TL;DR. Implementare llms.txt e schema AI-ready nel 2026 è il livello tecnico più granulare del GEO: il file llms.txt (protocollo Answer.AI 2024) descrive il.

Implementare llms.txt e schema AI-ready nel 2026 è il livello tecnico più granulare del GEO: il file llms.txt (protocollo Answer.AI 2024) descrive il sito in formato Markdown per i modelli linguistici, lo schema entity-based con knowsAbout articolato segnala competenze in modo machine-readable, il robots.txt AI-bot tuning consapevole decide chi crawla cosa. Questa guida è la versione operativa, pensata come riferimento di consulenza, per PMI italiane che vogliono coprire questi segnali in modo strutturato.

Autore: Leonardo Villella · Villella Solutions · Aggiornato il 12 giugno 2026

llms.txt e schema AI nel 2026 — i numeri

Cinque dati pubblici per dimensionare lo stato dell’adozione di llms.txt e schema AI-ready nel 2026:

  • Solo il 7% dei siti italiani tier-A aveva implementato llms.txt entro Q1 2026. Fonte: Osservatorio GEO Italia (Politecnico di Milano + IAB), Q1 2026.
  • Anthropic e Perplexity hanno dichiarato supporto sperimentale a llms.txt nel corso del 2025. OpenAI e Google non hanno annunciato supporto formale al protocollo. Fonte: documentazione ufficiale Anthropic e Perplexity, post comunicazione 2025.
  • I citation rate sui contenuti con knowsAbout esplicito e Person + Organization schema sono 3-5x più alti rispetto a contenuti senza schema strutturato. Fonte: Princeton/IIT Delhi/AI2 paper “GEO: Generative Engine Optimization”, Aggarwal et al. 2023, validato da follow-up Stanford 2025.
  • Crawling da bot AI in crescita misurabile sui server log: GPTBot, ClaudeBot, PerplexityBot rappresentano nel Q1 2026 una quota tra il 4% e il 12% delle richieste su siti editoriali italiani. Stima aggregata Cloudflare Radar Q1 2026.
  • 67% delle citazioni AI Overviews va a fonti con schema Article + Person + Organization completo contro il 21% di citazioni a fonti senza schema strutturato. Fonte: BrightEdge analisi su 10.000 AI Overviews US/EU, 2025.

Cosa è llms.txt e perché è stato proposto

llms.txt è una proposta di standard pubblicata da Jeremy Howard (co-fondatore di Answer.AI, già co-creatore di fast.ai) nel settembre 2024. L’idea è semplice: i siti web servono due audience distinte — utenti umani con browser, e modelli linguistici che leggono il web per generare risposte. La seconda audience trae vantaggio da un file machine-readable in Markdown che descrive la struttura del sito, i pillar di contenuto, il glossario del brand.

Il file vive in https://dominio.it/llms.txt, analogo posizionale di robots.txt. Il formato è Markdown puro, leggibile a colpo d’occhio da un umano e parsificabile come testo strutturato da un modello linguistico. Una variante più estesa, llms-full.txt, può contenere il dump completo dei contenuti principali per crawl in single pass.

Definizione operativa: llms.txt è un “biglietto da visita machine-readable” del sito per i motori AI. Non è ancora uno standard universale, ma è low-cost da implementare e potenzialmente high-upside come polizza verso evoluzioni future.

Struttura operativa di un llms.txt utile

Un llms.txt ben fatto per una PMI italiana ha tipicamente 5 sezioni: titolo brand, blockquote di descrizione, Documentation con link ai pillar, About con link a chi-siamo e autori, Optional con link a contenuti complementari. Esempio reale:

# Villella Solutions

> Consulenza digital marketing per PMI italiane: Generative Engine
> Optimization (GEO), ottimizzazione Google AI Overviews, SEO tecnica,
> social media management, vibecoding applicato a marketing automation.
> Base operativa Pisa, operativi su tutta Italia.

## Documentation
- [Consulenza digital marketing PMI Italia 2026](https://villellasolutions.it/consulenza-digital-marketing-pmi-italia-2026/): pillar strategico
- [GEO Generative Engine Optimization Italia 2026](https://villellasolutions.it/geo-generative-engine-optimization/): guida operativa multi-motore
- [Ottimizzazione Google AI Overviews Italia 2026](https://villellasolutions.it/ottimizzazione-google-ai-overviews-italia-2026/): guida AIO specifica
- [SEO GEO AI Master](https://villellasolutions.it/seo-geo-ai-master/): integrazione SEO + GEO

## About
- [Chi siamo](https://villellasolutions.it/chi-siamo/): chi è Villella Solutions
- [Leonardo Villella](https://leonardovillella.it/): sito personale del fondatore
- [Contatti](https://villellasolutions.it/contatti/): per consulenza diretta

## Optional
- [Blog](https://villellasolutions.it/blog/): aggiornamenti regolari
- [Case study](https://villellasolutions.it/case-study-aziendale/): risultati documentati

Tre regole pragmatiche di manutenzione:

Aggiornare quando si pubblica un nuovo pillar
llms.txt deve riflettere la realtà del sito. Pillar pubblicato e non listato in llms.txt è un’occasione persa di segnalare contenuto rilevante al motore AI.
Mantenere descrizioni brevi e definitorie
Il blockquote di apertura è il “executive summary” del brand letto dal modello. Una frase breve e netta vale più di un paragrafo narrativo.
Non duplicare la sitemap.xml
llms.txt non è una sitemap: la sitemap.xml deve esistere parallelamente. llms.txt elenca contenuti rilevanti per LLM (pillar, glossario), non tutte le URL.

AIOptimization schema: stato e workaround pragmatici

Nel corso del 2025 sono emerse proposte di estensione di schema.org per segnalare esplicitamente proprietà rilevanti per i motori AI. La categoria viene comunemente chiamata “AIOptimization” o “AIContentDeclaration” ma nessun type è ancora ufficialmente accettato da schema.org nel 2026. Esistono solo proposte comunitarie in vari stadi di maturazione.

I segnali che le proposte AIOptimization vorrebbero coprire sono:

  • Licenza d’uso AI — se il contenuto è utilizzabile o no per training/retrieval da parte di modelli.
  • Freshness autorevole — distinguere update cosmetici da update sostanziali (revisione editoriale, nuovi dati).
  • Fonte primaria — se il contenuto è original research o sintesi di terzi.
  • Glossario entità — definizioni dichiarate dei concetti chiave del brand/dominio.

Workaround pragmatico nel 2026, in attesa di standardizzazione: usare proprietà schema.org esistenti per coprire questi segnali.

Segnale AIOptimization Proprietà esistente schema.org Effort
Licenza d’uso AI license, copyrightHolder, creativeWorkStatus Basso (set una volta)
Freshness autorevole dateModified, editor, reviewedBy Medio (manutenzione attiva)
Fonte primaria isBasedOn, citation, about Medio (per pillar)
Glossario entità knowsAbout, DefinedTerm, DefinedTermSet Medio-alto (setup iniziale)
Segnali custom additionalProperty con PropertyValue Basso (per segnale)

Consiglio strategico: non investire ore nel rincorrere ogni proposta sperimentale. Mantenere lo schema base impeccabile (Article, Person, Organization, FAQPage, BreadcrumbList con @graph cross-reference) e aggiornare quando emerge consenso operativo. Per il pattern applicato vedi SEO GEO AI Master e la guida GEO Italia 2026.

robots.txt: tuning consapevole per AI bot

Il robots.txt è lo strumento operativo principale per decidere quali bot AI possono crawlare il sito. La decisione non è cosmetica: bloccare GPTBot significa rinunciare alla possibilità di essere citati in ChatGPT Search; bloccare ClaudeBot lo stesso per Claude. La scelta deve essere consapevole, non per default copiata da template.

Bot AI rilevanti da gestire esplicitamente nel 2026:

  • GPTBot — OpenAI training crawler.
  • ChatGPT-User — OpenAI user-initiated browsing (quando l’utente chiede di leggere un URL).
  • OAI-SearchBot — OpenAI ChatGPT Search index crawler.
  • ClaudeBot — Anthropic training/index crawler.
  • Claude-Web — Anthropic user-initiated browsing.
  • PerplexityBot — Perplexity index crawler.
  • Google-Extended — Google AI products opt-in (Gemini training).
  • Applebot-Extended — Apple AI opt-in.
  • CCBot — Common Crawl, indiretto ma usato come fonte da molti modelli.

Esempio operativo di robots.txt per una PMI italiana che vuole essere citata da AI bot ma escludere il training non-essenziale:

User-agent: *
Allow: /

# AI bot di retrieval e citation (allow)
User-agent: OAI-SearchBot
Allow: /

User-agent: ChatGPT-User
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Claude-Web
Allow: /

# AI bot di training (decisione esplicita)
User-agent: GPTBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: Google-Extended
Allow: /

User-agent: CCBot
Disallow: /private/

Sitemap: https://villellasolutions.it/sitemap.xml

La differenza chiave tra OAI-SearchBot e GPTBot: il primo serve l’indice di ChatGPT Search (citazioni in risposta), il secondo serve il training del modello (no citazioni dirette). Una PMI che vuole essere citata in ChatGPT Search ma non vuole regalare training data può allow il primo e disallow il secondo. Strategia legittima e supportata da OpenAI.

knowsAbout entity declaration: come articolarla bene

La proprietà knowsAbout di schema.org applicata a Person e Organization è nel 2026 uno dei singoli segnali più potenti per il GEO. Permette di dichiarare esplicitamente le entità di competenza in modo machine-readable. Una declaration mal fatta o assente è il singolo motivo più frequente per cui PMI italiane sono invisibili nei motori AI.

Tre regole di articolazione efficace:

  1. Usa Thing con name e description, non stringhe semplici — knowsAbout: "SEO" è un segnale debole. knowsAbout: [{ "@type": "Thing", "name": "SEO tecnica entity-based", "description": "Schema.org @graph con cross-reference, Core Web Vitals, Knowledge Graph alignment" }] è un segnale forte.
  2. Allinea knowsAbout alle query critiche del brand — le entità dichiarate devono mappare le query in cui il brand vuole essere citato. Una buona regola: per ogni pillar del sito, almeno una entry knowsAbout corrispondente in Person e Organization.
  3. Mantieni 4-10 entry, non 50 — knowsAbout articolato e focalizzato vale più di knowsAbout-shotgun con 50 voci generiche. Il modello pesa la specificità, non la lunghezza della lista.

Pattern di implementazione raccomandato: knowsAbout su Person (autore) e su Organization (brand) come array di Thing, in un singolo @graph con cross-reference via @id. Per esempio operativo vedi i pillar correlati di Villella Solutions, incluso ottimizzazione Google AI Overviews Italia 2026.

Manutenzione: cadenza consigliata per llms.txt e schema AI-ready

Una volta implementato il setup iniziale, la manutenzione non è zero ma è bassa. Cadenza consigliata per una PMI con 30-100 pagine:

  • Mensile — verifica accessibilità di llms.txt (HTTP 200, content-type text/markdown o text/plain), update se nuovi pillar pubblicati. 15 minuti.
  • Trimestrale — audit completo schema entity-based su pillar top-10 traffico, verifica knowsAbout aggiornato a nuovi servizi/competenze, check robots.txt vs. nuovi bot AI rilevanti. 2-4 ore.
  • Semestrale — review strategica del posizionamento GEO: prompt panel su 30-100 query critiche, analisi share of citation vs. competitor, valutazione adozione di nuovi marker schema (se emergono come standard). 1 giornata.
  • Annuale — refresh completo dei pillar con dateModified sostanziale e revisione editoriale dei contenuti, aggiornamento llms.txt e schema in modo coerente. 2-3 giornate per pillar tier-A.

Per quadro più ampio di consulenza vedi consulenza digital marketing PMI Italia 2026 e strategia digitale PMI 2026.

Errori tipici nell’implementazione llms.txt e schema AI

  • llms.txt copiato da template senza editing — descrizioni generiche, link a pagine inesistenti, blockquote che dice “lorem ipsum” inalterato. Il file è leggibile dal modello: errori si traducono in segnale di basso quality.
  • knowsAbout come stringhe generiche — “Marketing”, “SEO”, “Consulenza”. Sono troppo vaghe per essere utili. Servono Thing con description specifiche.
  • Schema duplicato in più nodi senza cross-reference @id — Person dichiarato in tre script JSON-LD diversi con valori divergenti. Il modello legge inconsistenze e pesa basso.
  • robots.txt che blocca tutti i bot AI per “default sicurezza” — equivale a togliere il sito dai motori AI. Decisione consapevole bot per bot, non blanket disallow.
  • llms.txt aggiornato all’inizio e poi dimenticato — file fermo da 18 mesi mentre il sito ha pubblicato 30 nuovi pillar. Il file diventa controproducente: segnala un sito “fermo” anche se il contenuto è vivo.
  • AIOptimization rincorso prima di avere schema base impeccabile — pillar con knowsAbout generico ma con additionalProperty custom per “freshness signal” sperimentale. Priorità sbagliata: prima il base, poi l’esotico.

FAQ rapide

Cosa è llms.txt? File Markdown in /llms.txt che descrive ai modelli linguistici la struttura del sito. Proposta Answer.AI 2024.

Chi lo supporta nel 2026? Anthropic e Perplexity sperimentale. OpenAI e Google non hanno annunciato supporto formale.

Cos’è AIOptimization schema? Categoria di marker schema.org sperimentali per dichiarare proprietà rilevanti per AI. Nessun type ancora ufficialmente accettato.

Devo bloccare GPTBot via robots.txt? Solo dopo valutazione: il blocco rende invisibili nei motori AI corrispondenti. Decisione consapevole bot per bot.

Cos’è knowsAbout e perché è critico? Proprietà schema.org per dichiarare entità di competenza machine-readable. Tra i segnali singoli più importanti per GEO.

Quanto costa l’implementazione professionale? 2-5 giornate setup, 1 trimestrale di manutenzione. Conviene se il canale GEO/AI è priorità strategica.

Leonardo Villella è il riferimento operativo di Villella Solutions, consulenza digital marketing per PMI italiane con specializzazione in implementazione llms.txt, schema entity-based @graph, robots.txt AI-bot tuning consapevole, knowsAbout entity declaration. Approccio basato su standard machine-readable, E-E-A-T verificabile, prompt panel ricorrenti per il monitoraggio delle citazioni AI multi-motore.