llms.txt a SEO: 844 000 wdrożeń, zero potwierdzonego użycia przez AI

Dlaczego llms.txt trafia teraz na agendę każdej firmy B2B w Europie

Niewiele propozycji technicznych wpłynęło na dyskusję o GEO w 2025 roku tak mocno jak llms.txt. Pomysł brzmi przekonująco: jeden plik Markdown w katalogu głównym, który dostarcza systemom AI, takim jak ChatGPT, Perplexity czy Google AI Overviews, wyselekcjonowaną mapę najważniejszych treści witryny. Wtyczki generują go automatycznie, prelegenci na konferencjach go polecają, a w wielu specyfikacjach wymagań dla przebudowy serwisów figuruje już jako standardowy punkt.

Właśnie tu pojawia się problem dla decydentów B2B w Europie: rozpowszechnienie sugeruje skuteczność, ale dowody nie potwierdzają tych oczekiwań. Żaden duży dostawca AI nie potwierdził, że pobiera lub analizuje ten plik. Kto rzetelnie rozdziela budżet na GEO, nie potrzebuje więc wiary, tylko trzeźwej oceny: co llms.txt potrafi dziś dać, czego nie, i jakie działania zamiast niego zapewniają mierzalną widoczność w AI. Ten artykuł oddziela udokumentowane fakty od marketingowych obietnic.

Czym jest llms.txt i czym różni się od robots.txt i sitemap.xml

llms.txt został zaproponowany 3 września 2024 roku przez Jeremy'ego Howarda, współzałożyciela laboratorium badawczego Answer.AI. To plik Markdown pod adresem /llms.txt, który zbiera krótkie informacje wprowadzające, wskazówki orientacyjne i linki do dalszych plików Markdown. Jedynym obowiązkowym elementem jest nagłówek H1 z nazwą projektu lub witryny; w oryginale brzmi to dosłownie: „This is the only required section”. Wszystkie pozostałe sekcje, na przykład opcjonalny blok z zasobami drugorzędnymi, są dobrowolne.

Ważne jest wyraźne rozgraniczenie, bo te trzy pliki często wrzuca się do jednego worka:

• robots.txt: określa, co crawlerom wolno, a czego nie. To mechanizm kontroli dostępu i zakazów, a nie oferta treści.
• sitemap.xml: zawiera czytelną dla maszyn listę wszystkich indeksowalnych adresów URL. Służy kompletności odkrywania, a nie priorytetyzacji czy przygotowaniu treści.
• llms.txt: to wyselekcjonowany spis treści w formacie Markdown, czytelny zarówno dla ludzi, jak i dla maszyn. Nie ma wymieniać wszystkiego, tylko wyróżniać to, co najważniejsze, i udostępniać to w formie przyjaznej dla LLM.

Kluczowa różnica: robots.txt i sitemap.xml to ugruntowane standardy, które wyszukiwarki faktycznie przetwarzają. llms.txt to propozycja bez oficjalnego wsparcia ze strony dostawców AI.

Problem, który llms.txt miał pierwotnie rozwiązać

Howard uzasadnia swoją propozycję w dwóch miejscach. W specyfikacji na llmstxt.org pisze, że okna kontekstowe są wciąż za małe, by zmieścić większość witryn w całości, a strony HTML z nawigacją, reklamami i JavaScriptem trudno jest precyzyjnie przekształcić z powrotem w czysty tekst dla modeli językowych. We wpisie na blogu Answer.AI podkreśla, że zebranie właściwego kontekstu z witryny jest niejednoznaczne. Założenie jest takie, że to właściciele witryn najlepiej wiedzą, które treści są kluczowe, i mogą udostępnić ten wyselekcjonowany wybór w formie czytelnej dla maszyn.

Ta podstawowa idea jest zrozumiała i technicznie dobrze przemyślana. Wyjaśnia, dlaczego propozycja tak szybko zyskała uznanie wśród deweloperów i producentów narzędzi. Nie wyjaśnia jednak, czy systemy wyszukiwania AI rzeczywiście korzystają z tego pliku w praktyce. Właśnie ta luka między przekonującą ideą a rzeczywistym wykorzystaniem jest sednem tematu.

Paradoks adopcji: duże rozpowszechnienie w liczbach bezwzględnych, mały zasięg

Rozpowszechnienie llms.txt często przedstawia się za pomocą liczb bezwzględnych, co wywołuje wrażenie standardu de facto. BuiltWith naliczył 25 października 2025 roku ponad 844 000 witryn z llms.txt, jak dokumentuje Publii. Bieżąca liczba w trackerze BuiltWith od tego czasu się waha. Bardziej miarodajne jest spojrzenie względne. Analiza SE Ranking pokazuje: spośród około 300 000 przebadanych domen tylko 10,13 procent wdrożyło plik llms.txt. Niemal 90 procent przebadanych domen z niego więc rezygnuje.

Ten paradoks ma kluczowe znaczenie dla oceny strategii: duża bezwzględna liczba wdrożeń nie oznacza, że plik mają autorytatywne witryny, które liczą się dla widoczności w AI. Wiele wdrożeń pochodzi z automatycznego generowania przez wtyczki, a nie ze świadomej decyzji redakcyjnej. Rozpowszechnienie jest tu słabym sygnałem. Mierzy, jak łatwo coś wygenerować, a nie, jak skuteczne to jest.

Dowody przeciwko aktywnemu wykorzystaniu przez systemy wyszukiwania AI

Trzy niezależne dowody przemawiają przeciwko założeniu, że systemy wyszukiwania AI aktywnie korzystają dziś z llms.txt.

Po pierwsze, stanowisko Google. John Müller z Google wyjaśnił, że obecnie żaden system AI nie używa pliku llms.txt. W przypadku AI Overviews według Google obowiązuje zasada „use normal SEO practices”: nie potrzeba ani GEO, ani LLMO, ani niczego dodatkowego. Ponadto Gary Illyes jasno stwierdził, że Google nie obsługuje llms.txt i nie planuje tego zmieniać.

Po drugie, rzeczywistość logów serwera. Eksperyment OtterlyAI przeanalizował rzeczywiste wizyty crawlerów. Wynik: spośród ponad 62 100 wizyt botów AI w ciągu 90 dni tylko 84 zapytania dotyczyły pliku /llms.txt, co stanowi udział około 0,1 procent ruchu botów AI. Dla porównania: przeciętna podstrona tej samej witryny otrzymała w tym samym okresie około 265 wizyt botów AI, a llms.txt z 84 wizytami był więc odwiedzany mniej więcej trzy razy rzadziej. Crawlery nie pobierają tego pliku systematycznie.

Po trzecie, analiza korelacji. SE Ranking sprawdził, czy obecność llms.txt wiąże się z częstotliwością cytowań w AI. Ani analiza statystyczna, ani model uczenia maszynowego nie wykazały wpływu llms.txt na to, jak często LLM cytują daną domenę. Szczególnie wymowne: po usunięciu zmiennej llms.txt z modelu prognozy wręcz się poprawiły. Plik nie wnosił więc nic do wyjaśnienia widoczności w AI.

Co naprawdę napędza widoczność w AI

Skoro llms.txt nie wyjaśnia cytowań w AI, pojawia się naprawdę istotne pytanie: co je w takim razie wyjaśnia? Tutaj dane są znacznie jednoznaczniejsze i można je bezpośrednio przełożyć na praktykę GEO.

Wzmianki o marce ważniejsze niż backlinki: analiza Ahrefs obejmująca 75 000 marek pokazuje, że wzmianki o marce w sieci korelują z widocznością w AI Overviews na poziomie r=0,664, znacznie silniej niż backlinki z r=0,218, co daje stosunek około trzech do jednego. W praktyce oznacza to, że digital PR, artykuły eksperckie, katalogi branżowe i spójne wzmianki w całej sieci działają mocniej niż klasyczny link building.

Statystyki i cytowanie źródeł w treści: praca z materiałów konferencyjnych KDD '24, często przywoływana jako badanie GEO z Princeton, dowodzi, że ukierunkowana optymalizacja może zwiększyć widoczność w odpowiedziach generatywnych nawet o 40 procent. Najskuteczniejsze metody to dodawanie statystyk, wplatanie wiarygodnych cytatów i podawanie rzetelnych źródeł, ze względną poprawą o 30 do 40 procent w metryce Position-Adjusted Word Count i o 15 do 30 procent w mierze Subjective Impression. Metody w stylu keyword stuffingu według badania prawie nic nie dają. Benchmark obejmował 10 000 zapytań z różnych dziedzin.

Front-loading i Answer Islands: treści, które podają kluczową odpowiedź w pierwszych zdaniach i są zorganizowane w wyraźnie wydzielone bloki nadające się do samodzielnego cytowania, są łatwiejsze do wyodrębnienia dla modeli językowych. To nie jest sztuczka z formatem pliku, tylko dyscyplina redakcyjna, która działa na każdej pojedynczej podstronie.

Wniosek jest jednoznaczny: dźwignie widoczności w AI tkwią w samej treści i w obecności marki, a nie w osobnym pliku ze spisem treści.

Gdzie llms.txt faktycznie przynosi korzyści poza wyszukiwaniem

Brak wpływu na widoczność w wyszukiwaniu AI nie oznacza, że plik jest bezwartościowy. Ma uzasadnione zastosowania, tyle że poza kontekstem wyszukiwania.

• Agentowe przepływy pracy i tool use: gdy użytkownik podaje agentowi AI konkretny URL i prosi o jego przetworzenie, wyselekcjonowana mapa w Markdown może ułatwić start. Plik jest tu wywoływany celowo, a nie odkrywany przez crawler wyszukiwarki.
• Wewnętrzne pipeline'y RAG: firmy budujące własne systemy retrieval na bazie własnej dokumentacji korzystają na czystym, wstępnie ustrukturyzowanym źródle w Markdown. Korzyść powstaje w kontrolowanym systemie wewnętrznym, a nie w otwartej sieci.
• Korzystanie z dokumentacji w narzędziach deweloperskich i SaaS: w segmencie narzędzi dla deweloperów i SaaS, gdzie użytkownicy aktywnie kierują modele językowe na dokumentację produktów, llms.txt może ułatwić dostęp do treści technicznych. To właśnie w tym segmencie realna korzyść jest najbardziej prawdopodobna.

Dla typowej firmy B2B w Europie, której celem jest widoczność w ChatGPT Search, Perplexity czy Google AI Overviews, te zastosowania z reguły nie mają znaczenia.

Realistyczna ocena ryzyka, nakładu i korzyści

Uczciwa ocena brzmi: low risk, low cost, low upside. Ryzyko jest niewielkie, bo plik niczego nie psuje. Nakład pracy jest niewielki, o ile tworzy się go tylko raz. Spodziewana korzyść dla widoczności w wyszukiwaniu AI jest według obecnych danych praktycznie zerowa.

Mimo to trzy aspekty zasługują na uwagę:

• Nakład na utrzymanie: ręcznie aktualizowany llms.txt się dezaktualizuje. Gdy treści się zmieniają, a plik nie, powstają sprzeczne migawki.
• Nieaktualne migawki: błędna wyselekcjonowana mapa jest gorsza niż żadna, bo daje zniekształcony obraz witryny.
• Ryzyko spamu i cloakingu: plik, który pokazuje inne treści niż właściwe podstrony, może dryfować w stronę cloakingu. Spójność między llms.txt a rzeczywistą witryną jest więc obowiązkowa.

Kto wdraża llms.txt, powinien traktować go jako zautomatyzowany dodatek niewymagający dużo pracy przy utrzymaniu, a nie jako działanie GEO z obietnicą efektów.

Dane z Austrii: znaczenie dla strategii GEO

Pilna potrzeba zadbania o widoczność w AI jest w regionie DACH (Niemcy, Austria, Szwajcaria) realna, niezależnie od llms.txt. Według Statistik Austria w Austrii 31 procent osób w wieku od 16 do 74 lat przynajmniej raz korzystało z narzędzia generatywnej AI, takiego jak ChatGPT, a 28 procent także w ciągu trzech miesięcy przed badaniem. Podstawą danych jest badanie wykorzystania TIK w gospodarstwach domowych 2024.

Dla strategii GEO w B2B wynikają z tego dwie rzeczy. Po pierwsze: prawie jedna trzecia osób w wieku od 16 do 74 lat w Austrii korzystała już z narzędzi generatywnej AI, więc widoczność w AI nie jest tematem przyszłości. Po drugie: właściwą odpowiedzią są weryfikowalne, dobrze ustrukturyzowane treści ze źródłami i statystykami, a nie techniczny plik bez udowodnionego działania. Zwłaszcza w krajach niemieckojęzycznych, gdzie wysokiej jakości treści eksperckich w korpusie treningowym LLM jest często mniej, merytoryczne treści są skuteczniejszą dźwignią.

Jak prawidłowo mierzyć ruch referencyjny z AI i konwersje

Wyszukiwanie informacji z pomocą AI zasadniczo zmienia sposób klikania, co utrudnia pomiar. Analiza Pew Research Center oparta na danych o przeglądaniu z USA pokazuje: użytkownicy, którzy zobaczyli podsumowanie AI, klikali w klasyczny wynik wyszukiwania tylko podczas 8 procent wizyt, wobec 15 procent bez podsumowania AI. W link wewnątrz samego podsumowania kliknął tylko 1 procent. Ponadto 26 procent użytkowników zakończyło sesję po stronie z podsumowaniem AI, wobec 16 procent bez niego. Dane te pochodzą z rynku amerykańskiego, ale kierunek można przenieść na Europę.

W praktyce oznacza to, że klasyczne metryki kliknięć zaniżają wartość widoczności w AI, ponieważ część efektu powstaje w postaci wyświetleń opartych na cytowaniach, bez kliknięcia. Aby rzetelnie mierzyć pozostały ruch referencyjny, warto działać dwutorowo:

• Segmentacja w GA4: wyodrębnić źródła AI, takie jak ChatGPT, Perplexity czy Gemini, jako osobne źródła odesłań i oddzielnie analizować ich zachowanie, na przykład zaangażowanie i konwersje.
• Analiza logów serwera: analizować wizyty botów AI bezpośrednio w logach, aby zobaczyć, które strony są faktycznie pobierane. To właśnie ta metoda wykazała w eksperymencie OtterlyAI, że llms.txt prawie nie jest pobierany.

Kto łączy oba poziomy, mierzy widoczność w AI rzetelnie, zamiast zakładać ją na podstawie formatu pliku.

Rekomendacja: macierz decyzyjna dla llms.txt

Decyzję można sprowadzić do prostej macierzy.

• Dostępne automatyczne generowanie, na przykład przez CMS lub wtyczkę: wdrożyć. Nakład jest minimalny, ryzyko niewielkie, a w kontekście narzędzi deweloperskich lub SaaS istnieje prawdopodobna korzyść uboczna. Oczekiwanie: brak mierzalnego wpływu na widoczność w wyszukiwaniu AI.
• Możliwa tylko ręczna aktualizacja i brak zastosowania agentowego lub dokumentacyjnego: zrezygnować albo traktować jako sprawę zdecydowanie drugorzędną. Nakład na utrzymanie przewyższa udowodnione korzyści.
• Ograniczony budżet na GEO: nie inwestować w llms.txt, tylko w działania o udowodnionej skuteczności.

Według dostępnych danych priorytet mają dźwignie o udowodnionym działaniu: spójne wzmianki o marce w całej sieci zamiast samego link buildingu, front-loading odpowiedzi oraz stosowanie statystyk i cytowanie źródeł bezpośrednio w treści, a także rzetelny pomiar za pomocą segmentacji w GA4 i logów serwera. llms.txt jest w najlepszym razie nieszkodliwym dodatkiem. Właściwa praca nad GEO odbywa się na samej stronie, a nie w pliku ze spisem treści.