Qué hace de verdad llms.txt en 2026 (y qué no)

¿Qué es llms.txt, en un párrafo?

llms.txt es una convención propuesta: un archivo Markdown en la raíz de tu dominio (/llms.txt) que da a los grandes modelos de lenguaje un mapa curado y legible por máquina de tu contenido más importante. La idea es razonable. Cuando una herramienta de IA recupera una de tus páginas, no la lee como una persona; recibe HTML en crudo y tiene que extraer significado de un documento lleno de navegación, banners de cookies, scripts y enlaces de pie. Un índice limpio en Markdown, dice la propuesta, deja que un modelo salte el ruido y encuentre lo que importa. El desacuerdo no es si eso es una idea bonita —lo es—, sino si los sistemas que te importan usan el archivo de verdad. Eso es una pregunta empírica, y en 2026 por fin hay datos suficientes para responderla.

¿llms.txt ayuda a que te citen en la búsqueda con IA?

Con la evidencia disponible ahora, no, no de forma medible. Tres líneas de datos independientes apuntan en la misma dirección, y vale la pena verlas juntas porque cada una por separado se descarta con la mano.

Primera: los rastreadores no lo leen. Un análisis de más de 515 millones de visitas de bots de IA en una ventana de 90 días —filtrando en concreto los agentes que generan las citas, incluidos GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot y Google-Extended— halló que solo 408 de esas peticiones tocaron /llms.txt. No es un efecto pequeño; es estadísticamente indistinguible de cero. El archivo que debería guiar a los bots de búsqueda y de respuesta es, en la práctica, casi nunca solicitado por ellos.

Segunda: Google ha dicho que no, oficialmente. A mediados de 2025, Gary Illyes, de Google, confirmó que Google no admite llms.txt ni piensa hacerlo, y John Mueller lo comparó con la desacreditada metaetiqueta de palabras clave. La guía oficial de Google sobre optimización para IA es explícita en que el archivo no se necesita para la Búsqueda, y en que las Vistas creadas con IA y el modo IA se nutren del mismo índice y las mismas señales de calidad que los resultados orgánicos. Dos equipos de producto de Google enviaron señales contradictorias de pasada durante 2026, pero la postura documentada no ha cambiado: no es un factor de ranking ni de citación.

Tercera: la adopción es baja y plana. Un estudio de 300.000 dominios de SE Ranking situó la adopción en torno al 10% —uno de cada diez sitios, tras dieciocho meses de conversación del sector—. Un estándar que de verdad moviera las citas no se quedaría en uno de cada diez y se estancaría; el mercado tiende a perseguir lo que funciona. Así que si alguien te vende llms.txt como forma de posicionar o ser citado en ChatGPT, Perplexity, Claude, Gemini o el modo IA de Google, te vende algo que los datos no respaldan. Esa es la mitad cruda de la respuesta.

¿Dónde trabaja de verdad llms.txt?

En una capa distinta del sistema: la web agéntica, donde los agentes de IA actúan en nombre de una persona —recuperan contexto, eligen herramientas y completan tareas—. Es la parte que la mayoría de la cobertura se pierde, porque mira el archivo con lente de buscador y concluye que es inútil. Visto como señal entre agentes, el cuadro se invierte, y la evidencia es concreta, no aspiracional.

Anthropic recomienda llms.txt en su guía para escribir para agentes. OpenAI mantiene archivos llms.txt para su SDK de agentes y para el Protocolo de Comercio Agéntico. Se ha observado a Perplexity recuperando y usando llms.txt para priorizar qué páginas lee, al margen de la recuperación estándar. Mistral lo lee donde está presente, con el soporte de la especificación todavía madurando. Cada uno de esos es una gran empresa de IA usando el archivo de forma activa en un flujo de agentes —independientemente de que la Búsqueda de Google lo toque o no—. Por eso el encuadre más limpio en 2026 es el que casi nadie usa: llms.txt es una señal business-to-agent, no una palanca de buscador.

Hay incluso un viento de cola cultural que vale la pena notar. En Google I/O 2026, Logan Kilpatrick comentó que «el lenguaje de programación más en boga es el markdown» —medio en broma, pero apunta a algo real: que los flujos de agentes corren cada vez más sobre contexto limpio en Markdown—. Un llms.txt curado es una instancia pequeña de ese giro más amplio hacia hacer los sitios legibles para máquinas que actúan, no solo para máquinas que posicionan. Los datos de correlación encajan con esa lectura: las marcas que publican un archivo bien curado ven una mejora modesta pero medible en la tasa de citación en Anthropic y Perplexity en concreto, más fuerte en sitios con navegación enrevesada que se benefician de la curación explícita. Modesta y específica —ni la victoria universal que prometía el bombo, ni la nada que afirman los escépticos—.

Vale la pena detenerse en hacia dónde apunta esa capa agéntica, porque es donde llms.txt podría dejar de ser decorativo y volverse funcional. El Protocolo de Comercio Agéntico de OpenAI y el movimiento más amplio hacia agentes que compran, reservan y transaccionan en nombre de una persona son justo los flujos donde un mapa legible por máquina de tu sitio importa: un agente que completa una compra necesita conocer tus páginas de producto, tus condiciones y tus vías de contacto, rápido, sin raspar un diseño pensado para humanos. Si ese futuro llega a escala, llms.txt deja de ser un «estaría bien» y pasa a formar parte de ser transaccionable por agentes. Seguirá sin ser una palanca de citación en buscadores; será infraestructura para un canal distinto. La postura sensata: tener el archivo al día, listo por si ese canal le importa a tus compradores, sin fingir que hace algo en búsqueda que no hace.

Dónde encaja llms.txt en la capa de entidad

Hay un malentendido frecuente que conviene deshacer: tratar llms.txt como si fuera parte del trabajo de entidad, cuando son cosas distintas que a veces se confunden porque ambas «le hablan a la máquina». El trabajo de entidad consiste en que un motor pueda identificar quién eres con confianza —una descripción consistente y verificable de tu marca dentro de tu sitio y en la web en general, datos estructurados que te atan a referencias conocidas, una identidad que un motor reconozca sin adivinar—. Eso es lo que cierra la brecha de entidad en la etapa de generación, que es donde de verdad se decide la mayoría de las citas. Un archivo llms.txt no hace nada de eso: apunta a páginas, no convierte esas páginas en algo que merezca ser citado, ni le dice al motor que el «tú» de una página es el mismo «tú» de otra.

El orden correcto, entonces, es claro. Primero construyes la entidad: una sola descripción canónica de tu marca, datos estructurados que la vinculen a perfiles externos reales, y consistencia entre tu sitio y las plataformas donde apareces. Después, si tu producto vive en un entorno donde los agentes empiezan a actuar, añades el llms.txt como capa de preparación para esos agentes. Hacerlo al revés —pulir un archivo Markdown mientras tu entidad sigue siendo ambigua para los motores— es invertir esfuerzo en el remate de una casa cuyos cimientos aún no están. La entidad es el cimiento; el llms.txt, como mucho, una ventana bien puesta.

Esa distinción importa especialmente para una marca de SaaS B2B con un nombre que colisiona con otros en su categoría. Ahí, ningún archivo en la raíz del dominio resuelve la confusión; lo que la resuelve es una entidad descrita de forma consistente y anclada a identidades verificables, de modo que cuando un motor lee tu contenido sepa a qué «tú» atribuir la cita. Trabaja primero esa capa, mídela, y deja llms.txt para cuando los cimientos ya estén puestos y la capa de agentes empiece a pesar en tu mercado.

¿Por qué las dos posturas habituales están equivocadas?

El bando de «llms.txt es factor de ranking» se equivoca porque confunde un mecanismo plausible con uno demostrado. Es fácil argumentar que un índice limpio debería ayudar a un modelo a entender tu sitio; otra cosa es mostrar que los bots de búsqueda lo recuperan y que las citas se mueven como resultado. Nada de eso se sostiene: los bots no lo recuperan, Google lo desmiente y la adopción se ha estancado. Venderlo como atajo de citación es, siendo generosos, optimismo disfrazado de estrategia.

El bando de «llms.txt es inútil» se equivoca porque juzga el archivo solo con la lente de buscador y nunca revisa la agéntica. «Los rastreadores lo ignoran, luego no hace nada» se salta la pregunta de qué rastreadores y haciendo qué. Los bots de respuesta y de búsqueda lo ignoran; los marcos de agentes no. Descartar el archivo de plano significa perderse un uso genuino, aunque estrecho, que tres de las mayores empresas de IA ya han construido sobre él. Los dos bandos están seguros, los dos son ordenados y los dos se equivocan por la misma razón de fondo: tratan «la IA» como una sola cosa cuando es al menos dos —los sistemas que responden consultas de búsqueda y los sistemas que actúan como agentes— y llms.txt cae muy distinto en cada uno.

¿Deberías crear un archivo llms.txt?

Para la mayoría de sitios pequeños de SaaS B2B, productos liderados por desarrolladores y sitios con mucha documentación, la respuesta honesta es sí —con la expectativa correcta adjunta—. Cuesta poco producirlo, no puede perjudicarte y te posiciona para los flujos de agentes que varias grandes empresas de IA ya ejecutan sobre el archivo. Si tus compradores o sus herramientas empiezan a usar agentes que recuperan y actúan sobre contexto web, la preparación para agentes vale la tarde que lleva.

Pero créalo como preparación para agentes, no como jugada de citación, y mantenlo en su sitio. Debería estar cerca del final de tu lista de visibilidad en IA, no al principio. Si tienes que elegir entre escribir un llms.txt y arreglar las tres cosas que de verdad mueven las citas —contenido limpio renderizado en el servidor, una entidad coherente y verificable, y menciones ganadas en las plataformas de terceros que los motores leen—, haz esas primero, siempre. El archivo es un remate sobre una casa con cimientos, no un sustituto de los cimientos. El error más caro en 2026 es tratarlo como el atajo que te deja saltarte el trabajo difícil.

¿Cómo se escribe un buen archivo llms.txt?

Como un mapa curado, no un volcado. Los dos patrones de fallo son predecibles. El primero es tratar el archivo como un segundo sitemap —listando todas las URLs del sitio sin descripciones—, que da al agente volumen en lugar de guía y anula el sentido de la curación. El segundo es escribir etiquetas vagas como «haz clic aquí» o «leer más» que no dicen nada a una máquina sobre lo que encontrará. Ambos producen un archivo técnicamente presente y prácticamente inútil.

Un buen archivo hace lo contrario. Apunta a tus páginas más importantes —tu definición de entidad, tu producto principal, tu documentación real— y da a cada una una descripción corta y específica de lo que un agente encontrará allí. Piénsalo como un índice conciso escrito para un lector que debe elegir qué cargar dentro de una ventana de contexto limitada. Encabeza con la página que define quién eres y qué haces, porque es la página en la que un agente más necesita anclarse. Mantenlo corto, mantenlo al día, y trata cada línea como una guía que le das a una máquina que decide, en ese momento, qué leer sobre ti.

¿Qué hacer en su lugar, si tu meta son las citas?

Gasta el esfuerzo donde la evidencia dice que se deciden las citas. Tres cosas cargan con casi todo el peso, y ninguna es un archivo Markdown en la raíz. La primera es hacer tu contenido legible por máquina: HTML limpio renderizado en el servidor, porque los rastreadores de IA reciben marcado en crudo y el ruido estructural compite directamente con tu contenido dentro de una ventana de contexto fija. Si tu contenido importante solo aparece tras ejecutar JavaScript, o solo se revela al hacer scroll, un rastreador puede no verlo nunca —un fallo que tratamos con la misma seriedad que una página rota, porque para un motor lo es—.

La segunda es una entidad coherente: una descripción consistente y verificable de quién eres en tu propio sitio y en la web en general, para que un motor pueda atar lo que lee a un «tú» claro en vez de confundirte con un competidor de nombre parecido. La tercera es presencia ganada en las fuentes de terceros que los motores citan de verdad —discusiones de comunidad, plataformas de reseñas, páginas de comparación—, porque la mayoría de las citas de IA apuntan fuera de tu propio dominio. La investigación sobre los mecanismos de fondo confirma una y otra vez lo mismo: añadir estadísticas verificables y citas textuales claramente atribuidas mejora de forma medible la frecuencia con que te citan, mientras que el relleno de palabras clave de la vieja escuela rinde peor que no hacer nada. El trabajo que compone es el poco vistoso —y llms.txt, útil como es en la capa de agentes, no es una forma de evitarlo.

Si quieres saber dónde está tu marca de verdad en los cinco motores antes de gastar en nada de esto, eso es justo lo que mide nuestra auditoría de visibilidad en IA, y el método está publicado entero. llms.txt tiene un sitio en la lista. Solo que está mucho más abajo de lo que sugiere el ruido.

Y si decides construirlo, mídelo con honestidad en lugar de dar por hecho que funcionó. La señal más limpia que la mayoría de los equipos ignora está en sus propios registros de servidor: la frecuencia con que GPTBot, PerplexityBot y ClaudeBot piden una página tiende a subir unas semanas antes de cualquier alza en las citas, lo que convierte la frecuencia de rastreo en un indicador adelantado utilizable —y, de paso, en una forma de ver directamente si esos bots están tocando tu llms.txt o no—. La mayoría descubrirá que no lo tocan. Eso no es motivo de desánimo; es motivo para poner el archivo en su sitio y gastar el esfuerzo liberado donde los registros y los estudios coinciden en que rinde. Revisa los logs durante unas semanas, cruza las peticiones a /llms.txt con las de tus páginas principales, y deja que el dato —no la moda— decida cuánta atención merece el archivo. Casi siempre, la respuesta es: poca, y mejor invertida en otra parte —en la entidad, en el contenido y en las menciones que de verdad mueven la aguja, no en un archivo que casi ningún bot de búsqueda llega a leer—. El archivo no es el enemigo; tratarlo como la estrategia, sí.

llms.txt en 2026: respuestas rápidas

Una nota sobre fuentes y certeza

Todo lo anterior va fechado por una razón: es un área que se mueve rápido, y una afirmación segura de hace un año a menudo está mal ahora. Las cifras vienen de análisis públicos de 2026 —el estudio de bots de 515 millones de visitas, los datos de adopción de 300.000 dominios de SE Ranking, la propia guía de optimización de Google y sus comentarios oficiales, y la documentación publicada de agentes de Anthropic y OpenAI—. Donde el dato es correlacional y no causal, lo hemos dicho; la mejora en tasa de citación de un archivo curado es una correlación, no una garantía. Si los grandes motores cambian de postura —si Google se retracta, o si los bots de búsqueda empiezan a pedir el archivo a gran escala—, actualizaremos esta página y fecharemos el cambio. Esa disciplina de frescura no es un adorno: es lo mismo que premian los motores, aplicado a nuestra propia escritura.

The AC Group lleva 27 años ganando atención en internet por ser la fuente con sustancia y no la más ruidosa. Esta nota es ese principio aplicado a un tema donde las posturas ruidosas se equivocan en las dos direcciones. Si te ayudó a decidir qué publicar, cumplió su función —hables con nosotros o no—.