il cambio più difficile da metabolizzare, per chi arriva dalla SEO tradizionale, è quello di metrica. Non conti più solo le posizioni e i clic: conti quante volte il tuo brand compare in una risposta sintetizzata e con quale accuratezza viene rappresentato. Neil Patel insiste su un punto spesso sottovalutato: i modelli pesano fortemente le menzioni del brand fuori dal tuo sito, recensioni, forum, testate, elenchi di settore, perché il retrieval attinge a un corpus molto più ampio delle tue sole pagine. In pratica una parte della “SEO per LLM” non si gioca affatto sul tuo dominio, ma sulla coerenza con cui la tua entità viene descritta altrove nel web. Questo ridefinisce anche il budget: parte dello sforzo si sposta dalla pura ottimizzazione on-page alla presenza distribuita e alla reputazione digitale.
Crawler AI: quali sono e come leggono il tuo sito nel 2026
I principali user-agent AI: GPTBot, ClaudeBot, PerplexityBot e gli altri
Il primo problema è puramente tecnico: se un bot non riesce ad accedere al contenuto, nessuna strategia editoriale conta. Ogni piattaforma usa user-agent dedicati, che vanno riconosciuti e gestiti a livello di server. I principali sono GPTBot, OAI-SearchBot e ChatGPT-User di OpenAI, ClaudeBot di Anthropic, PerplexityBot, Google-Extended per Gemini e Applebot-Extended. Ognuno ha una funzione distinta: alcuni raccolgono dati per l’addestramento, altri recuperano pagine live al momento della query.
Bot di training vs bot di retrieval: perché la distinzione conta
La distinzione tra bot di training e bot di retrieval live ha conseguenze pratiche opposte. Bloccare GPTBot (addestramento) non impedisce a ChatGPT-User di leggere la tua pagina quando un utente pone una domanda in tempo reale, e viceversa: una scelta troppo grossolana rischia di escluderti proprio dallo scenario che ti interessa, cioè la citazione dentro le risposte. La regola operativa è decidere per ciascun user-agent, non con un unico Disallow di comodo.
Cloudflare e CDN: il blocco silenzioso dei crawler AI
Qui emerge un punto che pochi conoscono: dopo il 1° luglio 2025 Cloudflare blocca di default i crawler AI sui nuovi domini, quindi vanno esplicitamente autorizzati (Ambiscale). Se usi un CDN o un WAF, potresti già bloccare i bot AI senza saperlo. Vale anche l’inverso: se vuoi che Claude ti citi, il suo ClaudeBot deve poter leggere le tue pagine, un aspetto che si intreccia con la nostra guida completa a Claude AI. Controllare i log del server per vedere quali bot AI passano davvero è il primo audit da fare.
Infrastruttura tecnica per LLM: rendering, velocità e HTML accessibile
Perché i crawler AI non eseguono il JavaScript
Il fatto tecnico più importante e più ignorato dagli articoli italiani: la maggior parte dei crawler AI scarica l’HTML ma non esegue il JavaScript (Vercel, “How we’re adapting SEO for LLMs and AI search”). Un sito costruito come single-page application che renderizza i contenuti lato client rischia di apparire vuoto agli occhi di un modello. La soluzione è servire HTML statico tramite server-side rendering (SSR), static site generation (SSG) o incremental static regeneration. Lo conferma anche llmrefs: se il contenuto dipende dal JS, “i crawler AI non riescono a leggere la maggior parte delle tue pagine”.
Core Web Vitals per LLM: LCP, INP e CLS di riferimento
Conta poi la velocità: i bot AI hanno timeout stretti. Ambiscale indica come soglie di riferimento i Core Web Vitals LCP sotto 2,5 s, INP sotto 200 ms e CLS sotto 0,1. Attenzione anche a dove metti il testo: contenuto nascosto dentro tab, accordion o menu a comparsa spesso risulta invisibile al modello. La regola pratica è brutale ma utile, se il contenuto non è nell’HTML grezzo restituito da una semplice richiesta, per un LLM non esiste.
Come testare la visibilità del tuo sito ai bot AI
C’è un modo semplice per verificarlo senza strumenti sofisticati: scaricare la pagina con una richiesta che non esegue JavaScript (ad esempio un curl o la funzione “visualizza sorgente” del browser) e controllare che il testo dei paragrafi sia effettivamente presente nel markup. Se nel sorgente compaiono solo <div> vuoti e riferimenti a bundle JavaScript, quella è esattamente la vista che riceve gran parte dei crawler AI. Lo stesso test va ripetuto sulle pagine chiave, schede prodotto, articoli, landing, perché spesso il rendering è ibrido: la home è statica ma le pagine di dettaglio dipendono dal client. È qui che molti siti perdono citazioni senza accorgersene.
robots.txt, llms.txt e structured data: guidare l’indicizzazione degli LLM
Configurare robots.txt e il nuovo standard llms.txt
Il robots.txt resta lo strumento primario per consentire o negare l’accesso ai singoli user-agent AI: è qui che decidi, bot per bot, chi può leggerti. Accanto è emerso llms.txt, uno standard proposto da Jeremy Howard a settembre 2024 (llmstxt.org). Nasce da un limite reale: le finestre di contesto sono troppo piccole per l’intero HTML di un sito, denso di navigazione, pubblicità e script. Il file, un markdown in /llms.txt con titolo, un blockquote di sintesi e liste di link alle pagine chiave, offre al modello una versione curata e pulita del sito.
Structured data JSON-LD: gli schemi che aumentano le citazioni
Va detto con onestà: nessun grande motore AI ha ancora confermato di usare llms.txt in produzione. È uno standard preparatorio, non una garanzia. Yoast e Andrew Coyle consigliano comunque di generarlo e di sottometterlo a Google Search Console e Bing Webmaster Tools. Più consolidato è invece lo structured data JSON-LD (schema Article, FAQPage, HowTo, Organization, Person): rende il contenuto estraibile in modo affidabile. Yoast osserva che gli LLM “pescano risposte di 1-3 frasi direttamente dalle FAQ”.
Coerenza tra schema markup e testo visibile: il contratto con il crawler
Un dettaglio operativo che fa la differenza è la coerenza tra dati strutturati e testo visibile. Il markup Organization e Person serve a disambiguare la tua entità, collegando nome, sito, profili social e sameAs, così che il modello sappia con certezza “chi” sta citando. Se lo schema dichiara un autore che nel corpo pagina non compare, o una data che contraddice quella mostrata, il segnale si indebolisce anziché rafforzarsi. I dati strutturati vanno trattati come un contratto: devono descrivere esattamente ciò che l’utente e il crawler vedono nel contenuto.
Contenuti citabili dagli LLM: struttura, dati verificabili ed E-E-A-T
Struttura del contenuto: il fattore che aumenta le citazioni del 17,3%
Superato lo strato infrastrutturale, arriva il contenuto, dove i competitor italiani si concentrano ed è giusto rimandare ai nostri pillar su GEO e AEO per l’approfondimento. Sul piano tecnico però un dato accademico recente è dirimente: il paper Structural Feature Engineering for Generative Engine Optimization di Yu, Yang, Ding e Sato (2026) mostra che ottimizzare la sola struttura del contenuto, architettura del documento, suddivisione in chunk, enfasi visiva, aumenta il tasso di citazione del 17,3% su sei motori generativi diversi. La forma non è cosmetica: è un fattore di ranking.
Freschezza dei contenuti ed E-E-A-T: cosa premiano gli LLM
In pratica: risposta diretta in apertura, paragrafi brevi e autocontenuti, sottotitoli espliciti in forma di domanda, dati e statistiche verificabili con fonte. Conta anche la freschezza, llmrefs riporta che i contenuti più vecchi di tre mesi vedono le citazioni AI calare bruscamente, e l’E-E-A-T, con autore identificabile e dateModified accurato. Marketer Milk conferma che quasi tutte le fonti citate da ChatGPT hanno schema markup e date di pubblicazione recenti.
SEO per LLM, GEO e AEO: le differenze in un’unica strategia a strati
SEO per LLM, GEO e AEO: cosa fa ciascuno strato
Confondere questi acronimi è l’errore più comune. Conviene vederli come strati complementari. La SEO per LLM è lo strato tecnico-infrastrutturale: crawlabilità, rendering, dati strutturati, cioè far sì che i modelli possano accedere e interpretare il sito. Il GEO (Generative Engine Optimization) è la strategia di contenuto per farsi sintetizzare nelle risposte generative. L’AEO (Answer Engine Optimization) ottimizza per la singola risposta secca a una domanda.
Il ruolo di Bing e delle pipeline RAG nei motori generativi
Il fondamento comune è il meccanismo di recupero: ChatGPT, Copilot e Meta AI attingono all’indice di Bing, Google usa il proprio per gli AI Overview, Perplexity mescola le fonti (Vercel). Ne deriva una conseguenza operativa che spiazza chi viene dalla SEO tradizionale, Bing conta quanto Google, quindi verificare l’indicizzazione su Bing Webmaster Tools è imprescindibile. Molti motori usano inoltre pipeline RAG per recuperare dati in tempo reale: capire come funziona il retrieval aiuta a strutturare le pagine per essere il chunk giusto al momento giusto.
Come misurare la visibilità sugli LLM: metriche e checklist tecnica 2026
Le tre metriche chiave: log del server, referral e share of voice
La misurazione è il tallone d’Achille: la visibilità sugli LLM è spesso zero-click e non si legge nei rank tracker classici. Servono tre approcci combinati. Primo, i log del server per verificare frequenza e copertura dei crawler AI. Secondo, il monitoraggio dei referral da chatgpt.com, perplexity.ai, gemini.google.com e claude.ai: Marketer Milk riporta che il traffico da LLM ha superato il 5% del totale sul suo blog, mentre Fattoretto stima una media intorno allo 0,8%, segno di quanto vari per settore. Terzo, la share of voice, cioè con quale frequenza il brand compare interrogando direttamente i modelli con prompt reali.
Perché le metriche LLM sono ancora rumorose e come leggerle
Un avvertimento sul metodo: molte di queste metriche sono ancora rumorose e non standardizzate. I referral da LLM vengono spesso attribuiti male dai sistemi di analytics (finiscono in “direct” o “referral” generico), e la share of voice misurata a mano varia a ogni interrogazione perché le risposte dei modelli sono non deterministiche. Conviene quindi ragionare per trend nel tempo più che per valori assoluti, e ripetere le stesse query a cadenza fissa per cogliere spostamenti reali anziché fluttuazioni casuali.
Checklist tecnica SEO per LLM 2026: i passi da cui partire
Checklist tecnica minima da cui partire:
- Servire HTML statico via SSR/SSG; verificare che il contenuto sia nel sorgente senza JavaScript.
- Consentire i bot AI giusti in
robots.txte controllare che il CDN/Cloudflare non li blocchi. - Pubblicare un
llms.txte sottometterlo a GSC e Bing Webmaster Tools. - Implementare JSON-LD (
Article,FAQPage,Organization) e teneredateModifiedaggiornato. - Rispettare i Core Web Vitals (LCP < 2,5 s, INP < 200 ms, CLS < 0,1).
- Monitorare log dei crawler, referral e share of voice ogni mese.
Chi vuole inquadrare il tutto nella strategia più ampia trova il contesto nella nostra guida su come passare dalla SEO alla AI Visibility.
Fonti:
- Vercel — How we’re adapting SEO for LLMs and AI search
- Andrew Coyle — Generative Engine Optimization and the llms.txt file
- Yoast — LLM SEO optimization techniques including llms.txt
- Ambiscale — How to optimize websites for AI search: technical requirements
- Marketer Milk — LLM SEO
- llmrefs — LLM SEO
- Fattoretto Agency — SEO per LLM
- llmstxt.org — The /llms.txt standard
- Neil Patel — LLM SEO
