Il 97% dei file llms.txt non viene letto, ma i bot li usano per azioni concrete

Abbiamo visto funnel dove llms.txt veniva implementato come un nuovo sitemap per l’AI. Le sessioni organiche da agenti non sono aumentate di un punto percentuale. Poi abbiamo misurato cosa accadeva dall’altra parte: il 96% delle richieste che raggiungevano il file veniva da bot, non da motori di discovery. il 97% dei file llms.txt mai letti ha contato 137.000 siti e trovato che la stragrande maggioranza di quei file non veniva neppure sfiorata, mentre GPTBot e Claude-Code guidavano la classifica dei crawler che li interrogavano. Sembra un fallimento.

È invece la traccia di un funnel nuovo, dove la metrica sbagliata è la reach e quella giusta è l’azione.

Google non ha usato mezzi termini. John Mueller ha spiegato che llms.txt è inaffidabile per la scoperta: un sito può dichiarare qualunque cosa e un LLM non ha modo di verificare. La funzione originaria, proposta da Jeremy Howard nel 2024, era permettere a un modello già consapevole del dominio di capire “cos’altro c’è”. Usare llms.txt per farsi trovare, ha detto Mueller, semplicemente non ha senso. il difetto fondamentale di llms.txt secondo Google diventa però un’opportunità se rovesciamo la prospettiva: non scoperta, ma conversione.

Perché un file markdown letto solo da bot è un asset CRO

Nessun essere umano naviga llms.txt. Eppure i dati raccontano di un traffico esclusivamente automatizzato: zero richieste a file inesistenti da parte di AI bot, conferma il 97% dei file llms.txt mai letti. Se un agente interroga quel file, non sta cercando un link blu: sta cercando istruzioni per agire. La domanda per chi testa funnel non è quindi “quanti agenti vedono il sito” ma “quanti agenti, dopo aver letto il file, completano un’operazione per conto dell’utente”.

Mueller stesso ha indicato una direzione concreta: proposte come la proposta WebMCP come alternativa potrebbero dare a un agente capacità transazionali – filtrare prodotti, cercare, confrontare, aggiungere al carrello. llms.txt, scritto in markdown, leggero e già presente, potrebbe funzionare da layer di discovery interna per queste abilità, non per Google ma per l’agente che è già sul sito con un compito da svolgere.

L’agente che compra, non il crawler che indicizza

Il marketing agentico è definito come lavoro eseguito da un sistema AI che sceglie i passi, utilizza strumenti, verifica l’output e continua fino al completamento. Dentro il marketing agentico è già attivo Agent A, dotato di come l’AI Mention Gap Analysis, che trova i competitor, misura la frequenza con cui ChatGPT, Perplexity, Gemini e AI Overviews di Google li raccomandano e restituisce domande in cui l’AI cita un rivale ma non te, con volume di ricerca e angolo di contenuto suggerito. Non è una ricerca di brand awareness: è un briefing tattico per riempire un vuoto competitivo che l’agente ha già rilevato e su cui può agire.

Ecco il crinale: llms.txt potrebbe diventare il protocollo tramite cui un agente, dopo quella gap analysis, interroga il sito per verificare se il prodotto mancante è disponibile, a quale prezzo, con quale disponibilità, e lo confronta con altri. Non ci sono ancora A/B test pubblicati su questo meccanismo, ma la sequenza logica è falsificabile: se un file llms.txt ben strutturato include endpoint di filtro e conferma, il tasso di completamento di un task da parte di un agente potrebbe essere misurabile. Zero impression, zero clic, ma una variabile dipendente nuova: “task completati dall’agente”.

Quanto manca a un test significativo

Le capacità transazionali di WebMCP restano un’architettura proposta, non uno standard adottato. ricorda che né llms.txt né WebMCP aiutano oggi la scoperta. Tuttavia, chi gestisce CRO per e-commerce ha già gli asset: un file llms.txt che elenca non solo pagine ma azioni possibili (confronta, filtra, aggiungi) potrebbe essere il primo componente da testare non appena un agente compatibile con WebMCP sarà rilasciato in beta pubblica. Servirà una metrica primaria chiara – tasso di esecuzione dell’azione – e una MDE calcolata contro una baseline di zero, perché oggi quel tipo di conversione semplicemente non esiste.

La domanda aperta non è se llms.txt funzioni, ma dopo quanto tempo dal primo agente transazionale qualcuno pubblicherà i primi risultati di test con significatività statistica.