llms.txt: Qué es, Quién lo Lee, y Por Qué Desplegarlo de Todas Formas

Busque “llms.txt” y encontrará dos bandos, ambos equivocados en direcciones opuestas. Uno lo vende como el nuevo requisito obligatorio para la visibilidad en IA — genere el suyo hoy o desaparezca de ChatGPT. El otro lo rechaza como muerto al llegar porque Google dijo que no lee el archivo. Ninguno de los dos bandos plantea la posición real, que es más interesante que cualquiera de los dos argumentos: llms.txt es una propuesta sensata y bien diseñada que, hasta ahora, ningún motor de respuesta importante ha confirmado que consuma — y aun así vale la pena desplegarlo, porque cuesta alrededor de una hora y el riesgo es cero.

Esta guía es la versión honesta: qué es realmente el archivo, qué no es, qué dicen las pruebas sobre quién lo lee, y por qué el caso de bajo costo sobrevive al colapso de la exageración. Se encuentra bajo nuestro pilar de búsqueda de IA, junto a las disciplinas que demostrablemente aumentan la visibilidad en IA — la optimización de motores de respuesta principalmente.

Qué es realmente llms.txt

llms.txt es una propuesta estándar: un archivo Markdown servido en la raíz de su sitio — /llms.txt — que proporciona a los modelos de lenguaje un mapa curado y limpio de ruido de su contenido más importante. Fue propuesto en septiembre de 2024 por Jeremy Howard de Answer.AI, y la especificación vive en llmstxt.org. El razonamiento es sólido. Un LLM que lee su sitio en tiempo de inferencia enfrenta dos limitaciones: una ventana de contexto demasiado pequeña para ingerir todo, y HTML que entierra la sustancia bajo navegación, banners de cookies y scripts. Un índice Markdown curado manualmente resuelve ambos — aquí están nuestras páginas esenciales, una línea de cada una sobre por qué importan, en un formato que un modelo analiza de forma nativa.

El formato es deliberadamente simple: un H1 con el nombre del sitio, una cita de bloque resumiendo qué es el sitio, luego secciones de enlaces con descripciones cortas. La especificación añade dos compañeros opcionales — /llms-full.txt, que incrusta el contenido completo de las páginas clave en un archivo grande, y espejos Markdown de páginas individuales (añada .md a una URL, obtenga la versión de texto limpio). Las plataformas de documentación lo adoptaron primero: Mintlify despliega llms.txt para los sitios de documentación que aloja, y las empresas orientadas a desarrolladores — incluyendo Anthropic — publican las suyas propias. Esa adopción es real. Lo que significa es donde la honestidad tiene que empezar.

Qué no es llms.txt

La mayor parte de la confusión alrededor del archivo proviene de mapearlo a estándares a los que se parece superficialmente. No es robots.txt — no otorga ni restringe nada, y un rastreador que quiera ignorarlo simplemente puede. No es sitemap.xml — un mapa del sitio enumera cada URL para la maquinaria de indexación; llms.txt cura una lista corta para un lector con un presupuesto de atención pequeño. Y no es una señal de clasificación de ningún tipo: ningún motor de búsqueda ha dicho nunca que la presencia del archivo afecte cómo se clasifica un sitio o con qué frecuencia se cita.

Esa tercera fila es todo el debate. El archivo está bien diseñado y es barato de producir — pero un estándar solo es un estándar una vez que el otro lado del protocolo aparece. Hasta ahora, el lado de la publicación ha aparecido en fuerza y el lado del consumo no.

Las pruebas, honestamente: quién realmente lo lee

Aquí está el estado de la situación, expresado claramente. Google ha dicho que no usa llms.txt — John Mueller lo comparó públicamente con la metaetiqueta de palabras clave, una auto-descripción del sitio que ningún motor confía lo suficiente para consumir. OpenAI, Anthropic y Perplexity publican documentación de rastreadores cubriendo directivas robots.txt; ninguno de ellos documenta la búsqueda u honor de llms.txt para sus productos de búsqueda o respuesta. Y los profesionales que han revisado registros del servidor reportan el mismo patrón: los rastreadores principales de IA solicitan páginas, a veces de manera agresiva, y en gran medida no solicitan /llms.txt en absoluto.

Las estadísticas de adopción oscurecen esto, así que separe los dos lados del mercado. Miles de sitios publicando llms.txt es un hecho del lado de la oferta — prueba que el archivo es fácil de desplegar y la idea es atractiva. No prueba nada sobre el consumo. Que Anthropic publique un llms.txt para su propia documentación no significa que Claude busque el suyo; que Mintlify genere el archivo para cada sitio de documentación que aloja no significa que un motor de respuesta lea ninguno de ellos. El lado de la demanda — un motor diciendo “buscamos este archivo y cambia lo que citamos” — es la afirmación que importa, y no ha sido hecha por nadie que dirija un motor de respuesta a escala.

Miles de sitios publican llms.txt. Ningún motor importante ha confirmado leer uno. Un estándar con solo un lado de la oferta es una propuesta — y está bien tratarlo como exactamente eso.

Un detalle en vivo hace el punto mejor que cualquier argumento. Ejecute una verificación SERP en la consulta “llms.txt” misma y Google la responde con una Descripción General de IA encima de los resultados — una consulta sobre un archivo para respuestas de IA, resuelta por una respuesta de IA, obtenida de la web clasificada ordinaria. Los motores ya están sintetizando respuestas sobre llms.txt usando todo excepto llms.txt. Ese es el mecanismo de cero clics en miniatura, y un recordatorio de dónde vienen las decisiones de citación hoy: la página indexada, clasificada y citable — no el archivo de manifiesto junto a ella.

El caso de bajo costo para desplegar uno de todas formas

Dado todo eso, la recomendación honesta sigue siendo: despliega uno. No porque la exageración sea secretamente correcta, sino porque la apuesta es asimétrica de una manera que casi nada en SEO es. El costo es aproximadamente una hora y un pequeño archivo estático. El riesgo es cero — ningún motor penaliza el archivo, ningún usuario lo ve, nada se rompe. La ganancia tiene tres partes, en orden descendente de certeza.

Primero, la parte segura: escribirlo fuerza claridad de contenido. Para producir un buen llms.txt debe nombrar sus diez o veinte páginas más importantes y describir cada una en una línea honesta. La mayoría de los sitios no pueden hacer esto sin descubrir algo — páginas que se superponen, páginas que nadie puede resumir porque carecen de un punto, una arquitectura sin respuesta a “¿qué debería leer primero un extraño?” Esa auditoría editorial se paga a sí misma por la hora, independientemente de si alguna máquina busca el resultado.

Segundo, la parte real-hoy: agentes en tiempo de inferencia. Que los rastreadores ignoren el archivo no significa que nada lo lea. Un desarrollador apuntando un agente de codificación a su documentación, un investigador entregando su sitio a un asistente, una herramienta agentica a la que se le dice que evalúe su producto — estas búsquedas dirigidas de una sola vez son exactamente el consumidor para el que fue diseñada la especificación, y existen ahora. Para sitios pesados en documentación esta es una audiencia genuina, aunque estrecha.

Tercero, la parte especulativa: seguro. Si algún motor importante anuncia soporte, los sitios con el archivo ya en su lugar ganan un ciclo de noticias de ventaja inicial de forma gratuita. Pese esto en cerca de nada — con precio honesto, es un boleto de lotería que vino gratis con trabajo del que ya se benefició.

Cómo escribir un buen llms.txt en alrededor de una hora

Salte los generadores — el valor está en la curación, y la curación es la parte que un generador no puede hacer. El formato es Markdown simple: un H1 con el nombre del sitio, una cita de bloque de una o dos oraciones que exprese qué es el sitio y para quién es, luego algunas secciones H2 de enlaces, cada enlace seguido de una descripción de una línea. Tres reglas hacen la diferencia entre un archivo útil y un gesto simbólico.

Cure despiadadamente. Diez a veinticinco enlaces, no su mapa del sitio. El archivo existe porque la atención de un modelo es escasa; un llms.txt de 400 líneas ya ha fracasado en su propia premisa. Describa honestamente. Cada línea debe decir qué contiene una página, no venderla — “precios y comparación de planes” gana sobre “descubra nuestras soluciones flexibles.” Un modelo decidiendo qué buscar a continuación necesita pistas de información, no adjetivos. Manténgalo verdadero. Un llms.txt obsoleto que apunta a páginas renombradas es peor que ninguno. Genérelo a partir de su estructura de rutas o registro de contenido en tiempo de compilación si puede; en un sitio Next.js eso es un pequeño controlador de ruta leyendo la misma fuente de verdad que su mapa del sitio.

Dónde está el trabajo real de búsqueda de IA

El peligro con llms.txt no es desplegar uno — es confundirlo con una estrategia. Si su objetivo es ser citado por motores de respuesta, las palancas con evidencia real detrás de ellas son las poco glamorosas: estructura de página centrada en respuestas que un modelo puede citar textualmente, señales limpias de entidad y esquema, autoridad real, y páginas que responden directamente a las consultas con forma de pregunta ya visibles en su Consola de Búsqueda. Esa es la disciplina que nuestra guía AEO camina paso a paso, y nada de eso es reemplazado por un archivo de manifiesto. Los motores citan páginas que indexaron, clasificaron y podrían citar limpiamente. Un sitio con un llms.txt perfecto y respuestas enterradas pierde contra un sitio sin llms.txt y un primer párrafo citable — cada vez, en cada motor que alguien ha medido.

Así que secuéncelo honestamente: llms.txt va al final de la lista de verificación de búsqueda de IA, no al principio. Es el artículo más barato de la lista y también el menos consecuente — hazlo en la hora que merece, luego dedica el resto del trimestre al trabajo que determina si eres la fuente dentro de la respuesta.

Despliégalo, regístralo, espera nada

Una última disciplina, porque es la regla de la casa para todo lo que desplegamos: trate llms.txt como cualquier otro cambio — como una tarea rastreada con una expectativa honesta adjunta. En este caso la expectativa honesta es sin movimiento medible. No deje que nadie — proveedor, agencia, u su propio optimismo — atribuya un cambio de tráfico o citación a un archivo sin consumidores confirmados. Registre la tarea, anote que el impacto directo esperado es nil y el entregable real fue la auditoría de claridad, y revise sus registros del servidor en un trimestre para ver si algo lo buscó. Si el estándar alguna vez gana un consumidor confirmado, esa entrada de registro es su línea base antes/después. Ese es el hábito de bucle cerrado: cada cambio lleva su impacto esperado por adelantado, así que nadie puede reclamar crédito después del hecho por movimiento que no causaron.

Si quiere ver dónde se encuentra realmente su sitio con la búsqueda de IA — qué consultas ya lo exponen, dónde se ve pero nunca se elige, y qué páginas un modelo podría citar hoy — comience con un reporte de SEO gratis en sus datos reales de Consola de Búsqueda. No mencionará mucho llms.txt, y ahora sabe por qué: el archivo vale una hora, y las respuestas valen el trimestre. Si prefiere hablarlo, reserve una llamada.