llms.txt: 844 000 implementácií, žiadne potvrdené využitie AI

Prečo sa o llms.txt práve teraz hovorí v každej B2B firme v regióne DACH

Máloktorý technický návrh ovplyvnil diskusiu o GEO v roku 2025 tak ako llms.txt. Myšlienka znie lákavo: jediný súbor vo formáte Markdown v koreňovom adresári, ktorý AI systémom ako ChatGPT, Perplexity alebo Google AI Overviews poskytuje kurátorovanú mapu najdôležitejšieho obsahu webovej stránky. Pluginy ho generujú automaticky, prednášky na konferenciách ho odporúčajú a v mnohých zadávacích špecifikáciách pre relaunch webu už figuruje ako štandardná položka.

Práve tu vzniká problém pre B2B rozhodovateľov v regióne DACH: rozšírenie naznačuje účinnosť, dôkazy však toto očakávanie nepodporujú. Žiadny veľký poskytovateľ AI nepotvrdil, že súbor načítava alebo vyhodnocuje. Ak chceš GEO rozpočet alokovať zodpovedne, potrebuješ namiesto otázky viery triezve zhodnotenie: čo llms.txt dnes dokáže, čo nie a ktoré opatrenia namiesto neho prinášajú merateľnú AI viditeľnosť. Tento článok oddeľuje doložiteľné fakty od marketingových sľubov.

Čo je llms.txt a čím sa líši od robots.txt a sitemap.xml

llms.txt navrhol 3. septembra 2024 Jeremy Howard, spoluzakladateľ výskumného laboratória Answer.AI. Ide o súbor vo formáte Markdown na adrese /llms.txt, ktorý spája stručné základné informácie, orientáciu a odkazy na ďalšie súbory Markdown. Jedinou povinnou súčasťou je nadpis H1 s názvom projektu alebo webu; v origináli sa doslova píše "This is the only required section". Všetky ďalšie sekcie, napríklad voliteľný blok s menej dôležitými zdrojmi, sú dobrovoľné.

Dôležité je presné vymedzenie, pretože tieto tri súbory sa často hádžu do jedného vreca:

• robots.txt: riadi, čo crawlery smú a čo nie. Ide o riadenie prístupu a zákazov, nie o ponuku obsahu.
• sitemap.xml: strojovo čitateľne uvádza všetky indexovateľné URL adresy. Slúži na úplnosť objavovania, nie na prioritizáciu ani spracovanie obsahu.
• llms.txt: je kurátorovaný prehľad obsahu vo formáte Markdown, čitateľný pre ľudí aj stroje. Nemá vymenovať všetko, má zvýrazniť to najdôležitejšie a poskytnúť to vo forme vhodnej pre LLM.

Rozhodujúci rozdiel: robots.txt a sitemap.xml sú zavedené štandardy, ktoré vyhľadávače skutočne vyhodnocujú. llms.txt je návrh bez oficiálnej podpory zo strany poskytovateľov AI.

Problém, ktorý mal llms.txt pôvodne riešiť

Howard zdôvodňuje návrh na dvoch miestach. V špecifikácii na llmstxt.org píše, že kontextové okná sú pre väčšinu webov ako celok stále príliš malé a že HTML stránky s navigáciou, reklamou a JavaScriptom sa dajú len ťažko a nepresne previesť späť na čistý text pre jazykové modely. V blogovom príspevku Answer.AI zdôrazňuje, že zostavenie správneho kontextu z webovej stránky je nejednoznačné. Predpoklad znie, že prevádzkovatelia webov sami najlepšie vedia, ktorý obsah je kľúčový, a tento kurátorovaný výber môžu poskytnúť v strojovo čitateľnej podobe.

Táto základná myšlienka je pochopiteľná a technicky dobre premyslená. Vysvetľuje, prečo návrh tak rýchlo zaujal vývojárov a výrobcov nástrojov. Nevysvetľuje však, či AI vyhľadávacie systémy súbor v praxi aj používajú. Práve táto medzera medzi presvedčivou myšlienkou a reálnym používaním je jadrom témy.

Paradox adopcie: vysoké absolútne rozšírenie, malý dosah

Rozšírenie llms.txt sa často komunikuje cez absolútne čísla, čo vytvára dojem de facto štandardu. BuiltWith tak 25. októbra 2025 napočítal viac ako 844 000 webov s llms.txt, ako dokumentuje Publii. Aktuálne číslo v trackeri BuiltWith odvtedy kolíše. Spoľahlivejší je relatívny pohľad. Analýza SE Ranking ukazuje: z približne 300 000 skúmaných domén malo súbor llms.txt implementovaný len 10,13 percenta. Takmer 90 percent skúmaných domén sa teda bez neho zaobíde.

Tento paradox je pre hodnotenie stratégie kľúčový: veľký absolútny počet implementácií neznamená, že súbor majú práve autoritatívne weby, ktoré sú relevantné pre AI viditeľnosť. Mnohé implementácie vznikli automatickým generovaním cez pluginy, nie vedomým redakčným rozhodnutím. Rozšírenie je tu slabý signál. Meria, ako ľahko sa dá niečo vytvoriť, nie to, ako účinne funguje.

Dôkazy proti aktívnemu využívaniu AI vyhľadávacími systémami

Proti predpokladu, že AI vyhľadávacie systémy dnes llms.txt aktívne využívajú, hovoria tri nezávislé dôkazy.

Po prvé, vyjadrenie Googlu. John Müller z Googlu vyhlásil, že súbor llms.txt v súčasnosti nepoužíva žiadny AI systém. Pre AI Overviews podľa Googlu platí: "use normal SEO practices", netreba vraj GEO, LLMO ani nič iné navyše. Gary Illyes k tomu doplnil, že Google llms.txt nepodporuje a ani to neplánuje.

Po druhé, realita serverových logov. Experiment OtterlyAI vyhodnotil skutočné prístupy crawlerov. Výsledok: z viac ako 62 100 návštev AI botov za 90 dní smerovalo na súbor /llms.txt len 84 požiadaviek, čo je podiel približne 0,1 percenta návštevnosti AI botov. Na porovnanie: priemerná stránka toho istého webu dostala za rovnaké obdobie približne 265 návštev AI botov, llms.txt s 84 návštevami teda zhruba trikrát menej. Crawlery si súbor systematicky nevyžadujú.

Po tretie, korelačná analýza. SE Ranking skúmal, či prítomnosť súboru llms.txt súvisí s frekvenciou citácií v AI. Štatistická analýza aj model strojového učenia ukázali, že llms.txt nemá žiadny vplyv na to, ako často LLM citujú danú doménu. Obzvlášť poučné: keď bola premenná llms.txt z modelu odstránená, predpovede sa dokonca zlepšili. Súbor teda k vysvetleniu AI viditeľnosti ničím neprispel.

Čo skutočne poháňa AI viditeľnosť

Ak llms.txt citácie v AI nevysvetľuje, vzniká skutočne relevantná otázka: čo ich teda vysvetľuje? Tu sú dáta podstatne jasnejšie a pre prax GEO priamo využiteľné.

Zmienky o značke pred backlinkmi: Analýza Ahrefs na vzorke 75 000 značiek ukazuje, že zmienky o značke na webe korelujú s viditeľnosťou v AI Overviews s r=0,664 výrazne silnejšie než backlinky s r=0,218, v pomere približne tri k jednej. Pre prax to znamená: digitálne PR, odborné články, odvetvové katalógy a konzistentné zmienky na celom webe pôsobia silnejšie než klasický linkbuilding.

Štatistiky a citácie zdrojov v obsahu: Práca zo zborníka KDD '24, často citovaná ako princetonská GEO štúdia, dokladá, že cielená optimalizácia môže zvýšiť viditeľnosť v generatívnych odpovediach až o 40 percent. Najúčinnejšie metódy sú pritom pridanie štatistík, zapracovanie dôveryhodných citátov a uvedenie spoľahlivých zdrojov, s relatívnym zlepšením o 30 až 40 percent v metrike Position-Adjusted Word Count a o 15 až 30 percent v miere Subjective Impression. Metódy v štýle keyword stuffingu podľa štúdie prinášajú len minimálne zlepšenie. Benchmark zahŕňal 10 000 dopytov z rôznych oblastí.

Front-loading a answer islands: Obsah, ktorý prináša hlavnú odpoveď v prvých vetách a je usporiadaný do jasne ohraničených, samostatne citovateľných blokov, jazykové modely extrahujú ľahšie. Nejde o trik s formátom súboru, ide o redakčnú disciplínu, ktorá pôsobí na každej jednotlivej stránke.

Záver je jednoznačný: páky AI viditeľnosti ležia v samotnom obsahu a v prítomnosti značky, nie v samostatnom súbore s prehľadom obsahu.

Kde llms.txt mimo vyhľadávania skutočne prináša úžitok

To, že súbor nemá vplyv na viditeľnosť v AI vyhľadávaní, neznamená, že je bezcenný. Má legitímne prípady použitia, len ležia mimo kontextu vyhľadávania.

• Agentické pracovné postupy a používanie nástrojov: Keď používateľ dá AI agentovi konkrétnu URL adresu a požiada o jej spracovanie, kurátorovaná mapa v Markdowne môže uľahčiť vstup. Súbor sa tu otvára cielene, neobjavuje ho vyhľadávací crawler.
• Interné RAG pipeline: Firmy, ktoré nad vlastnou dokumentáciou budujú vlastné retrieval systémy, profitujú z čistého, vopred štruktúrovaného zdroja v Markdowne. Úžitok vzniká v kontrolovanom internom systéme, nie na otvorenom webe.
• Práca s dokumentáciou pri vývojárskych nástrojoch a SaaS: V segmente vývojárov a SaaS, kde používatelia aktívne nasadzujú jazykové modely na produktovú dokumentáciu, môže llms.txt zlepšiť prístup k technickému obsahu. Tento segment predstavuje najpravdepodobnejší reálny úžitok.

Pre typickú B2B firmu v regióne DACH, ktorej cieľom je viditeľnosť v ChatGPT Search, Perplexity alebo Google AI Overviews, tieto prípady použitia spravidla neplatia.

Realistické zváženie rizika, náročnosti a prínosu

Úprimné zhodnotenie znie: nízke riziko, nízke náklady, nízky prínos. Riziko je nízke, pretože súbor nič nepokazí. Náročnosť je nízka, ak ho vytvoríš len raz. Očakávaný prínos pre viditeľnosť v AI vyhľadávaní je podľa aktuálnych dát prakticky nulový.

Tri aspekty si napriek tomu zaslúžia pozornosť:

• Náročnosť údržby: Ručne udržiavaný llms.txt zastaráva. Keď sa obsah zmení, ale súbor nie, vznikajú protichodné snímky.
• Zastarané snímky: Nesprávna kurátorovaná mapa je horšia než žiadna, pretože podáva skreslený obraz webu.
• Riziká spamu a cloakingu: Súbor, ktorý ukazuje iný obsah než samotné stránky, môže skĺznuť do cloakingu. Konzistentnosť medzi llms.txt a skutočným webom je preto povinná.

Ak llms.txt implementuješ, ber ho ako automatizovaný doplnok s minimálnou údržbou, nie ako GEO opatrenie so sľubom účinku.

Relevancia pre DACH a Rakúsko v GEO stratégii

Naliehavosť AI viditeľnosti je v regióne DACH reálna, bez ohľadu na llms.txt. V Rakúsku podľa Statistik Austria 31 percent ľudí vo veku 16 až 74 rokov už aspoň raz použilo generatívny AI nástroj ako ChatGPT, 28 percent aj v troch mesiacoch pred prieskumom. Dátovým základom je zisťovanie o využívaní IKT v domácnostiach 2024.

Pre B2B GEO stratégie z toho vyplývajú dve veci. Po prvé: takmer tretina ľudí vo veku 16 až 74 rokov v Rakúsku už generatívne AI nástroje použila, AI viditeľnosť teda nie je téma budúcnosti. Po druhé: správnou odpoveďou je overiteľný, dobre štruktúrovaný obsah so zdrojmi a štatistikami, nie technický súbor bez preukázaného účinku. Práve v nemecky hovoriacom priestore, kde je kvalitného odborného obsahu v trénovacom korpuse LLM často menej, je fundovaný, obsahovo hodnotný text účinnejšou pákou.

Ako správne merať AI referral návštevnosť a konverzie

Vyhľadávanie poháňané AI zásadne mení správanie pri klikaní, a to sťažuje meranie. Analýza Pew Research Center na základe údajov o prehliadaní z USA ukazuje: používatelia, ktorí videli AI zhrnutie, klikli na klasický výsledok vyhľadávania len pri 8 percentách návštev, oproti 15 percentám bez AI zhrnutia. Na odkaz priamo v zhrnutí kliklo len 1 percento. Navyše 26 percent používateľov ukončilo reláciu po stránke s AI zhrnutím, oproti 16 percentám bez neho. Tieto čísla pochádzajú z amerického trhu, smer je však prenosný aj na DACH.

V praxi to znamená: klasické metriky klikov podceňujú hodnotu AI viditeľnosti, pretože časť účinku vzniká v zobrazeniach založených na citáciách, bez kliku. Na presné zachytenie zvyšnej referral návštevnosti sa odporúča postup v dvoch rovinách:

• Segmentácia v GA4: AI zdroje ako ChatGPT, Perplexity alebo Gemini izoluj ako samostatné referral zdroje a ich správanie, napríklad zapojenie a konverzie, vyhodnocuj oddelene.
• Analýza serverových logov: Prístupy crawlerov AI botov vyhodnocuj priamo v logoch, aby si videl, ktoré stránky sa skutočne načítavajú. Práve táto metóda v experimente OtterlyAI ukázala, že llms.txt sa takmer nepožaduje.

Ak skombinuješ obe roviny, meriaš AI viditeľnosť spoľahlivo a nemusíš ju odvodzovať od formátu súboru.

Odporúčanie: rozhodovacia matica pre llms.txt

Rozhodnutie sa dá zhrnúť do jednoduchej matice.

• Automatizované generovanie je k dispozícii, napríklad cez CMS alebo plugin: implementuj ho. Náročnosť je minimálna, riziko nízke a v kontexte vývojárskych nástrojov alebo SaaS existuje pravdepodobný vedľajší úžitok. Očakávanie: žiadny merateľný vplyv na viditeľnosť v AI vyhľadávaní.
• Možná je len ručná údržba a chýba agentický alebo dokumentačný prípad použitia: vynechaj ho alebo ho rieš až úplne na konci. Náročnosť údržby prevyšuje preukázaný úžitok.
• Obmedzený GEO rozpočet: neinvestuj do llms.txt, investuj do opatrení s dôkazmi.

Podľa dát majú prednosť páky s preukázaným účinkom: konzistentné zmienky o značke na celom webe namiesto samotného linkbuildingu, front-loading odpovedí a používanie štatistík a citácií zdrojov priamo v obsahu, k tomu presné meranie cez segmentáciu v GA4 a serverové logy. llms.txt je v najlepšom prípade neškodný doplnok. Skutočná práca na GEO sa odohráva na samotnej stránke, nie v súbore s prehľadom obsahu.