El archivo llms.txt: qué hace, quién lo lee y si usted lo necesita

¿Qué es el archivo llms.txt?

Es la propuesta de un archivo en Markdown sencillo, situado en la raíz de un sitio web, que ofrece a los modelos de lenguaje un breve resumen del sitio y enlaces a sus páginas más útiles. Jeremy Howard, de Answer.AI, publicó la idea el 3 de septiembre de 2024, y la propuesta está documentada en llmstxt.org.

El razonamiento era sensato: las páginas web están llenas de navegación, scripts y maquetación que dificultan su lectura a un modelo dentro de una ventana de contexto limitada, así que un resumen limpio y seleccionado podría ayudarle a encontrar rápido el material adecuado. La propuesta se dirigía sobre todo a la documentación, donde un desarrollador o un asistente de programación quiere las páginas de referencia, no el sitio comercial.

Lo que la propuesta no hizo fue obligar a nadie a leer el archivo. Es una sugerencia publicada por su autor, no un estándar adoptado por los buscadores, y esa distinción es el núcleo del debate.

¿Usan Google o algún buscador con IA el archivo?

No, al menos que se haya confirmado. Según informó Search Engine Land, Gary Illyes, de Google, dijo que Google no lo admite, y John Mueller dijo que "ninguno de los servicios de IA ha dicho que use LLMs.txt", y lo comparó con la antigua etiqueta meta keywords, que los buscadores aprendieron a ignorar.

No hemos encontrado ninguna declaración pública de OpenAI, Perplexity, Microsoft, Anthropic o Google que afirme que sus motores de respuesta leen el archivo al decidir qué citar. Eso puede cambiar, y si un motor importante documenta su uso actualizaremos esta página. Hasta entonces, cualquier agencia que presente el archivo como una palanca para conseguir citas vende una esperanza, no un mecanismo documentado.

Conviene compararlo con lo que los motores sí documentan. OpenAI publica cómo sigue OAI-SearchBot el archivo robots.txt. Perplexity documenta PerplexityBot. Anthropic documenta Claude-SearchBot. Google documenta que AI Overviews y AI Mode dependen de Googlebot y de su índice habitual. Esos son los controles con efectos declarados.

¿Qué dice Google que necesita en su lugar para la búsqueda con IA?

SEO de toda la vida. La guía de optimización para IA de Google, actualizada en julio de 2026, dice que optimizar para la búsqueda con IA generativa "sigue siendo SEO" y que no se necesitan archivos, marcado ni Markdown especiales.

La documentación de Google sobre sus funciones de IA añade que a una página solo le hace falta estar indexada y ser apta para mostrar un fragmento para aparecer en AI Overviews o AI Mode, sin requisitos adicionales ni optimizaciones especiales. Google también dice que no existe un marcado schema.org especial para la búsqueda con IA generativa. En conjunto, la postura de Google es clara: un resumen en Markdown de su sitio no es algo que necesiten sus funciones de IA.

¿En qué se diferencia de robots.txt y del sitemap?

Robots.txt y los sitemaps son archivos consolidados que los rastreadores documentan y respetan; el archivo nuevo es una propuesta sin ningún lector confirmado entre los motores de respuesta. La tabla siguiente resume las diferencias prácticas.

¿Dónde resulta realmente útil el archivo?

Sobre todo en la documentación para desarrolladores. Varias empresas de IA publican el archivo para su propia documentación técnica, donde ofrece a los agentes de programación y a los asistentes de IA de los desarrolladores un índice limpio de las páginas de referencia. La documentación de comercio de OpenAI para comerciantes, por ejemplo, se publica como un archivo llms-full.txt.

Si su empresa ofrece una API, un SDK o documentación técnica, publicar uno es una cortesía razonable hacia los desarrolladores que pegan su documentación en una herramienta de IA o usan un agente que busca el archivo. Para un sitio de marketing típico, una empresa de servicios o una tienda, el beneficio es pequeño y no está demostrado. No hace daño, cuesta poco, y eso es lo más honesto que se puede decir.

¿Debería publicar uno de todos modos?

Si le lleva una hora y tiene documentación o una jerarquía de páginas clara, adelante, pero preséntelo como higiene, no como estrategia. No pague una cuota mensual por ello y no espere que cambie lo que ChatGPT o Google AI Overviews dicen de usted. Si alguien se lo presenta como el motivo por el que no aparece en las respuestas de la IA, pídale que le muestre la documentación del motor en cuestión; hasta ahora no existe.

Si lo publica, manténgalo preciso y actualizado. Un resumen desfasado que enumera productos retirados o precios antiguos es peor que no tener ninguno, porque añade otro lugar donde sus datos pueden divergir. Enlace solo a las páginas que quiere que se lean, asegúrese de que esas páginas sean HTML rastreable y añádalo a la lista de archivos que revisa cada vez que cambia la estructura del sitio.

¿Qué archivos y ajustes de IA respetan realmente los motores?

Los tokens de robots.txt y, en Cloudflare, el robots.txt gestionado y las señales de contenido. Es ahí donde usted decide qué pueden hacer los rastreadores de IA, y los proveedores documentan cómo responden.

La clave es separar búsqueda y entrenamiento. OAI-SearchBot, PerplexityBot y Claude-SearchBot descargan páginas para que esos productos puedan mostrarlas y citarlas; GPTBot, ClaudeBot y CCBot recopilan datos de entrenamiento. Google-Extended no es un rastreador, sino un token de control de robots.txt: Google dice que regula el entrenamiento de Gemini y el grounding de las Gemini Apps y que no afecta a la inclusión en la Búsqueda de Google, mientras que AI Overviews y AI Mode usan Googlebot. Applebot-Extended funciona igual para el entrenamiento de los modelos fundacionales de Apple y no rastrea.

El robots.txt gestionado de Cloudflare puede añadir una línea como Content-signal: search=yes, ai-train=no y bloquear por usted los principales rastreadores de entrenamiento. Eso permite a una empresa excluirse del entrenamiento sin dejar de ser visible en la búsqueda con IA, que es la decisión que la mayoría de las empresas necesita tomar de verdad. Es una elección mucho más relevante que publicar o no un resumen en Markdown.

¿Qué debe corregir antes de plantearse el archivo?

Corrija lo que los motores han documentado, más o menos en este orden. Cada punto tiene un efecto declarado u observable en que los motores de respuesta puedan llegar a usted y citarle.

• Robots.txt: permita Googlebot, Bingbot, OAI-SearchBot, PerplexityBot, Claude-SearchBot y Applebot; decida por separado sobre los tokens de entrenamiento como GPTBot, ClaudeBot, Google-Extended, Applebot-Extended y CCBot.
• Cloudflare: desde el 1 de julio de 2025 su configuración por defecto bloquea los rastreadores de IA salvo que paguen, así que revise los ajustes de rastreadores de IA y de robots.txt gestionado en lugar de dar el acceso por supuesto.
• Logs del servidor: confirme que los rastreadores de búsqueda reciben respuestas HTTP 200, no desafíos ni errores.
• Renderizado: sirva el contenido clave como HTML renderizado en servidor, no solo mediante JavaScript en el cliente.
• Contenido: encabezados en forma de pregunta con una respuesta directa debajo, bloques de preguntas frecuentes y fechas de última actualización visibles.
• Entidades: datos de la empresa coherentes en el Organization schema, los enlaces sameAs, Wikidata y los sitios de reseñas o directorios que usan sus compradores.

¿Cómo sabría si los motores empiezan a usarlo?

Esté atento a la documentación oficial y a los logs de su propio servidor. Si OpenAI, Google, Perplexity, Microsoft o Anthropic añaden el archivo a su documentación para rastreadores o webmasters, esa será la señal para tomárselo en serio.

Mientras tanto, sus logs de acceso mostrarán qué user agents solicitan /llms.txt y con qué frecuencia. Las peticiones de un rastreador de búsqueda conocido merecerían anotarse, aunque una descarga por sí sola no demuestra que el contenido influya en las respuestas. La prueba real es la misma que usamos para cualquier cambio de AEO: un conjunto fijo de prompts ejecutado antes y después, comparado mes a mes.