llms.txt: cos'è, come funziona e quando serve davvero
Articolo di Team Digital Marketing
Scopri cos'è il file llms.txt, come si crea e quando può essere utile. Specifiche, esempi, controlli Lighthouse e analisi critica dei benefici reali
Il file llms.txt è un documento in formato Markdown pensato per presentare un sito web e indicare le risorse più utili a un agente AI che deve svolgere un compito. La proposta fissa un indirizzo convenzionale — di norma https://example.com/llms.txt — e una sintassi essenziale. L'idea di fondo è offrire un indice ragionato dei contenuti, particolarmente utile nei progetti che gestiscono documentazioni corpose, più versioni dello stesso software o percorsi informativi articolati.
Jeremy Howard ha lanciato la convenzione nel 2024 e ha pubblicato la versione 2 nell'agosto 2026. Oggi alcune piattaforme la supportano nativamente e Chrome Lighthouse include un controllo dedicato nella categoria sperimentale Agentic Browsing. Eppure, sul fronte della visibilità organica le certezze mancano ancora: Google Search non richiede alcun file speciale per l'AI e gli studi empirici finora pubblicati non provano che llms.txt faccia crescere le citazioni. In breve, diffusione tecnica ed efficacia reale viaggiano su binari diversi.
Per capire se valga la pena implementarlo occorre vedere cosa contiene davvero, come un agente riesce a trovarlo e che impatto può avere sul campo. Qui analizziamo la specifica v2, i casi d'uso concreti, i numeri delle ricerche e un protocollo di test replicabile, tenendo un unico criterio come bussola: risolvere problemi concreti e osservabili.
In questo approfondimento
- Cos'è llms.txt e quale problema affronta
- Come funziona llms.txt: specifica v2
- Differenze rispetto a robots.txt, sitemap e Schema.org
- Come creare, pubblicare e mantenere llms.txt
- Quando può essere utile: esempi per tipologia di sito
- Lighthouse, Google, ChatGPT e altre convenzioni
- Diffusione e risultati: cosa mostrano gli studi
- Limiti, sicurezza e qualità delle fonti
- Come verificare l'utilità con un test
- Quando conviene implementarlo: una matrice di priorità
- Domande frequenti
- Conclusioni
- Fonti e metodologia
Cos'è llms.txt e quale problema affronta
Il nome richiama gli LLM, i modelli linguistici alla base della maggior parte degli assistenti AI. Il file racchiude una breve panoramica del progetto seguita da collegamenti mirati verso i documenti più rilevanti, spesso già in formato Markdown. Un software compatibile legge quel riepilogo, sceglie la fonte più adatta e apre la pagina giusta. Va chiarito subito che la consultazione è del tutto facoltativa: nessuno standard obbliga motori di ricerca o agenti a leggere questo file.
Una normale pagina HTML porta con sé molto rumore di fondo: menu di navigazione, footer, box correlati, banner, script JavaScript e blocchi ripetuti. Se un agente sta solo cercando come autenticarsi a un'API, tutta quell'interfaccia rischia di rallentarlo. Certo, una buona progettazione e realizzazione di siti web accessibili, con link interni puliti e una ricerca interna efficace, riduce già il problema alla radice; llms.txt aggiunge semplicemente una corsia preferenziale testuale per i client che decidono di sfruttarla.
Dalla proposta del 2024 alla versione 2
La prima bozza di Jeremy Howard esce il 3 settembre 2024. Due anni dopo, il 10 agosto 2026, arriva la versione 2, che entra più nel dettaglio su dove posizionare i file, su come gestire le sottodirectory e su come segnalare le versioni Markdown delle singole pagine. La convenzione nasce da un bisogno tipico di chi scrive e consulta documentazione tecnica — arrivare in fretta a una guida, a una reference o a un esempio funzionante — e resta a tutti gli effetti uno standard informale in evoluzione, legato all'effettiva adozione da parte dei produttori di strumenti AI.
Qui conviene separare bene il piano della forma da quello del risultato. Puoi scrivere un file impeccabile dal punto di vista sintattico e accorgerti che nessun agente lo apre mai. Perché porti un beneficio reale, il client deve prima individuarlo, poi capire i suoi link e infine ricavarne risposte più rapide o accurate rispetto a una normale ricerca sul sito. Pubblicarlo dimostra solo che il sito è pronto, non che lo strumento funzioni.
Token, contesto e recupero delle informazioni
Ogni token rappresenta un frammento di testo che il modello deve elaborare, e la finestra di contesto fissa un tetto a quanto materiale può gestire in una singola richiesta. Caricare decine di pagine fuori tema fa salire tempi di risposta, costi di elaborazione e probabilità di errore. Se la procedura che serve all'agente vive in una sola pagina in mezzo a cinquecento, un indice ben curato accorcia la strada: conta la pertinenza delle fonti, molto più della mole complessiva del sito.
Detto questo, un agente equipaggiato con un buon motore di ricerca o con un sistema di recupero semantico efficace può arrivare allo stesso risultato senza passare da llms.txt. Molto dipende dal tipo di compito: trovare la reference della versione corrente di un'API è un problema documentale, mentre verificare se un prodotto è disponibile in magazzino richiede tutt'altro tipo di interrogazione. Ogni caso d'uso domanda percorsi informativi adatti.
Come funziona llms.txt: specifica v2 ed esempi
La specifica sceglie il Markdown per una ragione pratica: è immediato da leggere sia per un essere umano sia per un parser automatico, senza dover ripulire un intero DOM HTML. L'impostazione segue una struttura snella con poche regole fisse.
Titolo, contesto e collegamenti in una struttura leggibile
L'unico elemento obbligatorio è il titolo H1 in apertura con il nome del sito o del progetto. Subito sotto si può aggiungere una citazione Markdown che ne riassuma in una riga lo scopo, seguita da eventuali note di contesto e da sezioni H2 contenenti elenchi puntati di link; dopo ogni link, i due punti introducono una breve descrizione. La sezione Optional raccoglie infine i materiali secondari che l'agente può saltare se ha poco contesto a disposizione. Scrivere descrizioni asciutte e precise è ciò che aiuta davvero il modello a scegliere cosa aprire.
Per vederlo in pratica, prendiamo Atlas Desk, un servizio SaaS fittizio con URL dimostrativi sotto example.com:
# Atlas Desk API
> Atlas Desk gestisce ticket di assistenza tramite API.
La documentazione corrente riguarda la versione 3.
Usare l'archivio solo per integrazioni precedenti.
## Documentazione
- [Primi passi](https://example.com/docs/start.md): Prima richiesta API
- [Autenticazione](https://example.com/docs/auth.md): Token e revoca
- [Reference v3](https://example.com/docs/reference-v3.md): Endpoint e parametri
- [Gestione errori](https://example.com/docs/errors.md): Codici e rimedi
## Esempi
- [Creare un ticket](https://example.com/docs/create-ticket.md): Esempio completo
## Optional
- [Versioni precedenti](https://example.com/docs/archive.md): Archivio storico
Un agente incaricato di aprire un ticket capisce in pochi istanti quali file leggere per autenticarsi e chiamare l'endpoint giusto, evitando grazie alla nota iniziale di finire sulle vecchie specifiche. In contesti di sviluppo di applicazioni web personalizzate con integrazioni API, puntare subito alla versione corretta della documentazione riduce errori banali di implementazione. L'indice stabilisce quindi una gerarchia chiara delle fonti, fermo restando che la correttezza del codice generato dall'agente va sempre verificata a parte.
Come un agente scopre il file e le sue sottodirectory
Mettere online /llms.txt non avvisa nessuno in automatico. Un agente ci arriva in tre modi: prova quell'indirizzo perché conosce la convenzione, riceve l'URL dall'applicazione che lo orchestra, oppure trova un link esplicito nelle pagine che sta già leggendo. La versione 2 apre anche ai file nelle sottodirectory, come /docs/llms.txt, dove l'indice più vicino alla risorsa prevale sul file generale. Prima ancora di chiedersi se il file aiuti l'agente, bisogna quindi verificare se e come venga scoperto.
Su un sito bilingue, ad esempio, puoi separare /it/docs/llms.txt e /en/docs/llms.txt per non mescolare le documentazioni. La scelta organizzativa spetta al team, ma attenzione: pubblicare indici in più cartelle non garantisce che ogni client sappia selezionare automaticamente la lingua giusta. Tutto dipende dal livello di compatibilità del software che interroga il sito.
Versioni Markdown delle pagine, header HTTP e llms-full.txt
La specifica suggerisce di affiancare alle pagine HTML una versione puramente testuale, usando estensioni come guida.html.md o guida.md (e index.html.md o index.md per gli URL che chiudono su una directory). Per rendere individuabili sia la versione Markdown sia l'indice di riferimento, la pagina HTML può esporre due riferimenti espliciti nel codice tramite rel="alternate" con tipo text/markdown e rel="describedby":
<link rel="alternate" type="text/markdown" href="/docs/guida.html.md">
<link rel="describedby" href="/docs/llms.txt">
La stessa segnalazione può passare via header HTTP Link, soluzione comoda soprattutto per risorse che non restituiscono HTML:
Link: </docs/guida.html.md>; rel="alternate"; type="text/markdown", </docs/llms.txt>; rel="describedby"
Capita anche di imbattersi in llms-full.txt, un unico file che accorpa gran parte della documentazione. Non è un elemento obbligatorio della specifica di base e va maneggiato con cautela: se il portale è grande, scaricare tutto in blocco brucia contesto inutilmente e rischia di trascinarsi dietro pagine vecchie. Per domande mirate, un indice selettivo funziona quasi sempre meglio di un blocco monolitico.
llms.txt, robots.txt, sitemap e Schema.org: strumenti diversi
Il nome ricorda da vicino file storici della SEO tecnica, ma il mestiere è diverso. robots.txt impartisce regole di scansione ai crawler che le rispettano; la sitemap XML aiuta i motori a scoprire gli URL; Schema.org descrive entità e proprietà direttamente dentro le pagine. llms.txt fa un'altra cosa: propone a un agente una selezione curata di documenti da cui partire. Non blocca accessi e non interviene sui meccanismi di indicizzazione o posizionamento.
| Strumento | Funzione | Limite da conoscere |
|---|---|---|
robots.txt |
Direttive di scansione ai bot compatibili | Non protegge risorse riservate |
sitemap.xml |
Scoperta degli URL | Non garantisce indicizzazione |
llms.txt |
Selezione di risorse e contesto per agenti | Non garantisce lettura o citazioni |
| Schema.org | Descrizione di entità e proprietà | Non sostituisce le informazioni delle pagine |
C'è anche una differenza pratica sul perimetro dei link. Mentre una sitemap elenca gli URL del proprio dominio, llms.txt può rimandare a risorse esterne utili per usare un prodotto (a patto di controllarne affidabilità e aggiornamenti). Quando si devono decidere le priorità su un sito, conviene sempre partire dalle basi con una consulenza SEO che esamini architettura, indicizzabilità e qualità dei contenuti: l'indice per agenti affronta un'esigenza tecnica separata e non sostituisce il lavoro sul sito.
Come creare, pubblicare e mantenere un file llms.txt
Sul piano puramente tecnico basta un qualsiasi editor di testo. Il vero lavoro si fa prima di aprire il file: decidere quali fonti meritano di starci e a quali domande risponde ognuna. Una piattaforma SaaS metterà in evidenza autenticazione ed endpoint; un produttore industriale punterà su tolleranze e compatibilità; un'università su bandi e regolamenti. Serve una selezione editoriale ragionata, non un elenco automatico di tutte le pagine del sito.
Un file automatico e uno progettato: confronto su un catalogo B2B
Prendiamo un catalogo industriale con migliaia di componenti. Un generatore automatico spesso si limita a copiare le voci del menu principale, producendo un file formalmente valido ma poverissimo di contesto:
# Meccanica Nova
## Pagine
- [Home](https://example.com/)
- [Prodotti](https://example.com/prodotti/)
- [Novità](https://example.com/novita/)
- [Contatti](https://example.com/contatti/)
Se un agente deve capire se una specifica guarnizione regge una certa classe di temperatura, questo elenco non gli dice nulla che non potesse già intuire dalla homepage. Proviamo invece a guardare cosa succede quando a scrivere il file è chi conosce davvero il catalogo tecnico (sempre con URL dimostrativi):
# Meccanica Nova – documentazione tecnica
> Catalogo di guarnizioni e componenti per macchinari industriali.
Le tabelle di compatibilità fanno riferimento
alla revisione corrente delle schede tecniche.
Per prezzi e stock consultare il catalogo aggiornato.
## Scelta del componente
- [Materiali](https://example.com/docs/materiali.md): Compatibilità chimica
- [Temperature](https://example.com/docs/temperature.md): Limiti di impiego
- [Dimensioni](https://example.com/docs/dimensioni.md): Tolleranze e misure
## Verifiche
- [Certificazioni](https://example.com/docs/certificazioni.md): Norme e prove
- [Revisioni](https://example.com/docs/revisioni.md): Versioni delle schede
Entrambi i file rispettano la sintassi Markdown, ma la differenza di utilità è abissale. Il secondo guida subito verso le fonti pertinenti al compito e chiarisce quali dati non vanno cercati lì (prezzi e disponibilità). Costruire un indice del genere è un lavoro editoriale prima che informatico, molto vicino alle logiche del copywriting tecnico di documentazioni e contenuti specialistici.
Dal CMS al server: controlli prima della pubblicazione
Nel mondo WordPress diversi plugin — fra cui Yoast SEO e AIOSEO — offrono già funzioni per generare il file, così come piattaforme di documentazione quali Mintlify e GitBook. Le opzioni disponibili cambiano però da versione a versione, e soprattutto conviene controllare sempre cosa viene incluso davvero: automazione e revisione editoriale vanno tenute insieme, evitando di pubblicare alla cieca elenchi generati dal CMS.
Una volta caricato /llms.txt sul server, fai subito un controllo rapido da terminale per verificare header e corpo della risposta:
curl -i https://example.com/llms.txt
Non fermarti allo stato HTTP 200. Controlla il Content-Type, verifica che il server stia restituendo il testo Markdown vero (e non una pagina HTML di errore travestita da 200), controlla eventuali redirect a catena e testa i link verso i file .md collegati. Un indice pieno di collegamenti rotti fa solo perdere tempo a chi lo legge.
URL alternativi, versioni linguistiche e manutenzione
Pubblicare versioni .md delle pagine significa mettere online nuovi URL. Prima di procedere conviene decidere se lasciarli indicizzare o meno, assicurarsi che restino allineati alle pagine HTML e gestire eventuali rischi di duplicazione. Tieni presente che il rel="alternate" suggerito da llms.txt non sostituisce il canonical per Google: la gestione dell'indicizzazione va valutata secondo l'architettura del sito.
Sui siti multilingua ha senso tenere indici separati per percorso e lingua, con descrizioni coerenti. Metti infine in calendario una revisione periodica per ripulire documenti archiviati, nuove release e pagine rimosse. Gli script aiutano ad aggiornare i percorsi, ma quando cambia il peso o il significato di una fonte serve l'occhio umano: la manutenzione rientra a pieno titolo nel costo reale dell'iniziativa.
Quando llms.txt può essere utile: esempi per tipologia di sito
La dimensione o il settore del sito danno solo un primo indizio. La domanda decisiva è un'altra: quali agenti consultano davvero il portale, che compiti devono portare a termine e quanto sono ordinate le fonti ufficiali? È il tipo di compito — non l'etichetta del sito — a determinare se l'indice abbia senso.
| Progetto | Utilità ipotizzata | Risorse pertinenti |
|---|---|---|
| Documentazione API e SaaS | Alta | Reference, versioni, autenticazione, esempi |
| Portale B2B industriale | Media-alta | Specifiche, compatibilità, schede ufficiali |
| E-commerce consumer | Variabile | Guide stabili e policy pubbliche |
| Tour operator | Media | Destinazioni, tipologie di viaggio, condizioni |
| Università e formazione | Media-alta | Regolamenti, corsi, procedure |
| Magazine e sito editoriale | Variabile | Archivi tematici e guide evergreen |
| Piccolo sito vetrina | Generalmente bassa | Poche risorse già accessibili |
La tabella costituisce una valutazione qualitativa illustrativa, priva di test sul campo.
Documentazioni software e portali B2B con più versioni
Qui il caso d'uso è il più lineare. Un agente che deve integrare un servizio ha bisogno di endpoint, parametri e procedure aggiornate; se convivono più release, segnalare subito quella corrente evita errori costosi. Realtà impegnate nello sviluppo di portali e applicazioni B2B con integrazioni software hanno il terreno ideale per mettere alla prova questi indici, potendo verificare in modo oggettivo se le risposte tecniche migliorano.
Ricorda però il confine dello strumento: llms.txt orienta la lettura, ma non esegue azioni. Per inviare un ordine, consultare una giacenza o accedere a dati riservati servono API, autenticazione e protocolli operativi dedicati. L'indice può al massimo indirizzare l'agente verso la documentazione di quelle interfacce.
E-commerce, cataloghi industriali e informazioni dinamiche
In un progetto di e-commerce custom con un catalogo articolato, llms.txt può raccogliere tutto ciò che resta relativamente stabile nel tempo: schede tecniche, guide alla scelta, tassonomie, condizioni di reso e spedizione. Prezzi, scorte, promozioni e tempi di consegna cambiano invece di continuo e richiedono feed o API interrogabili in tempo reale: infilare dati volatili in un file statico garantisce solo informazioni scadute.
Turismo, formazione, editoria e siti aziendali
Un tour operator può usare l'indice per separare itinerari, tipologie di viaggio e condizioni generali, rimandando alle schede dinamiche per tariffe e partenze. Un ateneo può puntare dritto a bandi, requisiti di accesso e regolamenti; un magazine ai dossier tematici e alle guide evergreen. In tutti questi casi, indicare la versione ufficiale e aggiornata dei documenti è ciò che fa la differenza.
Su un piccolo sito vetrina da sei pagine, al contrario, llms.txt finisce quasi sempre per duplicare una navigazione già immediata. Su un portale da migliaia di documenti può offrire un reale orientamento, ma la mole da sola resta un'ipotesi finché non la si verifica su compiti reali.
Lighthouse, Google, ChatGPT e altre convenzioni: lo stato attuale
Attorno alla navigazione agentica si stanno moltiplicando sigle e strumenti. Per non fare confusione conviene tenere ben separati tre piani: gli audit tecnici del browser, le linee guida dei motori di ricerca e il comportamento effettivo dei sistemi che generano risposte.
Che cosa controlla Lighthouse nella categoria Agentic Browsing
Chrome Lighthouse ha introdotto una categoria sperimentale dedicata alle caratteristiche utili agli agenti, documentata a partire da Chrome 150 con condizioni aggiuntive per alcuni audit WebMCP. A differenza delle categorie classiche, non assegna un punteggio da 0 a 100. Sul controllo dedicato a llms.txt, Lighthouse segnala errore solo se il server fallisce durante il recupero; davanti a un normale 404 marca il controllo come N/A, confermando che il file non è un requisito obbligatorio.
Pur consigliando un documento Markdown conforme alla specifica, la documentazione pubblica del test non certifica la qualità editoriale dell'indice né garantisce impatti sui modelli AI. Superare quell'audit dice soltanto che il file è raggiungibile senza errori del server: non promette benefici SEO né prova che qualche agente lo stia usando.
Google Search, ChatGPT e gli accessi dei bot
La posizione di Google Search Central è netta: per comparire in AI Overviews e AI Mode non servono file testuali pensati per l'AI né marcature speciali aggiuntive. Continuano a valere le normali basi tecniche e qualitative della Ricerca, e il traffico generato dalle funzioni AI confluisce nel report di rendimento di Search Console sotto il tipo di ricerca Web. La visibilità su Google Search segue quindi regole indipendenti da /llms.txt.
Anche lato OpenAI conviene distinguere bene i bot documentati: OAI-SearchBot per la ricerca, GPTBot per la raccolta di dati di addestramento e ChatGPT-User per alcuni recuperi attivati direttamente dagli utenti. Ciascuno risponde a uno scopo diverso e la documentazione non indica llms.txt come prerequisito per essere citati in ChatGPT Search. Vale per tutti i vendor: prima di trarre conclusioni dai log, bisogna capire quale sistema ha fatto la richiesta e perché.
Chi affronta un percorso di consulenza AEO per migliorare la comprensibilità delle informazioni nei sistemi di risposta può senz'altro testare file orientati agli agenti, ma fissando prima obiettivi e metriche chiare. Vedere un crawler scaricare llms.txt nei log non dimostra affatto che le citazioni siano aumentate.
Shopify: /agents.md, /llms.txt e AGENTS.md indicano compiti differenti
L'approccio di Shopify fotografa bene come il settore stia differenziando i ruoli. /agents.md è il documento pubblico canonico che descrive le funzionalità commerciali dello store agli agenti (e di default /llms.txt e /llms-full.txt possono esporre lo stesso contenuto). Tutt'altra funzione ha AGENTS.md dentro la cartella del tema, che contiene istruzioni per gli agenti di sviluppo che lavorano sul codice e non va confuso con la vetrina pubblica.
Il punto è chiaro: un agente che consulta documentazione tecnica, uno che modifica codice e uno che interagisce con un e-commerce hanno bisogni diversi. I nomi dei file provano a mettere ordine in questi contesti, ma il loro valore pratico dipende sempre da quanti strumenti scelgono davvero di leggerli.
Diffusione e risultati di llms.txt: cosa mostrano gli studi
Le ricerche pubblicate finora misurano tre cose diverse: quanti siti hanno messo online il file, quante richieste riceve davvero e se esista un legame con le citazioni AI. Sono misure pensate per domande diverse, raccolte su campioni e periodi non omogenei, che non vanno sommate come se fossero un'unica serie storica.
HTTP Archive: diffusione e ruolo dei plugin
Il Web Almanac 2025 trova file validi sul 2,13% dei siti desktop e sul 2,10% di quelli mobile analizzati. Un dettaglio colpisce subito: nei file rilevati compaiono firme di All in One SEO nel 39,6% dei casi e di Yoast SEO nel 3,6% (ricavate dai commenti inseriti automaticamente dai plugin). Il dato mostra quanto la generazione automatica via CMS pesi sui numeri di adozione.
In pratica, molti siti pubblicano llms.txt semplicemente perché una spunta di un plugin era attiva o è stata provata per curiosità, senza alcun lavoro di selezione editoriale dietro. Il conteggio dei file esistenti misura la presenza tecnica, non l'intenzionalità né la qualità degli indici.
Ahrefs: il 97% senza richieste nel periodo osservato
Lo studio Ahrefs su 137.210 domini che usano Ahrefs Web Analytics individua circa 38.000 siti con un llms.txt valido. Di questi, il 97% non ha ricevuto neppure una richiesta al file nel mese di maggio 2026. Va letto con attenzione il perimetro del dato: riguarda quel campione e quella finestra temporale, non l'intero web in assoluto.
Anche guardando il restante 3% che registra accessi, Ahrefs attribuisce il 96% del traffico a bot. Solo una frazione arriva da sistemi AI riconoscibili; il resto viene da strumenti di audit, monitoraggio, ricerca e validazione del formato. Un hit sul file, preso da solo, non prova che un agente stia rispondendo a un utente reale.
SE Ranking: la presenza del file e le citazioni AI
Il 15 ottobre 2026 SE Ranking pubblica un'analisi su circa 300.000 domini, rilevando llms.txt sul 10,13% del campione. Incrociando la presenza del file con le citazioni nei sistemi AI monitorati tramite correlazioni e modelli predittivi, emerge che la variabile llms.txt non aggiunge potere predittivo utile al modello. Nei dati dello studio, insomma, un vantaggio generalizzato sulle citazioni non trova riscontro.
Naturalmente il test lavora su citazioni aggregate a livello di dominio e su un set specifico di risposte: non esclude che un agente ben configurato, su una documentazione tecnica curata, lavori meglio grazie a un indice mirato. Associazione statistica su larga scala e utilità operativa in un flusso controllato restano due piani distinti.
| Ricerca | Dato principale | Limite dell'interpretazione |
|---|---|---|
| HTTP Archive, 2025 | 2,13% desktop; 2,10% mobile | Misura presenza, senza misurare consultazione |
| Ahrefs, maggio 2026 | 97% dei circa 38.000 file senza richieste | Campione di siti con Ahrefs Web Analytics |
| SE Ranking, ottobre 2026 | 10,13% di adozione nel campione; nessun contributo predittivo utile sulle citazioni | Associazioni nel dataset, senza prova causale |
Messaggio operativo dei tre studi: mettere online il file, ricevere una chiamata HTTP e migliorare una risposta sono tre eventi separati, e ognuno va dimostrato con dati propri.
Limiti, sicurezza e qualità delle fonti
Come qualsiasi contenuto pubblicato da un'azienda, un file llms.txt riflette il punto di vista di chi lo redige. Può puntare a manuali ufficiali e aggiornati, ma anche a pagine vecchie, testi puramente commerciali o indicazioni fuorvianti. Un agente ben progettato lo tratta come una fonte esterna da valutare criticamente: un formato leggibile non equivale mai a un'autorevolezza garantita.
Prompt injection e gerarchia delle istruzioni
Si parla di prompt injection quando un testo esterno prova a dirottare il comportamento del modello inserendo comandi nascosti — per esempio chiedendo di ignorare la consegna dell'utente o di spacciare uno slogan di vendita per un fatto accertato. Il modello dovrebbe sempre considerare llms.txt come dato non fidato, subordinato alle proprie regole di sistema, senza mai eseguirlo come istruzione autorevole.
Non è un problema esclusivo di questo file: vale identicamente per HTML, PDF e pagine di terze parti. Chi sviluppa agenti deve separare nettamente la lettura dei dati dall'esecuzione di azioni e proteggere le operazioni sensibili con controlli dedicati. llms.txt non offre alcuna barriera di sicurezza nativa: la protezione dipende interamente da come sono costruiti l'agente e i suoi permessi.
Accessi, contenuti riservati e informazioni che cambiano
Elencare un percorso in llms.txt lo mette bene in vista. Evita quindi di inserire documenti interni, endpoint amministrativi o URL non destinati al pubblico. Certo, citare un link non scavalca autenticazioni o protezioni lato server, ma pubblicare percorsi riservati in un file aperto a tutti resta una cattiva pratica.
Occhio anche a tutto ciò che cambia spesso: listini, disponibilità di magazzino, partenze e condizioni contrattuali. Il file può spiegare dove interrogare i dati aggiornati, lasciando il lavoro operativo ad API o feed dinamici. Replicare manualmente numeri variabili in un file statico crea solo una seconda copia destinata a disallinearsi in fretta.
Come verificare l'utilità di llms.txt con un test riproducibile
Torniamo ad Atlas Desk, la piattaforma SaaS ipotetica dell'esempio, con 180 documenti tecnici. Il team vuole verificare con i fatti se un agente riesca a recuperare meglio le istruzioni per generare un token API, aprire un ticket e gestire un errore di autorizzazione. Quello che segue è un protocollo operativo pensato per questa guida (non il resoconto di un test eseguito da 2open): la premessa indispensabile è scegliere compiti che abbiano una risposta oggettivamente verificabile nella documentazione ufficiale.
Tre condizioni per separare scoperta autonoma e beneficio operativo
Per non mescolare due domande diverse, conviene impostare tre scenari sullo stesso corpus documentale. Nella condizione A l'agente lavora con le normali pagine web e la ricerca, senza alcun riferimento al file. Nella condizione B riceve esplicitamente l'URL di llms.txt come punto di partenza. Nella condizione C il file è pubblicato sul sito, ma nessuno lo segnala all'agente: tocca a lui scoprirlo.
| Condizione | Accesso al file | Domanda del test |
|---|---|---|
| A – Base | Nessuna indicazione; normali strumenti web | Quali risultati raggiunge l'agente senza aiuto? |
| B – Guidata | L'agente riceve il percorso llms.txt | Il file migliora il percorso se l'agente lo legge? |
| C – Spontanea | Il file esiste; nessuna indicazione | L'agente lo scopre e lo utilizza autonomamente? |
Il confronto fra A e B dice se il file migliora davvero il lavoro quando viene consultato; quello fra A e C verifica se la semplice pubblicazione basti a farlo entrare in gioco. Perché i risultati reggano, tieni fissi modello, versione, strumenti abilitati, documentazione e permessi, eseguendo sessioni pulite e indipendenti.
Una scheda di prova che un team possa ripetere
Prepara almeno tre compiti a difficoltà crescente: uno diretto (trovare l'endpoint per creare un ticket), uno intermedio (autenticazione più parametri richiesti) e uno insidioso (distinguere la procedura della versione corrente da quella deprecata). Prima di avviare le prove, un revisore mette nero su bianco le risposte corrette e le fonti ufficiali di riferimento.
Durante ogni esecuzione annota modello e versione, data, strumenti attivi, condizione A/B/C, tempo impiegato, documenti aperti, eventuali chiamate a llms.txt, token consumati (se visibili) ed esito. Stabilisci in anticipo il numero di ripetizioni per tenere conto della naturale variabilità delle risposte. Questa scheda minima di rilevazione aiuta a tenere in ordine i dati:
| Campo | Dato da registrare | Criterio |
|---|---|---|
| Compito e condizione | ID compito; A, B o C | Stesso obiettivo nelle tre condizioni |
| Modello e strumenti | Versione, browser, ricerca, accessi | Configurazione documentata |
| Fonti recuperate | URL richiesti e documenti pertinenti | Confronto con i riferimenti ufficiali |
| Risultato | Corretto, parziale, errato | Griglia definita prima delle prove |
| Efficienza | Tempo, richieste, token se disponibili | Confronto per singolo compito |
| Affidabilità | Citazioni corrette e affermazioni senza supporto | Revisione delle prove disponibili |
Usa la stessa griglia (corretto, parziale, errato) su tutte e tre le condizioni e valuta a parte la scelta delle fonti. Può succedere benissimo che l'agente apra la guida giusta in metà tempo ma sbagli comunque un parametro nella risposta finale: rapidità e accuratezza vanno sempre misurate separatamente.
Quattro livelli di evidenza, dal file al risultato
I log del server mostrano le richieste HTTP con percorso, orario e codice di risposta. Lo user-agent offre un indizio, ma può essere facilmente camuffato e non certifica l'identità del client. Per vedere se l'agente ha davvero usato quel testo per rispondere servono, quando disponibili, le tracce interne dell'ambiente di test: ciò che osservi dal server e ciò che accade dentro il modello non coincidono mai del tutto.
| Livello | Che cosa osservare | Errore da evitare |
|---|---|---|
| Pubblicazione | URL valido e contenuto recuperabile | Scambiare presenza per utilizzo |
| Consultazione | Richieste HTTP al file | Attribuire ogni bot a un agente AI |
| Utilizzo | Tracce delle fonti effettivamente impiegate | Dedurre l'uso dal solo accesso |
| Impatto | Differenze ripetibili in accuratezza o efficienza | Confondere una variazione casuale con un beneficio |
Per impostare un piano di rilevazione pulito può tornare utile una consulenza Web Analytics per organizzare dati, log e indicatori. Tieni presente che GA4 non intercetta i crawler che scaricano un file statico di testo: per quel tipo di traffico servono i log del server o della CDN.
Come leggere i risultati? Se la condizione B batte la A, l'indice semplifica davvero il compito quando lo si fornisce all'agente; se però nella C nessun client va a cercarlo, sai già che il file funziona soprattutto come ingresso guidato e non come leva di scoperta spontanea. Anche un pareggio fra le tre condizioni è un dato prezioso, perché ti evita di investire manutenzione dove non serve.
Quando conviene implementare llms.txt: una matrice di priorità
Per passare dalla teoria alla decisione pratica puoi valutare il tuo sito su quattro criteri, assegnando da 0 a 2 punti ciascuno. Si tratta di una griglia di lavoro editoriale — non di un modello predittivo sul posizionamento SEO — pensata per capire dove ha senso avviare un esperimento e dove invece conviene aspettare.
| Criterio | 0 punti | 1 punto | 2 punti |
|---|---|---|---|
| Complessità informativa | Poche pagine facili da esplorare | Più sezioni o versioni | Corpus articolato con scelte documentali difficili |
| Agenti e compiti identificati | Nessun caso noto | Possibili richieste da verificare | Flussi già presenti o configurabili |
| Qualità delle fonti | Documenti incompleti | Fonti disponibili con revisione necessaria | Documenti ufficiali, chiari e aggiornati |
| Misurazione e manutenzione | Assenza di responsabilità o dati | Verifiche manuali possibili | Log, test e revisione già organizzati |
Il punteggio massimo è 8. Per vedere come lavora la matrice, proviamo ad applicarla a tre scenari ipotetici:
| Progetto | Complessità | Agenti | Fonti | Gestione | Totale |
|---|---|---|---|---|---|
| SaaS con API e agenti configurati | 2 | 2 | 2 | 2 | 8/8 |
| E-commerce B2B con schede tecniche | 2 | 1 | 2 | 0 | 5/8 |
| Sito vetrina di poche pagine | 0 | 0 | 2 | 0 | 2/8 |
Nel primo caso il test merita priorità immediata: ci sono compiti chiari, documentazione ordinata e log pronti per misurare l'effetto. Nel secondo ha senso un pilota circoscritto sulle schede tecniche, ma solo dopo aver assegnato chi lo aggiorna e lo controlla. Nel terzo caso il file replicherebbe probabilmente una struttura già semplicissima, offrendo pochissimo ritorno.
Un punteggio basso nella voce gestione non boccia llms.txt in assoluto: avvisa piuttosto che, prima di pubblicare il file, bisogna attrezzarsi per osservarlo. In un piano strutturato di web marketing basato su priorità e risultati misurabili, anche un'attività rapida da realizzare va pesata sul costo opportunità rispetto ad altri interventi con impatto più certo.
Domande frequenti su llms.txt
Prima di mettere mano al server tornano quasi sempre gli stessi dubbi operativi su motori di ricerca, formati, multilingua e tracciamento. Ecco le risposte essenziali allo stato attuale.
llms.txt è obbligatorio per un sito?
No. È una convenzione del tutto volontaria e non comporta penalizzazioni se manca. Anche Chrome Lighthouse, davanti a un normale 404, segna il controllo come N/A: non pubblicare llms.txt non rappresenta un errore SEO.
llms.txt migliora il posizionamento su Google o le citazioni ChatGPT?
Al momento non ci sono prove che lo faccia. Google Search non lo richiede per le proprie funzioni AI e le ricerche quantitative viste sopra non rilevano un aumento generalizzato delle citazioni legato alla sua presenza. Può invece aiutare uno specifico agente su un compito documentale mirato, a patto che quel client lo legga davvero: servono prove sul campo circoscritte al singolo caso d'uso.
Serve una versione Markdown di ogni pagina?
Non necessariamente. La specifica raccomanda versioni Markdown per i documenti più utili agli agenti, segnalati via HTML o header HTTP, ma un file llms.txt può benissimo collegare anche pagine HTML o altri formati. Coprire l'intero sito in Markdown non è un prerequisito per pubblicare l'indice.
Come si organizza llms.txt su un sito multilingua?
Sfruttando le sottodirectory previste dalla versione 2. Puoi creare indici dedicati per ciascuna sezione linguistica — ad esempio /it/docs/llms.txt e /en/docs/llms.txt — assicurandoti che tutti i link interni restino coerenti con la lingua e che gli agenti abbiano modo di raggiungere il percorso giusto.
Come verificare se un agente ha letto davvero il file?
I log del server o della CDN ti mostrano le richieste HTTP a /llms.txt, ma da soli non provano né la reale identità del client (lo user-agent è falsificabile) né che il contenuto sia stato usato per costruire una risposta. Per chiudere il cerchio servono, dove accessibili, le tracce interne del sistema agentico: accesso al file e utilizzo effettivo restano due misure ben distinte.
Conclusioni: il valore di llms.txt dipende dall'uso reale
Con una sintassi leggera e alla portata di qualsiasi team, llms.txt offre un modo ordinato per presentare un sito e guidare gli agenti verso i documenti che contano. La versione 2 ha chiarito bene come gestire sottodirectory e versioni Markdown, e diversi strumenti ne rendono ormai immediata la pubblicazione. Sulle documentazioni tecniche e nei flussi agentici controllati ci sono casi d'uso concreti che meritano un test mirato.
Allo stesso tempo, i dati raccolti finora invitano a tenere i piedi per terra: tra pubblicare il file, ricevere richieste utili e ottenere un vantaggio visibile nelle risposte c'è ancora molta strada, e Google Search non lo richiede per le proprie funzioni AI. Prima di aggiungerlo al sito, definisci il compito da migliorare, seleziona con cura le fonti e decidi come misurare il risultato: prima si verifica il bisogno, poi si pubblica il file.
Fonti e metodologia
Questo approfondimento mette a confronto la specifica v2, le documentazioni ufficiali delle piattaforme citate e tre studi quantitativi recenti. Gli esempi di file, il protocollo di test e la matrice di priorità sono modelli illustrativi e non derivano da test eseguiti sul campo da 2open Per dettagli metodologici e aggiornamenti si rimanda alle fonti originali.
Jeremy Howard, The /llms.txt file, v2 — specifica ufficiale e formato, con storia e regole della proposta.
Chrome for Developers, Lighthouse: llms.txt — controllo facoltativo del file nella categoria Agentic Browsing.
Google Search Central, AI features and your website — requisiti per Google Search e misurazione nelle funzionalità AI.
HTTP Archive, Web Almanac 2025: SEO — diffusione del file e generatori CMS.
Ahrefs, We analyzed 137K sites — richieste ai file osservate nel maggio 2026.
SE Ranking, Does LLMs.txt impact AI visibility? — associazione con citazioni AI nel campione esaminato.
OpenAI Developers, Overview of OpenAI crawlers — crawler con funzioni differenti e accessi su richiesta.
Shopify Developers, agents.md.liquid — file pubblici per agenti e differenza rispetto al file del tema.