Beneficios y limitaciones

Beneficios

1. Un contrato publicado y legible por máquinas

El primer beneficio concreto es interno: escribir un llms.txt obliga a tu equipo a ponerse de acuerdo sobre qué páginas representan de verdad al proyecto. La mayoría descubre que el archivo que acaba publicando es más corto y más claro que su propia navegación, y ese ejercicio ya vale por sí solo.

2. Mejor fundamentación para los asistentes que sí lo leen

Cuando alguien pega tu dominio en Claude, ChatGPT, Perplexity o un pipeline RAG propio, varias de esas herramientas (o sus integraciones) buscan primero /llms.txt. Un archivo bien curado les da las páginas sobre las que quieres que fundamenten sus respuestas, en lugar de lo que la web abierta saque a flote.

3. Un corpus estable y citable

Con llms-full.txt al lado, un asistente puede ingerir tu documentación como un único artefacto y devolver citas a URLs concretas. Ese comportamiento de citación importa para la confianza y para el clic.

4. Desambiguación para marcas ambiguas

Si tu nombre choca con otra empresa, producto o término, el resumen en blockquote al principio del llms.txt es tu desambiguador de un solo tiro. Controlas la primera frase que un asistente lee sobre ti.

5. Una base defendible para el trabajo de GEO y AEO

La Generative Engine Optimization (GEO) y la Answer Engine Optimization (AEO) son disciplinas aún emergentes. Publicar un llms.txt es una de las pocas tácticas concretas y de bajo riesgo: el coste son horas y el beneficio potencial son citas reales.

Limitaciones

1. Google ha dicho expresamente que no lo usa

Ningún buscador importante se ha comprometido públicamente a usar llms.txt como señal de posicionamiento o de fundamentación, y Google ha dicho lo contrario más de una vez. El detalle y las fuentes están en ¿Google usa llms.txt?. Que Anthropic, Mintlify, Cloudflare, Stripe y Vercel publiquen el archivo no significa que lo consuman en el otro extremo.

2. No controla el comportamiento de los rastreadores

llms.txt no tiene semántica de allow ni de disallow. Si quieres bloquear GPTBot o ClaudeBot, sigues necesitando robots.txt. Los dos archivos resuelven problemas distintos.

3. La adopción en el lado receptor es desigual

Algunas herramientas (Cursor, Windsurf, varias integraciones MCP) piden llms.txt explícitamente. Otras lo ignoran. La cobertura mejorará, pero cuenta con una cola larga.

4. La especificación la mantiene la comunidad, no es un estándar

La propuesta vive en llmstxt.org y no ha pasado por un proceso del IETF ni del W3C. Cuenta con cambios menores y valida contra la especificación viva, no contra una copia congelada.

5. Es fácil sobreoptimizarlo

El formato invita a los mismos pecados que las meta etiquetas en 2010: acumular palabras clave, escribir copy de marketing, colar mensajes. Resiste. El archivo también lo leen personas, y se nota enseguida cuando es de baja calidad.

Escepticismo documentado

Hay un debate sano. La voz escéptica más citada es la de John Mueller (Google Search Advocate), que ha cuestionado tanto la adopción como el impacto en varias publicaciones en Bluesky y Mastodon a lo largo de 2025 y 2026. Su resumen, parafraseado: publicar el archivo es barato; esperar que Google lo consuma es pensamiento mágico.

El contraargumento de la comunidad de documentación: aunque Google nunca lo consuma, el ecosistema del lado LLM (Perplexity, Claude, Cursor, integraciones MCP) ya es una audiencia suficiente para justificar el archivo.

Las dos posturas son compatibles. llms.txt no es una jugada de posicionamiento, es una jugada de fundamentación para LLM. Decide según si tu audiencia usa asistentes de IA para descubrir y consumir tu contenido.

Cuándo merece la pena

• Sitios de documentación. El mayor retorno: los asistentes ya son un canal de descubrimiento principal para quien programa.
• Herramientas para desarrollo y APIs. Por la misma razón. Combínalo con llms-full.txt.
• SaaS con compradores técnicos. Quien compra investiga con herramientas de IA; un archivo limpio mejora lo que esas herramientas dicen de ti.
• Bases de conocimiento y sitios de referencia. Wikis, glosarios y taxonomías se benefician de una curación explícita.
• Marcas con colisión de nombre. El resumen en blockquote es tu única oportunidad de desambiguar.

Cuándo probablemente no

• Catálogos puros de e-commerce. Los listados de producto cambian demasiado a menudo; los datos estructurados (Schema.org) son mejor apuesta.
• Sitios visuales o centrados en medios. Galerías, plataformas de vídeo y portfolios de diseño obtienen poco de un archivo de texto en Markdown.
• Sitios sin URLs estables. Si tus URLs rotan, el archivo se pudre, y las URLs muertas envenenan su reputación.
• Sitios mayoritariamente tras login. Listar en público páginas privadas es inútil y arriesgado.

Cómo medir el impacto

Respuesta honesta: medir es difícil. No existe un Search Console para citas de LLM. Un juego de instrumentos practicable:

• Logs de servidor. Filtra los user-agents de LLM conocidos (GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot) que pidan /llms.txt y /llms-full.txt.
• Análisis de referrers. Vigila los referrers de chat.openai.com, claude.ai y perplexity.ai. Su volumen creció mucho a lo largo de 2025.
• Prompts manuales. Pregunta periódicamente a Claude, ChatGPT y Perplexity sobre tu producto. Anota si citan tu dominio y a qué URLs recurren.
• Monitorización de marca. Herramientas como Profound, Otterly, Xfunnel y AthenaHQ siguen las menciones de marca en LLM; son incipientes, pero mejoran rápido.

Siguientes pasos

• Buenas prácticas, las reglas y los errores.
• Ejemplos reales.
• Validador.