O debate do llms.txt: sinal real ou efeito placebo?
Desde que a especificação do llms.txt foi proposta, a comunidade de SEO e AEO se dividiu. Quem defende diz que o arquivo é um sinal claro para os sistemas de IA sobre o que é o seu site e o que ele cobre, aquele direcionamento estruturado que pode fazer a balança pender para o seu lado na hora da citação. Quem desconfia diz que ele é novo demais para ter um impacto relevante, que poucos sistemas de IA o suportam oficialmente e que as melhoras atribuídas ao llms.txt vêm, na verdade, das melhorias de conteúdo que as equipes fazem junto quando o implementam.
A gente quis sair do achismo. Usando a infraestrutura de rastreamento de citações da AI Rank Lab, analisamos 500 sites antes e depois de adicionarem um arquivo llms.txt e acompanhamos as taxas de citação no ChatGPT (GPT-4o), no Perplexity e no Claude 3.5 Sonnet ao longo de uma janela de 90 dias. Também olhamos o que diferenciava os sites com grandes saltos de citação daqueles que quase não mudaram.
Veja o que descobrimos, incluindo as partes que contradizem as promessas mais otimistas sobre o llms.txt.
O estudo com 500 sites: metodologia
Acompanhamos 500 domínios que adicionaram o llms.txt pela primeira vez durante um período de análise de seis meses. Todos eles:
- Já liberavam o acesso dos crawlers de IA (GPTBot, ClaudeBot e PerplexityBot permitidos no robots.txt)
- Tinham pelo menos 30 dias de dados de base de citação antes de adicionar o llms.txt
- Não fizeram grandes mudanças de conteúdo nem ganharam backlinks novos relevantes durante a janela de medição
- Tinham entre 10 e 500 páginas (deixamos de fora sites muito pequenos e muito grandes para reduzir variáveis de confusão)
Medimos a taxa de citação assim: o número de vezes que um domínio foi citado por um LLM ao responder a uma consulta do principal cluster de temas do domínio, expresso como porcentagem das consultas testadas. Testamos 50 consultas por domínio em cada LLM, tiradas do conjunto principal de palavras-chave do domínio.
Os sites cobriam 12 setores: SaaS, e-commerce, serviços locais, serviços B2B, publicações, saúde, jurídico, serviços financeiros, educação, imobiliário, turismo e notícias de tecnologia.
Descoberta 1: o llms.txt melhora as taxas de citação, mas não em todo LLM
Considerando os 500 sites, estas foram as variações médias na taxa de citação nos 90 dias após a adição do llms.txt:
- Perplexity: melhora média de +18% na taxa de citação
- ChatGPT (com Browse): melhora média de +12% na taxa de citação
- Claude: melhora média de +7% na taxa de citação
- ChatGPT (sem Browse, GPT-4o base): +3% (sem significância estatística)
A diferença entre os LLMs é grande e não se explica só pelo comportamento de rastreamento de cada um. A resposta mais forte do Perplexity provavelmente vem da sua arquitetura de busca na web em tempo real: ele usa ativamente arquivos de direcionamento estruturado ao montar as respostas. O modo Browse do ChatGPT (que busca conteúdo ao vivo na web) mostra uma melhora relevante, enquanto o modelo GPT-4o base (que depende principalmente dos dados de treinamento) quase não muda com a adição de um único arquivo.
A melhora moderada do Claude bate com a abordagem que a Anthropic divulga: o ClaudeBot rastreia e respeita arquivos de direcionamento, mas os dados de treinamento do Claude têm um ciclo de atualização mais longo do que a recuperação em tempo real do Perplexity. A melhora existe, só demora mais para aparecer.
Descoberta 2: a qualidade do resumo no llms.txt é o que mais pesa
Os sites com os maiores ganhos de citação (o quartil superior, com média de +31% na taxa de citação) tinham algo em comum: blockquotes de resumo bem específicos, que descreviam com clareza o seu diferencial, o seu público e os temas que cobrem.
Demos uma nota ao resumo do llms.txt de cada site com base em cinco critérios:
- Especificidade do público (para quem é?)
- Clareza do diferencial (o que torna este site diferente?)
- Cobertura completa dos temas (quais assuntos o site cobre?)
- Sinais de autoridade (qualquer indicador de credibilidade: dados, expertise, metodologia)
- Contexto de ação (o que o leitor consegue fazer com este site?)
Os sites com nota 4-5 nessa rubrica tiveram, em média, +27% de melhora nas citações. Os com nota 1-2 ficaram em apenas +6%, pouco acima do ruído. O formato do arquivo importa muito menos do que a qualidade do conteúdo na seção de resumo.
Exemplos de resumos com nota alta e com nota baixa:
Nota baixa (atende 1 de 5 critérios):
"A Example Corp oferece ferramentas e recursos de marketing para empresas."
Nota alta (atende 5 de 5 critérios):
"A Example Corp é uma plataforma de atribuição de marketing B2B usada por mais de 2.000 empresas SaaS de médio porte para rastrear a contribuição para o pipeline vinda de canais de dark social (LinkedIn, menções em podcasts, fóruns de comunidade) que a atribuição padrão baseada em UTM não enxerga. Principais casos de uso: VP de Marketing reportando ao conselho o pipeline que não dá para rastrear e times de demand gen justificando o investimento em dark social."
O exemplo com nota alta deixa claro o público (VP de Marketing e times de demand gen em SaaS de médio porte), o diferencial (atribuição de dark social), a autoridade (mais de 2.000 empresas) e o contexto de ação (relatório ao conselho, justificativa de investimento). Um sistema de IA que lê isso consegue descrever o produto com precisão quando alguém pergunta sobre ferramentas de atribuição de marketing para empresas SaaS.
Descoberta 3: a lista de páginas puxa o efeito na cauda longa
Os sites que incluíram listas detalhadas de páginas no llms.txt (em vez de só a seção de resumo) tiveram uma melhora extra nas citações para consultas de cauda longa, ou seja, perguntas sobre funcionalidades, casos de uso ou temas específicos cobertos pelas páginas listadas.
O efeito foi mais forte nas páginas com poucos links internos. Para essas páginas "órfãs, mas importantes" (páginas de ferramentas, documentação técnica, guias de nicho), aparecer na lista de páginas do llms.txt foi a principal forma de os sistemas de IA aprenderem a citá-las nas consultas certas. Sem a listagem, essas páginas ficavam praticamente invisíveis para as citações em IA, mesmo tendo um conteúdo valioso.
Sites com 15 ou mais páginas listadas e bem descritas tiveram +22% de melhora nas citações em consultas de cauda longa, contra +9% dos sites sem lista de páginas ou com listas curtas, sem descrição.
Descoberta 4: só o llms.txt não basta
A descoberta negativa mais importante: sites que bloqueavam crawlers de IA no robots.txt tiveram zero melhora nas citações depois de adicionar o llms.txt. Era esperado, mas vale dizer com todas as letras: o llms.txt não ajuda em nada se os crawlers de IA não conseguem acessar o seu site. O arquivo orienta os crawlers que já têm acesso liberado; ele não passa por cima de restrições de acesso.
Da mesma forma, sites com conteúdo raso ou de baixa qualidade quase não melhoraram nas citações, mesmo com arquivos llms.txt muito bem feitos. A IA não cita conteúdo fraco só porque um arquivo diz que ele é importante. O arquivo melhora a forma como os sistemas de IA entendem e navegam pelo seu site; o conteúdo por trás ainda precisa merecer a citação.
Para ver o quadro completo do que gera citações em IA, confira o guia de otimização para busca com IA. O llms.txt é um entre vários sinais que funcionam em conjunto, não uma solução isolada.
Por setor: quem mais ganha com o llms.txt
A melhora nas citações com o llms.txt variou bastante de setor para setor:
Maior benefício (melhora média de +20-35%)
- SaaS e tecnologia: os sistemas de IA costumam classificar errado ou descrever de forma incorreta produtos de software. Resumos específicos no llms.txt corrigem essas distorções com eficiência.
- Serviços financeiros: a IA é cautelosa ao citar conteúdo financeiro sem sinais claros de autoridade. Um llms.txt que inclui credenciais regulatórias, descrição de metodologia ou qualificações profissionais melhora as taxas de citação de forma mensurável.
- Saúde e medicina: a mesma lógica dos serviços financeiros. Sinais de autoridade no resumo melhoram muito as taxas de citação de sites de informação em saúde com expertise legítima.
Benefício moderado (melhora média de +8-18%)
- Serviços B2B: serviços complexos, difíceis de classificar só pelo conteúdo, se beneficiam de uma descrição explícita, mas a melhora é moderada.
- Educação: descrições claras dos temas cobertos ajudam a IA a associar o conteúdo educacional a buscas específicas de aprendizado.
- Publicações e notícias: o ganho vem principalmente das orientações sobre atualização do conteúdo (indicando quais seções mudam com frequência), e não do resumo em si.
Benefício menor (melhora média de +3-8%)
- E-commerce: os sistemas de IA já entendem bem as páginas de produto pelos dados estruturados (schema Product). Quando o schema é completo, o llms.txt agrega menos valor extra.
- Serviços locais: os padrões de citação de serviços locais dependem muito mais da presença de avaliações e da consistência de NAP (nome, endereço e telefone) do que das orientações do llms.txt.
Onde os céticos têm razão
Nossos dados confirmam alguns argumentos dos céticos sobre o llms.txt:
Não é garantia de citação. Mesmo o quartil superior teve +31% de melhora, e isso a partir de uma base. Sites com taxa de citação de 10% foram para ~13%. Não é uma revolução, mas é uma melhora relevante, que se acumula com o tempo.
Melhorar o conteúdo pesa mais. Comparamos os sites que só adicionaram o llms.txt com os que, ao mesmo tempo, melhoraram a qualidade do conteúdo (respostas de FAQ melhores, dados estruturados mais específicos). O grupo que melhorou o conteúdo teve 2,4x mais melhora nas citações do que o grupo que só usou o llms.txt. O llms.txt potencializa um bom conteúdo; ele não o substitui.
Nem todo LLM reage da mesma forma. No modelo base do ChatGPT (sem Browse), o impacto é pequeno. Se as consultas que você mira são respondidas principalmente por modelos que dependem dos dados de treinamento, e não de recuperação em tempo real, as melhoras com o llms.txt vão ser mais lentas e mais difíceis de medir.
Nossa recomendação
Com base nos dados, recomendamos o seguinte:
- Implemente o llms.txt se ainda não fez isso: o benefício potencial é real, o custo de implementação é baixo (30-60 minutos para um arquivo de qualidade) e não há desvantagem
- Priorize a qualidade do resumo: é daqui que vêm 70% da melhora nas citações; invista seu tempo em uma descrição específica, pensada para o seu público e com um diferencial claro
- Liste as páginas importantes com poucos links: principalmente páginas de ferramentas, documentação e guias temáticos que não recebem muitos links internos
- Se os crawlers de IA estão bloqueados, corrija o robots.txt primeiro: llms.txt em um site bloqueado não faz nada
- Combine com melhorias de conteúdo e de schema: o llms.txt rende mais como parte de uma estratégia de AEO completa, e não como uma correção isolada
Use o gerador de llms.txt gratuito da AI Rank Lab para criar o seu arquivo e a ferramenta de auditoria completa para conferir se o seu llms.txt atual está bem estruturado e se está funcionando junto com os seus outros sinais de AEO.
Conclusão
O llms.txt tem um impacto real e mensurável nas taxas de citação em IA, principalmente no Perplexity e no ChatGPT com Browse, principalmente em sites com produtos ou serviços complexos ou fáceis de classificar errado e principalmente quando o resumo é específico e diferenciado. O arquivo não faz milagre (não torna um conteúdo fraco digno de citação nem passa por cima de crawlers bloqueados), mas, como uma peça de uma estratégia de AEO completa, ele compensa os 30 minutos de implementação.
O pulo do gato: a qualidade do resumo no seu llms.txt importa muito mais do que a simples presença do arquivo. Uma descrição genérica de duas frases traz um benefício mínimo. Um resumo específico, pensado para o seu público, com sinais de autoridade e um diferencial claro, gera uma melhora real nas citações em todos os LLMs que suportam o arquivo.
Get a free AI ranking consultation
Want your brand to show up when ChatGPT, Gemini and Perplexity answer questions in your market? Tell us about your site and our team will send a personalized strategy.



