llms.txt — co to jest i czy naprawdę działa

llms.txt to plik tekstowy umieszczany w katalogu głównym domeny, zawierający uporządkowany spis najważniejszych treści serwisu w formacie Markdown — pomyślany jako mapa strony adresowana do modeli językowych, analogicznie do tego, jak robots.txt adresuje crawlery. Propozycja jest sensowna technicznie, ale nie istnieje publiczne potwierdzenie, że OpenAI, Anthropic, Google czy Perplexity faktycznie ten plik odczytują i wykorzystują. Warto go wdrożyć, bo zajmuje kwadrans i nic nie kosztuje. Nie warto kupować go jako osobnej usługi.

Jak wygląda taki plik

Format jest prosty: nagłówek z nazwą, jednoakapitowy opis, a potem sekcje z listami odnośników i krótkimi opisami.

# Nazwa firmy

> Jednozdaniowy opis tego, czym firma się zajmuje.

## Usługi

- [Nazwa usługi](https://example.pl/usluga/): krótki opis.

## Artykuły

- [Tytuł](https://example.pl/blog/wpis/): o czym jest tekst.

Logika jest zrozumiała: zamiast pozwolić modelowi zgadywać strukturę serwisu z nawigacji i linkowania, podaje się mu gotowe streszczenie. Dla dokumentacji technicznej, gdzie ta koncepcja się narodziła, ma to szczególny sens.

Dlaczego jesteśmy sceptyczni

Trzy powody, dla których traktujemy llms.txt jako higienę, a nie dźwignię.

Brak potwierdzenia po stronie dostawców. Żaden z głównych dostawców modeli nie ogłosił oficjalnie, że respektuje ten plik. robots.txt jest standardem od dekad i ma wsparcie wprost opisane w dokumentacji crawlerów. llms.txt takiego statusu nie ma — to propozycja społeczności, nie ustalony standard.

Modele w większości i tak korzystają z warstwy wyszukiwania. Kiedy ChatGPT odpowiada na pytanie o rekomendację firmy, zwykle wysyła zapytanie do wyszukiwarki i pracuje na zwróconych wynikach. W tym przepływie nie ma naturalnego momentu, w którym pobierałby dodatkowy plik z Państwa domeny.

Zachęta do myślenia magicznego. Największa szkoda z llms.txt jest pośrednia: bywa sprzedawany jako „wdrożenie GEO", po którym klient uważa temat za zamknięty. Tymczasem nie zmienia on żadnej z rzeczy, które faktycznie decydują o cytowaniu — dostępności treści dla botów, jej formy i obecności firmy w źródłach zewnętrznych.

Dlaczego mimo to go wdrażamy

Ponieważ rachunek jest asymetryczny. Koszt to kilkanaście minut i jeden plik, który da się generować automatycznie z istniejącej struktury serwisu. Ryzyko zerowe. Jeśli którykolwiek dostawca zacznie ten plik wykorzystywać, będą Państwo przygotowani; jeśli nie, nikt nic nie stracił.

Nasz własny llms.txt jest generowany z tych samych danych, z których powstaje sitemapa — dzięki temu nie rozjeżdża się z serwisem, gdy dochodzą nowe artykuły. Znaleźć go można pod adresem /llms.txt.

Jasna zasada rozliczeniowa, którą stosujemy: za llms.txt nie liczymy osobno. Jeśli ktoś przedstawia go jako oddzielną pozycję w wycenie, warto zapytać, na jakiej podstawie twierdzi, że plik działa.

Co daje efekt w zamian

Gdyby budżet trzeba było przeznaczyć na jedną rzecz, kolejność wygląda tak:

1. Sprawdzenie, czy boty modeli w ogóle widzą treść. Serwis renderowany wyłącznie w przeglądarce jest dla większości crawlerów pusty. To najczęstsza i najpoważniejsza przyczyna niewidoczności — i całkowicie niezależna od llms.txt.
2. Dane strukturalne schema.org. Tutaj, w odróżnieniu od llms.txt, wsparcie jest udokumentowane i weryfikowalne.
3. Obecność w źródłach zewnętrznych. Zestawienia, katalogi i rankingi branżowe, które pojawiają się jako przypisy w odpowiedziach modeli.
4. Forma treści nadająca się do cytowania. Odpowiedź w pierwszym akapicie, konkretne liczby, nagłówki jako pytania.

Wszystkie cztery punkty mają lepsze uzasadnienie niż llms.txt — i wszystkie wymagają więcej pracy, co prawdopodobnie wyjaśnia, dlaczego to llms.txt bywa sprzedawany jako pierwszy.

Jeśli chcą Państwo wiedzieć, który z tych czterech punktów jest u Was wąskim gardłem, tym zajmuje się audyt widoczności AI.