Ha Bisogno di un File llms.txt?

llms.txt è un semplice file markdown da posizionare all'indirizzo yourdomain.com/llms.txt per riassumere il sito ai modelli AI. Vale la pena aggiungerlo, richiede un pomeriggio e non costa nulla. Ma non lo confonda con una vera strategia di visibilità AI: nessun prodotto AI di rilievo ha confermato di leggere il file, e i fattori che determinano davvero se il suo sito viene scansionato e citato nelle risposte AI sono gli stessi che determinano se Google riesce a scansionarlo.

Le origini di llms.txt

Le specifiche furono proposte alla fine del 2024 da Jeremy Howard di Answer.AI, ispirandosi liberamente a robots.txt: un'unica posizione prevedibile in cui un sito comunica ai lettori automatizzati cosa è rilevante. L'idea è che un modello linguistico ha una finestra di contesto limitata e non può — né dovrebbe dover — scansionare l'intero sito per rispondere a una domanda, quindi gli si fornisce un indice curato: le pagine prodotto, la documentazione, i prezzi, in un unico file compatto con link e descrizioni in una riga. Le specifiche complete sono disponibili su llmstxt.org.

È un'idea ragionevole. Il problema è l'adozione. Come più di uno sviluppatore ha fatto notare pubblicamente quest'anno, nessuno ha confermato che il proprio crawler lo recuperi effettivamente. OpenAI, Anthropic e Google non hanno pubblicato documentazione che impegni a interpretare llms.txt come parte del processo con cui ChatGPT, Claude o Gemini rispondono alle domande sul suo prodotto. Questo non significa che sia inutile, ma che dovrebbe calibrare l'investimento in proporzione all'incertezza.

Cosa fa e cosa non fa

Cosa fa: le offre un modo semplice e a basso sforzo per curare manualmente ciò che un sistema AI vede, nel caso in cui decida di consultarlo. Non richiede manutenzione se il sito cambia raramente. È una copertura ragionevole, allo stesso modo in cui si aggiunge una sitemap.xml anche se la maggior parte del traffico non dipende dai crawler che la leggono direttamente.

Cosa non fa:

• Non è un segnale di ranking per Google o per qualsiasi motore di ricerca tradizionale.
• Non sostituisce né integra il contenuto effettivo delle pagine: se le pagine collegate sono renderizzate lato client in JavaScript senza HTML generato lato server, un crawler AI che tenta di seguire i link si troverà davanti allo stesso ostacolo di un crawler di ricerca. Abbiamo già affrontato questo compromesso nel contesto del rendering lato server e SEO.
• Non risolve un sito lento e sovraccarico. Se i suoi Core Web Vitals sono scadenti, un agente AI che tenta di recuperare e analizzare le sue pagine entro un timeout ragionevole le abbandonerà, esattamente come farebbe un utente.

Il framework decisionale

Se è un founder o un CTO che deve decidere se dedicare tempo di sviluppo a questo, ecco una valutazione onesta:

Vale la pena farlo

• Ha un sito di documentazione, un prodotto per sviluppatori o un API che gli assistenti AI per il coding (Claude Code, Cursor, Copilot) potrebbero consultare quando un utente chiede "come integro X."
• Il suo sito di marketing ha già pagine pulite e renderizzate lato server, quindi llms.txt è un'aggiunta, non un rimedio a fondamenta fragili.
• Può generarlo una volta e rigenerarlo al deploy con un piccolo script, senza doverlo mantenere manualmente per sempre.

Non vale la pena prioritizzarlo

• Le sue pagine principali sono renderizzate lato client senza SSR, il che significa che i link nel suo llms.txt puntano a contenuti che un crawler non riesce comunque a leggere. Risolva prima quello.
• Lo sta trattando come una strategia SEO. Non lo è. Google non ha indicato che llms.txt influenzi il ranking in alcun modo.
• Dovrebbe costruire strumenti personalizzati per mantenerlo sincronizzato con un sito in rapida evoluzione. A quel punto il costo di manutenzione supera il vantaggio incerto.

Cosa genera davvero citazioni nelle risposte AI

Se l'obiettivo reale è "quando qualcuno chiede a un assistente AI di un problema che risolviamo, vogliamo essere menzionati," la leva è quasi interamente in fattori che precedono llms.txt:

• Contenuto crawlabile renderizzato lato server. Ogni crawler AI di rilievo (GPTBot, ClaudeBot, PerplexityBot) si comporta come un crawler di ricerca: recupera HTML, e se il contenuto appare solo dopo una chiamata lato client, spesso vede solo una shell vuota.
• Struttura semantica pulita. Intestazioni reali, testo di paragrafo reale, markup schema.org dove pertinente. È la stessa disciplina che fa posizionare bene una pagina ed è la stessa disciplina che consente a un LLM di estrarre una risposta chiara.
• Pagine veloci e stabili. I crawler vanno in timeout. Un bundle sovraccarico che impiega otto secondi a diventare interattivo viene saltato, così come una pagina lenta riceve un budget di scansione inferiore da Google.

Questo si allinea con quanto abbiamo osservato direttamente nei nostri strumenti, non sul fronte SEO ma sul fronte del consumo. Gestiamo un motore di outreach che analizza il sito di ogni prospect con un'istanza self-hosted di Firecrawl e un modello locale per redigere un'email personalizzata per azienda. Il pattern che ha funzionato in modo affidabile è stata una singola chiamata che estrae i dati necessari e redige l'email in un unico passaggio, non una catena multi-step che tenta di scansionare una sitemap, riassumere ogni pagina e poi sintetizzare. La lezione si applica direttamente a llms.txt: una pagina pulita e ben strutturata che un LLM può leggere in un unico passaggio batte un indice curato che punta a pagine che il modello fatica comunque a interpretare. Se sta valutando compromessi simili nelle sue funzionalità AI, abbiamo scritto di più su design a chiamata singola versus catena di agenti e su RAG per founder se la domanda di fondo è davvero "come rendiamo i nostri contenuti recuperabili da un LLM," che è lo stesso problema visto da un'angolazione diversa.

Come implementarlo concretamente

Se ha deciso che vale il pomeriggio:

1. Elenchi le sue 10-20 pagine più importanti: prodotto, prezzi, documentazione, guide di integrazione principali.
2. Scriva una frase onesta per ogni pagina, niente copy di marketing, solo cosa contiene.
3. Serva il file come file statico in /llms.txt usando il formato delle specifiche (titolo H1, sommario in blockquote, sezioni H2 con punti elenco con link).
4. Rigeneri il file come parte del suo build se l'insieme delle pagine cambia spesso: non lo lasci diventare obsoleto.
5. Vada avanti. Non costruisca una dashboard per monitorarlo.

llms.txt è una polizza assicurativa a basso costo, non una strategia. Investa il vero sforzo su pagine veloci, ben strutturate e renderizzate lato server: è ciò di cui hanno realmente bisogno sia i motori di ricerca sia i crawler AI per citarla, ed è un lavoro da fare indipendentemente dal fatto che un modello legga mai il suo file llms.txt.

Se vuole capire se il suo sito o prodotto è davvero accessibile ai crawler AI, e non solo spuntare una casella, parliamone.