¿Qué es llms.txt y para qué sirve?

llms.txt es un archivo de texto plano que se coloca en la raíz de un sitio web para indicarle a los modelos de lenguaje (como ChatGPT o Perplexity) qué páginas son las más relevantes y cómo está organizado el contenido del sitio. Es análogo al robots.txt, pero diseñado para crawlers de IA en lugar de crawlers de búsqueda tradicional.

¿ChatGPT realmente lee el llms.txt de mi sitio?

ChatGPT con búsqueda activa, Perplexity y otros agentes de IA que crawlean la web en tiempo real sí consultan llms.txt cuando está disponible. Los modelos que operan solo con datos de entrenamiento estático no lo leen directamente, pero el estándar influye en cómo los crawlers de entrenamiento futuros priorizan el contenido.

¿Cuánto tiempo toma implementar llms.txt en un sitio existente?

Para un sitio B2B de 20–80 páginas, la implementación básica toma entre 2 y 4 horas: mapeo de páginas clave, redacción del archivo en markdown estructurado y validación con herramientas como llmstxt.cloud. Una implementación avanzada con contexto semántico por sección puede tomar 1–2 días.

¿llms.txt reemplaza al SEO tradicional?

No. llms.txt complementa el SEO tradicional. Google sigue siendo el canal de búsqueda dominante y sus rankings dependen de factores bien establecidos. llms.txt agrega una capa de visibilidad específica para respuestas generadas por IA, que ya representan una fracción creciente de cómo los usuarios encuentran información.

¿Qué empresas deberían priorizar implementar llms.txt?

Empresas B2B cuyo cliente ideal hace preguntas técnicas o de comparación antes de comprar: consultoras, agencias de software, firmas de servicios profesionales, fabricantes con productos de ciclo de venta largo. Si tu comprador potencial pregunta a ChatGPT 'cuál es la mejor agencia de IA en Monterrey', quieres estar en esa respuesta.

llms.txt: el archivo que cambia cómo te lee ChatGPT

Desde principios de 2025, una fracción creciente de decisiones de compra B2B empieza con una pregunta a ChatGPT o Perplexity, no con una búsqueda en Google. El problema es que la mayoría de los sitios web están construidos para crawlers de búsqueda tradicional — y los modelos de IA leen la web de forma diferente. llms.txt es la respuesta técnica a ese desajuste: un archivo simple que le dice a los LLMs qué leer primero, qué ignorar y cómo interpretar tu sitio.

No es magia. Es infraestructura.

Qué es llms.txt y de dónde viene

El estándar fue propuesto por Jeremy Howard (co-fundador de fast.ai) en septiembre de 2024 y desde entonces ha ganado adopción entre sitios de documentación técnica, agencias de software y empresas SaaS. La idea central es directa: igual que robots.txt le indica a Googlebot qué rastrear, llms.txt le indica a los modelos de IA qué contenido es prioritario y cómo está organizado el sitio.

El archivo vive en tudominio.com/llms.txt y está escrito en markdown estructurado, no en XML ni en JSON. Eso no es un accidente — los LLMs procesan markdown de forma nativa y eficiente. La estructura básica incluye un bloque # Nombre del sitio, una descripción en prosa de qué hace la empresa, y secciones con enlaces a las páginas más relevantes agrupadas por tema.

Un detalle técnico relevante: existe también la variante llms-full.txt, que en lugar de enlaces incluye el contenido completo de las páginas clave en un solo archivo concatenado. Esto es útil para modelos que hacen una sola solicitud HTTP en lugar de seguir múltiples links. Para sitios con documentación técnica extensa, llms-full.txt puede ser más efectivo que la versión con enlaces.

Por qué los modelos de IA no leen tu sitio como Google

Google crawlea tu sitio, indexa cada página individualmente y construye un grafo de relevancia a lo largo del tiempo. Cuando alguien busca, Google ya tiene ese índice listo. Los LLMs con acceso a web — ChatGPT con búsqueda, Perplexity, Claude con herramientas — operan diferente: hacen solicitudes HTTP en tiempo real durante la generación de la respuesta, con un presupuesto limitado de páginas que pueden consultar antes de responder.

Ese presupuesto es el problema. Si un modelo llega a tu dominio y no tiene una guía clara de qué leer, puede terminar indexando tu política de privacidad en lugar de tu página de servicios. O puede no entender la relación entre tu blog y tus casos de uso. llms.txt resuelve esto dándole al modelo un mapa de navegación optimizado para su forma de procesar información.

Lo que estamos viendo en Eurema con clientes de servicios profesionales es que sitios sin estructura semántica clara son citados de forma inconsistente: a veces el modelo extrae información correcta, a veces cita una página desactualizada o un párrafo fuera de contexto. llms.txt reduce esa variabilidad.

Cómo se ve un llms.txt bien construido para B2B

Un archivo efectivo para una empresa B2B de servicios tiene esta estructura:

# Eurema — Agencia de IA para empresas B2B en LatAm

Eurema diseña e implementa soluciones de inteligencia artificial para
empresas medianas en México y América Latina. Trabajamos con manufactura,
inmobiliario, retail, servicios profesionales y salud.

## Servicios principales

- [Websites + AI SEO](/es/servicios/websites-ai-seo/): Sitios web optimizados
  para ser citados por ChatGPT, Perplexity y Google AI Overviews.
- [Agentes personalizados](/es/servicios/agentes/): Automatización de procesos
  con agentes de IA conectados a los sistemas existentes del cliente.
- [Software a la medida](/es/servicios/software/): Aplicaciones con IA al centro.

## Recursos para evaluar

- [Blog de IA aplicada](/es/blog/): Artículos técnicos sobre implementación real,
  sin hype, con métricas concretas.

Tres criterios que usamos en Eurema para evaluar si un llms.txt está bien construido: (1) ¿Puede un modelo entender qué hace la empresa leyendo solo el bloque de descripción? (2) ¿Los enlaces apuntan a páginas con contenido sustancial, no a landing pages vacías? (3) ¿La agrupación de secciones refleja cómo el cliente piensa en el problema, no cómo está organizado el menú de navegación?

El tercer punto es el que más se ignora. Una empresa de manufactura no busca “agentes de IA” — busca “automatización de órdenes de compra” o “integración con ERP”. Si tu llms.txt usa el lenguaje interno de tu empresa en lugar del lenguaje de tu cliente, el modelo va a tener dificultades para conectar tu oferta con las preguntas que recibe.

Implementación paso a paso para un sitio B2B existente

El proceso no requiere rediseñar el sitio. Funciona sobre lo que ya tienes:

Auditoría de páginas clave: Identifica las 10–15 páginas que mejor responden las preguntas que tu cliente hace antes de comprar. Típicamente: servicios, casos de uso por industria, preguntas frecuentes, y 3–5 artículos de blog con mayor profundidad técnica.
Redacción del bloque de descripción: 3–5 oraciones en prosa que expliquen qué hace la empresa, para quién, y en qué se diferencia. Este bloque es el que los modelos usan como contexto cuando citan tu sitio — es más importante que el título.
Estructuración por intención de búsqueda: Agrupa los enlaces según las preguntas que responden, no según la estructura del menú. “Para empresas que evalúan automatización” es mejor encabezado que “Servicios”.
Publicación y validación: Sube el archivo a la raíz del dominio. Valida con herramientas como llmstxt.cloud o simplemente verifica que tudominio.com/llms.txt devuelva el archivo con Content-Type: text/plain. Después prueba manualmente: pregúntale a Perplexity algo relacionado con tu servicio y observa si cita tu sitio y con qué fragmento.
Iteración: El primer archivo no va a ser el definitivo. Después de 4–6 semanas, revisa qué páginas están siendo citadas y ajusta los enlaces y descripciones según lo que los modelos están extrayendo.

Para sitios construidos en Astro, Next.js o cualquier generador estático, el archivo puede generarse dinámicamente desde el CMS. En WordPress, un plugin simple o un archivo estático en la carpeta raíz es suficiente.

Lo que llms.txt no resuelve

Conviene ser directo en esto: llms.txt no mejora tu posición si el contenido de tu sitio es débil. El archivo le dice al modelo dónde mirar — pero si lo que encuentra en esas páginas es texto genérico sin datos concretos, el modelo no va a citarte de todas formas.

Los modelos de IA priorizan contenido que es factual, específico y autocontenido. Una página de servicios que dice “ofrecemos soluciones innovadoras de IA para optimizar tus procesos” no va a ser citada. Una página que dice “implementamos agentes de IA que reducen el tiempo de cotización de 3 días a 4 horas en empresas manufactureras con ERP SAP” sí tiene posibilidades.

llms.txt es infraestructura de señalización. El contenido sigue siendo el activo central. Si tu sitio tiene páginas con sustancia real — casos concretos, métricas, explicaciones técnicas honestas — llms.txt amplifica esa señal. Si el contenido es hueco, llms.txt solo le facilita al modelo encontrar el hueco más rápido.

La estrategia completa de Websites + AI SEO que trabajamos en Eurema trata llms.txt como una pieza dentro de un sistema más amplio: schema.org, estructura semántica del HTML, FAQ estructuradas en cada artículo, y contenido diseñado para ser citable. Ninguna de esas piezas funciona de forma aislada.

Si tu sitio ya tiene contenido sólido y aún no tiene llms.txt, es el ajuste técnico con mejor ratio esfuerzo/impacto disponible hoy para mejorar visibilidad en respuestas de IA. Empieza por mapear tus 10 páginas más sustanciales y construye el archivo desde ahí.

#ai-seo#llms.txt#aiseo#visibilidad-ia#b2b