Qué es llms.txt y cómo implementarlo con criterio

¿Qué es llms.txt y qué contiene?

llms.txt es un archivo de texto en formato Markdown que propone ofrecer una guía breve de las páginas relevantes de un sitio. Su intención es facilitar la orientación de herramientas de lenguaje, no reemplazar las páginas originales ni garantizar que una respuesta de IA las use. La propuesta y ejemplos están descritos en llmstxt.org.

Una versión práctica suele incluir un título, una explicación concisa del sitio y enlaces agrupados por tema, acompañados de descripciones breves. Por ejemplo, una empresa de software podría señalar su documentación, páginas de producto, políticas y preguntas frecuentes. El archivo se publica normalmente en la raíz del dominio, con la ruta /llms.txt.

Antes de escribirlo, define qué debería entender una persona —o una herramienta que consulta la web— sobre tu organización. Después elige páginas que respondan a esa necesidad. No conviertas el archivo en un catálogo indiscriminado: enlaces rotos, duplicados o descripciones vagas reducen su utilidad como índice. Para entender cómo encaja con otras tareas técnicas, consulta la guía de AEO técnico y llms.txt.

¿Hay evidencia de que llms.txt mejore la visibilidad en IA?

La evidencia pública disponible no permite tratar llms.txt como un factor confirmado para aparecer en respuestas de IA. La propuesta describe un formato y un posible uso; eso no equivale a que los principales buscadores o asistentes declaren que leen el archivo, lo incorporan de forma sistemática o lo usan para seleccionar citas.

Por tanto, separa tres afirmaciones que a menudo se confunden: el archivo existe en tu dominio, un sistema puede acceder a él y ese sistema lo utiliza al generar una respuesta. La primera se comprueba con una URL; la segunda, con acceso técnico; la tercera exige evidencia específica del sistema y no se deduce solo de publicar el documento.

Trátalo como una mejora de claridad y organización cuyo coste puede ser bajo si el sitio ya está bien estructurado. No lo priorices por encima de corregir información contradictoria, páginas inaccesibles o documentación desactualizada. Si tu objetivo es saber qué respuestas mencionan tu marca, establece una línea base y revisa consultas comparables mediante un proceso de monitoreo de visibilidad en IA. Así evitas adjudicar a llms.txt un cambio que podría tener otras causas.

Cómo implementar llms.txt paso a paso en el contenido

Para implementar llms.txt, empieza por la información que quieres hacer comprensible y verificable, no por llenar el archivo de enlaces. Una selección pequeña y coherente suele ser más útil que una lista extensa sin contexto.

Aplica este criterio de redacción:

• Escribe una descripción factual de la organización, el producto y su público.
• Agrupa enlaces bajo encabezados comprensibles, como producto, documentación o soporte.
• Añade una frase que explique qué encontrará el lector en cada página.
• Elige URL canónicas, públicas, estables y con contenido sustantivo.
• Retira páginas obsoletas, duplicadas o que contradigan la información principal.

Usa Markdown sencillo, sin depender de elementos visuales ni de contenido que solo aparezca tras iniciar sesión. Cada enlace debe llevar a una página que confirme lo que su descripción afirma. Revisa nombres, características y condiciones con la persona responsable del producto antes de publicar.

La implementación técnica consiste en colocar el archivo en la raíz del dominio y verificar que la ruta responde con el contenido esperado. Comprueba también que la versión publicada coincide con la revisada y que no se ha creado por error una ruta distinta, por ejemplo dentro de una subcarpeta. Si el sitio ya tiene marcado estructurado, considera ambas tareas como complementarias, no intercambiables; la guía de datos estructurados para búsqueda con IA explica ese otro formato.

Implementación de llms.txt para SaaS: qué incluir

En un SaaS, llms.txt puede orientar hacia la información que ayuda a entender el producto, pero no sustituye una documentación completa ni una página de producto clara. Antes de redactarlo, decide qué preguntas de evaluación y uso debe poder resolver alguien que aún no es cliente.

Una selección útil puede reunir páginas públicas sobre funciones, integraciones, casos de uso, precios vigentes, seguridad, soporte y documentación técnica. Incluye solo aquello que el equipo pueda mantener. Si una función está en beta, una integración tiene límites o una condición comercial varía por plan, la página enlazada debe explicarlo de manera explícita.

Para decidir qué entra, usa una regla sencilla: conserva una URL si responde a una pregunta concreta, tiene responsable interno y está razonablemente actualizada. Si la explicación completa ya existe, enlázala en lugar de copiarla dentro del archivo; mantener dos versiones del mismo dato facilita inconsistencias. Si operas en varios idiomas, crea una estructura que conduzca a las versiones correctas y comprueba que las etiquetas y rutas sean reconocibles.

Las empresas SaaS pueden combinar esta revisión con un diagnóstico de visibilidad de IA para SaaS, pero conviene separar los hallazgos del archivo de los cambios en contenido, autoridad o rastreabilidad.

Cómo configurar llms.txt para empresas locales

Para una empresa local, el archivo solo tiene sentido si ayuda a identificar con claridad el negocio y sus páginas de servicio. No reemplaza la información local de la web ni corrige por sí mismo datos contradictorios entre páginas.

Puedes seleccionar la página principal, servicios, zonas atendidas, contacto, horarios y preguntas frecuentes, siempre que esa información sea pública y se mantenga al día. Si hay varias sedes, enlaza páginas diferenciadas para cada ubicación en vez de resumirlas en una descripción ambigua. Evita publicar datos personales innecesarios o promesas que no aparezcan en las páginas de destino.

Comprueba que el nombre comercial, la dirección y las áreas de cobertura se expresen de forma coherente en el sitio. Si los horarios cambian en días festivos, indica dónde se consulta la información vigente. Después revisa los enlaces desde móvil y verifica que ninguna página importante dependa de una sesión iniciada.

No confundas el archivo con un mecanismo para mejorar la presencia en resultados locales. Si buscas una revisión más amplia de contenido y entidades, puedes explorar el trabajo de visibilidad de IA para negocios locales; llms.txt sería, como mucho, una pieza pequeña dentro de esa evaluación.

Implementación de llms.txt para el sector crypto

En un proyecto crypto, llms.txt puede reunir fuentes públicas que ayuden a explicar qué hace el proyecto y dónde verificar sus afirmaciones. La prioridad es reducir ambigüedades: una descripción del token no debería contradecir la documentación, las condiciones de uso o la información de seguridad.

Considera enlazar la web del proyecto, documentación, detalles del token, contratos o exploradores pertinentes, auditorías publicadas y canales oficiales. Incluye solo enlaces que el equipo controle o cuya legitimidad pueda confirmar. Distingue hechos actuales de planes futuros y fecha el contenido cuando su vigencia importe. No presentes una auditoría como garantía de seguridad ni conviertas una afirmación promocional en un hecho técnico.

Antes de publicar, pide revisión a responsables de producto, ingeniería y cumplimiento. Comprueba que las direcciones y redes sean correctas y que la documentación no exponga información confidencial. En proyectos multichain o multilingües, etiqueta con precisión la red y el idioma para que cada enlace conduzca a la fuente apropiada.

El archivo no sustituye una estrategia editorial ni la validación de fuentes externas. Para ordenar tareas más amplias de búsqueda y contenido, revisa la guía de SEO crypto y decide qué información merece una página propia antes de incorporarla al índice.

Cómo evaluar llms.txt frente a ChatGPT, Perplexity y Google AI Mode

Evalúa llms.txt como un cambio técnico y editorial delimitado, no como una prueba automática de que tu marca aparecerá en respuestas. ChatGPT, Perplexity y Google AI Mode son experiencias distintas; una observación en una no demuestra que las demás hayan leído o utilizado el archivo.

Antes de publicarlo, define preguntas reales de compradores y registra cómo responden las herramientas que te interesan: si mencionan la empresa, cómo describen el producto y qué fuentes muestran. Repite las mismas preguntas tras publicar, conserva el contexto de cada consulta y anota cambios en las fuentes citadas. No mezcles preguntas nuevas con la comparación inicial.

Interpreta los resultados con cautela: una respuesta puede variar entre consultas, y una cita a una página de tu sitio no prueba que llms.txt haya provocado esa cita. Revisa también los elementos que sí controlas: respuesta del servidor, enlaces accesibles, precisión del archivo y coherencia de las páginas enlazadas. Mantén un registro de cambios para saber qué se modificó y cuándo.

Si el objetivo principal es conocer cómo aparecer en Perplexity, prepara consultas representativas de tu mercado y observa las fuentes que la herramienta muestra. Para una medición más amplia, separa el seguimiento por plataforma y consulta la guía de monitoreo de menciones en IA.

Precios

Precios iniciales en USD. Paquetes a medida y descuentos por volumen bajo solicitud. Pago en USDT, USDC, BTC, ETH, SOL, TON o con el token de tu proyecto.

Cómo trabajamos

1. Define la finalidadAnota qué temas debe comprender una herramienta y qué páginas responden a esas preguntas. No empieces por recopilar todas las URL del sitio.
2. Selecciona y valida las fuentesElige páginas públicas, vigentes y controladas por tu equipo. Corrige contradicciones y confirma los datos sensibles con sus responsables.
3. Redacta el índiceOrganiza los enlaces por tema, añade descripciones breves y utiliza Markdown sencillo. Evita duplicar en el archivo textos que deban mantenerse en una página.
4. Publica y comprueba la rutaColoca el documento en la raíz del dominio y abre /llms.txt para confirmar que devuelve la versión correcta y que sus enlaces funcionan.
5. Observa sin atribuir de másCompara consultas relevantes antes y después, plataforma por plataforma. Registra cambios y evita presentar una variación de respuestas como efecto demostrado del archivo.