LLM SEO: come comparire nelle risposte dell’AI

TL;DR: LLM SEO significa diventare una fonte all’interno delle risposte di ChatGPT, Claude, Gemini e Perplexity, invece di inseguire un’altra posizione “con blue-link”. Parti dalla ricerca (retrieval): tieni sbloccati i bot di ricerca AI corretti, resta indicizzabile, pubblica passaggi facili da estrarre e citare, costruisci prove credibili anche al di fuori del tuo dominio e verifica se gli assistenti ti citano davvero. Non esiste una formula pubblica confermata per arrivare primi in una risposta AI.

Il principale errore è trattare un LLM come Google, con una casella di chat attaccata.

Un motore di ricerca di solito restituisce documenti ordinati per ranking. Un LLM sintetizza una risposta da ciò che ha appreso durante l’addestramento, da ciò che recupera dal web live e da qualunque indice supporti quel recupero. La tua pagina potrebbe influenzare la risposta anche senza ricevere un clic. Potrebbe anche posizionarsi bene su Google e non comparire mai nella risposta generata.

Non esiste una lista pubblica di fattori di ranking confermata per ChatGPT, Claude, Gemini o Perplexity. Chiunque prometta una formula ripetibile “numero uno in ChatGPT” sta vendendo certezza su qualcosa che i vendor non hanno fornito (io vorrei comunque anche quel dashboard).

Che cosa significa davvero LLM SEO

LLM SEO, chiamata anche LLM optimization, LLMO, GEO, AISO o answer-engine optimization, è la pratica di rendere un’azienda e i suoi contenuti più probabilmente presenti all’interno di una risposta generata da un’AI.

Il termine accademico è generative engine optimization. Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan e Deshpande hanno descritto GEO come “il primo nuovo paradigma per aiutare i creator di contenuti a migliorare la visibilità del proprio contenuto nelle risposte dei generative engine”. Il loro paper guidato da Princeton è stato accettato a KDD 2024.

La nomenclatura non è ancora stabile. Qui uso “LLM SEO” per il lavoro mirato specificamente ad assistenti come ChatGPT, Claude, Gemini e Perplexity. AI search optimization è più ampia e include superfici di risposta come Google AI Overviews e AI Mode.

L’esito economico è diverso da quello di un risultato di ricerca “normale”. Pew Research Center ha analizzato 68.879 ricerche Google fatte da 900 adulti statunitensi nel marzo 2025. Circa il 18% ha prodotto un riepilogo AI. Gli utenti hanno cliccato un risultato tradizionale nell’8% delle visite che includevano un riepilogo, contro il 15% quando nessun riepilogo compariva. Un link dentro il riepilogo ha ricevuto un clic solo nell’1% delle visite.

Questi dati riguardano i riepiloghi Google, non ChatGPT o Claude. Mostrano comunque il cambiamento strutturale: la risposta generata può sostituire il clic. Essere citati in quella risposta può avere valore anche quando il traffico di referral è debole o impossibile da attribuire.

I tre punti in cui un LLM trova la risposta

Non puoi prendere decisioni sensate di ottimizzazione per LLM finché non separi addestramento e retrieval. Coinvolgono sistemi, crawler e tempistiche diversi.

1. Dati di pre-addestramento: memoria “congelata”

I foundation model apprendono pattern e informazioni da grandi raccolte di testo durante l’addestramento. OpenAI afferma che GPTBot fa crawling di contenuti che potrebbero essere usati per addestrare i suoi foundation model generativi. Anthropic identifica ClaudeBot come un crawler usato per raccogliere contenuti web per l’addestramento del modello.

Non ti posizioni in questo livello. La tua azienda potrebbe essere stata rappresentata nel corpus di training, rappresentata in modo scarso o non presente. Pubblicare una correzione oggi non riscrive un ciclo di training già completato.

Documentazione ampia e coerente sul web può aumentare la probabilità che un modello futuro incontri il tuo brand. Tuttavia, non sono pubblici i dettagli esatti su inclusione e pesi. Io mi fido della distinzione tra training e retrieval; non mi fido delle affermazioni secondo cui dodici menzioni, venti link o una singola voce su Wikipedia produrranno un cambiamento prevedibile nella memoria del modello.

2. Live retrieval: lo strato su cui puoi intervenire più in fretta

Quando un assistente cerca o naviga, può recuperare documenti correnti e usarli per ancorare (groundare) una risposta. Questa pratica è comunemente chiamata retrieval-augmented generation, o RAG. Le citazioni normalmente derivano da questo processo di retrieval, non da un modello che “rivela” documenti singoli contenuti nel suo corpus di training.

Qui si colloca gran parte del lavoro pratico di LLM SEO. Una pagina deve essere disponibile per il crawler di ricerca rilevante, raggiungibile al momento della risposta e adatta all’estrazione. Se il sistema non riesce a recuperare un documento, non può usarlo come citazione live.

OpenAI assegna la “scoperta” (search discovery) a OAI-SearchBot, mentre ChatGPT-User gestisce le visite attivate dall’utente. Perplexity distingue PerplexityBot, che in risultati mostra e linka siti web, da Perplexity-User, che recupera pagine in risposta a domande. Anthropic elenca in modo analogo Claude-SearchBot e Claude-User.

3. L’indice web sottostante

Il retrieval ha bisogno di una collezione di documenti da cercare. Può essere un indice sottostante di Google o Bing, l’indice proprietario del vendor dell’assistente oppure una combinazione variabile di fonti. I rapporti con i provider e i sistemi di retrieval si muovono rapidamente, quindi evita di costruire assunzioni infrastrutturali permanenti attorno a una singola partnership di ricerca.

La conclusione “durevole” è più semplice: l’indicizzabilità normale conta ancora. Se i motori di ricerca non riescono a scoprire, renderizzare, canonicalizzare o indicizzare una pagina, i sistemi che attingono a quegli indici non hanno nulla di utile da recuperare.

Google lo rende esplicito anche per le sue funzioni AI:

“Non ci sono requisiti aggiuntivi per comparire in AI Overviews o AI Mode, né altre ottimizzazioni speciali necessarie.”

Google Search Central afferma anche che i siti non hanno bisogno di nuovi file machine-readable, file di testo per l’AI o markup speciale per comparire in quelle funzioni. Questa affermazione vale per Google AI Overviews e AI Mode, non per ChatGPT, Claude o Perplexity. Ridimensiona comunque parecchio “teatro” di prodotto non necessario.

La SEO classica non è diventata obsoleta. È diventata infrastruttura (o, più precisamente, parte dell’infrastruttura).

Permetti ai bot che servono le risposte

Una regola generica “blocca AI” è troppo netta. I crawler di training, i crawler di ricerca e i fetchers attivati dall’utente svolgono compiti diversi. Puoi rinunciare al training senza necessariamente autoescluderti dal retrieval delle risposte live.

La documentazione di OpenAI è esplicita nel bloccare OAI-SearchBot: i siti “opt-out” “non verranno mostrati nelle risposte di ricerca di ChatGPT”, anche se possono comunque comparire come link di navigazione. Perplexity afferma che PerplexityBot è progettato per far emergere e linkare siti web nei suoi risultati e non viene usato per fare crawling di contenuti per l’addestramento dei foundation-model.

Prendi tre decisioni separate:

• Policy di training: Decidi se GPTBot e ClaudeBot possono raccogliere contenuti per un possibile addestramento dei modelli.
• Visibilità in ricerca: Consenti OAI-SearchBot, PerplexityBot e Claude-SearchBot se vuoi avere visibilità in retrieval.
• Fetch da parte dell’utente: Assicurati che il sito resti tecnicamente raggiungibile quando un utente chiede esplicitamente a un assistente di accedervi.

Bloccare un crawler di training può essere una scelta di pubblicazione difendibile. Bloccare i crawler di ricerca mentre ti aspetti citazioni è contraddittorio. I fetch attivati dall’utente complicano l’enforcement perché OpenAI dice che robots.txt potrebbe non applicarsi a ChatGPT-User, mentre Perplexity dice che Perplexity-User in genere lo ignora.

Rivedi queste regole periodicamente. I nomi degli user-agent e le policy dei vendor possono cambiare.

Rendi la pagina facile da citare, non solo facile da posizionare

Una volta che il retrieval funziona, il compito successivo è offrire al modello un passaggio utile da estrarre.

L’evidenza sperimentale peer-reviewed più forte arriva dal paper GEO di KDD 2024. Il suo GEO-bench includeva 10.000 query e i ricercatori hanno testato interventi sui contenuti contro generative engine simulati. Hanno riportato che GEO poteva aumentare la visibilità fino al 40% nel loro benchmark.

È un risultato “fino a” dal benchmark, non una promessa di 40% di citazioni in più nel ChatGPT di produzione. Secondo la Tabella 1 del paper, l’aggiunta di citazioni ha prodotto un miglioramento del 27,8% e l’aggiunta di statistiche un miglioramento del 25,9% sulla metrica di conteggio parole aggiustato in base alla posizione. Citazioni, statistiche e fonti citate erano tra i metodi più forti testati.

Lo stesso paper ha scoperto che lo keyword stuffing aveva “poco o nessun miglioramento delle prestazioni” nelle risposte dei generative engine. Ripetere “best invoicing software” diciassette volte non è una strategia per LLM. Prima era a malapena una strategia di ricerca credibile.

Una pagina costruita per l’estrazione include di solito:

• Una risposta diretta subito sotto l’intestazione rilevante.
• Affermazioni specifiche attribuite a fonti nominate e credibili.
• Tabelle che confrontano attributi concreti senza nascondere la conclusione.
• Definizioni che restano sensate anche fuori dall’articolo circostante.
• Statistiche con date, popolazioni e abbastanza contesto per evitare riutilizzi fuorvianti.
• URL stabili e testo estraibile tramite crawling invece di fatti essenziali intrappolati dentro interfacce.

Io darei priorità alla densità di fatti rispetto alla sola lunghezza. Un articolo lungo può restare difficile da citare se ogni risposta viene sepolta tra “disclaimer” e introduzioni. Noi stessi abbiamo fatto questo errore: abbiamo aggiunto parole perché un content brief le prevedeva e abbiamo lasciato la frase utile sei paragrafi sotto l’intestazione (non proprio il nostro miglior istinto editoriale).

Lo schema può aiutare le macchine a interpretare entità della pagina e tipologie di contenuto, ma non confonderlo con un presunto “interruttore segreto” per citare via AI. Google dice esplicitamente che non serve alcun markup speciale per le sue funzioni AI. Prima di tutto, la struttura deve migliorare chiarezza per lettori e crawler.

Crea prove al di fuori del tuo dominio

Il tuo sito web è necessario, ma non è l’intero set di prove che un assistente può recuperare.

Nell’analisi di Aleyda Solis sulle citazioni AI-search per SaaS, le fonti di terze parti generavano tra l’84% e il 93% del peso delle citazioni across i subvertical e le piattaforme che lei ha studiato. La sua conclusione è netta:

“La maggior parte del peso delle citazioni AI arriva da fuori il tuo sito web.”

Questo è un pattern misurato nelle categorie SaaS, non un fattore di ranking confermato dai vendor. Ci dice dove comparivano le citazioni nella sua analisi; non dimostra che pubblicare una singola menzione della community faccia raccomandare un brand a un assistente.

L’implicazione pratica resta comunque importante. Documentazione, pubblicazioni consolidate, recensioni, comparazioni, discussioni della community, video e siti di software peer creano prove indipendenti. Un assistente ha più materiale su cui lavorare quando diverse fonti credibili concordano su cosa fa un’azienda, rispetto a quando ogni affermazione nasce esclusivamente dalla homepage di quella azienda.

La nostra guida su dove gli LLM trovano il tuo brand analizza queste superfici esterne in modo più dettagliato.

Non trasformare questo in spam di menzioni sintetiche. Un buon lavoro off-site somiglia a questo:

1. Pubblica dati, documentazione, esempi o definizioni originali che valga davvero la pena citare.
2. Ottieni inclusione nelle comparazioni rilevanti invece di “fabbricare” decine di inserzioni sottili.
3. Mantieni i fatti sul prodotto coerenti tra il tuo sito e i profili di terze parti.
4. Offri agli autori un URL sorgente stabile per le affermazioni importanti.
5. Correggi le imprecisioni dei contenuti quando hai un percorso legittimo per farlo.

SEOJuice è un team di due persone, Lida ed io. Non possiamo battere le grandi aziende SaaS sul budget PR, quindi la nostra leva più realistica è essere “citabili”: documentazione di prodotto chiara, esempi riproducibili e URL che resistono ai cambiamenti operativi.

Quest’ultimo punto è diventato concreto quando abbiamo migrato seojuice.io su seojuice.com a gennaio 2026. Un cambio di dominio non è solo un progetto di ranking Google. Redirect, canonical, link interni e riferimenti di terze parti aggiornati preservano anche la “traccia della fonte” che gli assistenti potrebbero recuperare (e sì, la pulizia della migrazione ha richiesto più tempo di quanto suggerisse la checklist ordinata).

Un ordine operativo pratico per l’ottimizzazione LLM

Lavorare in ordine di dipendenze. La lucidatura del contenuto non può salvare una pagina esclusa dal retrieval.

Scegli prompt che rappresentano davvero una decisione: “Quali strumenti aggiungono automaticamente link interni a un blog SaaS?” è più diagnostico che digitare il tuo nome di brand e chiedere al modello di “recensirlo”. I prompt con il brand verificano soprattutto se l’assistente riesce a trovarti; i prompt per categoria e comparazione testano se ti seleziona.

Registra l’assistente, il modello o la modalità, il prompt esatto, la data, lo stato di browsing, i brand menzionati, gli URL citati e l’ordine delle raccomandazioni. Un modello che risponde solo da memoria di training non è lo stesso test di un assistente che recupera fonti live.

Aspettati rumore. Le risposte generate cambiano, la personalizzazione può interferire e non esiste l’equivalente di Google Search Console che segnala ogni impression AI. Ho scambiato un pugno di prompt riusciti per una tendenza in passato. Gli screenshot sembrano convincenti; cinque osservazioni restano cinque osservazioni.

Dove si inserisce SEOJuice

SEOJuice non può garantire che un LLM ti citi. Nessun tool esterno controlla i sistemi di retrieval e sintesi dell’assistente.

Quello che automatizziamo fa parte dello strato necessario come prerequisito. SEOJuice lavora su un sito live e applica continuamente internal links, meta title e meta description, markup schema e testo alternativo (alt text) delle immagini. Questi miglioramenti supportano la scopribilità e una struttura pulita del sito, ma non dovrebbero essere venduti come fattori di ranking segreti di ChatGPT.

Per la misurazione, il nostro AI visibility checker testa se le AI engines citano o menzionano il tuo brand per prompt selezionati. Ti dice dove compari e dove sei assente; non “costruisce” una citazione.

Se questo è il gap che devi diagnosticare, verifica se ChatGPT e Perplexity menzionano il tuo brand con l’AI Visibility Checker gratuito. SEOJuice ha un piano gratuito e non richiede una carta di credito.

Il cambiamento più ampio non è che la SEO sia morta. La SEO classica è necessaria ma insufficiente perché il retrieval dipende ancora dal web aperto, mentre l’output desiderato si è spostato dal posizionare un link all’essere parte della risposta. Questa è la transizione pratica da SEO a GEO.

Domande frequenti

Che cos’è LLM SEO?

LLM SEO è la pratica di ottimizzare un brand e i suoi contenuti affinché assistenti come ChatGPT, Claude, Gemini e Perplexity possano farli emergere e citarli all’interno di risposte generate. È anche chiamata LLMO, GEO, AISO o answer-engine optimization. L’esito principale è una menzione o citazione, non una posizione con blue-link.

Come decidono i LLM cosa citare?

Una risposta può combinare dati di pre-addestramento, retrieval live dal web e un indice sottostante come Google, Bing o l’indice proprietario del vendor. Per le citazioni attuali, concentrati sul live retrieval: consenti i bot di ricerca rilevanti, resta indicizzabile e pubblica passaggi chiari con fonti. Oltre questi gate di accesso, i vendor non hanno pubblicato le formule con cui selezionano le citazioni.

Come si distingue LLM SEO dalla Google SEO?

La SEO classica di solito punta a un risultato di ricerca con ranking. LLM SEO punta all’inclusione dentro una singola risposta sintetizzata. Indicizzabilità, autorevolezza e link supportano ancora il retrieval, ma le tattiche basate sulla densità di keyword non si trasferiscono. Anche la misurazione cambia: da posizioni e clic verso test ripetuti tramite prompt, menzioni, fonti citate e inclusione nelle raccomandazioni.

Come faccio a far trovare il mio sito a ChatGPT e Perplexity?

Non bloccare i loro search crawler: OAI-SearchBot per ChatGPT e PerplexityBot per Perplexity. OpenAI e Perplexity identificano separatamente ChatGPT-User e Perplexity-User come fetcher attivati dall’utente. I crawler di training come GPTBot sono separati dal search retrieval, quindi puoi prendere decisioni di accesso diverse per training e ricerca.

Devo bloccare i bot AI dal mio sito?

Separa la decisione sul training da quella sulla visibilità. Bloccare GPTBot o ClaudeBot esclude contenuti dalla raccolta di training di quei vendor. Bloccare OAI-SearchBot, PerplexityBot o Claude-SearchBot può rimuovere il sito dalle loro superfici di retrieval. Un sito che cerca citazioni AI dovrebbe in genere mantenere accessibili i bot di ricerca rilevanti, decidendo però internamente la policy sui crawler di training.

Posso garantire che un LLM citi la mia azienda?

No. Puoi controllare crawlability, indicizzabilità, chiarezza fattuale e la qualità delle tue prove esterne. Il lavoro sperimentale suggerisce che citazioni, statistiche e fonti citate possano migliorare la visibilità nelle risposte generative, mentre l’analisi dei practitioner mostra un peso sostanziale delle citazioni su siti di terze parti. Nessuno dei due fornisce una citazione garantita e nessun vendor ha pubblicato una lista completa di fattori di ranking.