¿llms.txt está muerto en 2026? Estudio SE Ranking sobre 300K dominios
10,13% de dominios publica llms.txt; 0% del top 1000. SE Ranking (mayo 2026) no halló lift de citación atribuible al archivo. Qué sí mueve la aguja.
La actualización honesta
Publicamos Qué Es llms.txt y Por Qué Cada Sitio lo Necesita en 2026 el 2026-04-22. El post argumentaba que llms.txt era el estándar de facto de identidad de IA y pronto sería universal. Citaba un estudio de N pequeño sugiriendo que los sitios con llms.txt eran 1,6x más propensos a ser citados correctamente por Perplexity.
SE Ranking ejecutó el mayor análisis de llms.txt hasta hoy en mayo de 2026 - aproximadamente 300.000 dominios indexados, controlados por authority del sitio, densidad de markup de schema y recencia de contenido. Los hallazgos no apoyan la versión fuerte de aquella afirmación anterior. Apoyan una más suave. Este post es la actualización.
Las cifras headline del dataset SE Ranking:
| Métrica | May 2026 | Abr 2025 |
|---|---|---|
| Adopción de llms.txt, todos los dominios | 10,13% | 0,4% |
| Adopción de llms.txt, top 1000 dominios | 0% | 0% |
| Lift de tasa de citación atribuible a llms.txt (controlado) | no estadísticamente significativo | (N pequeño) +60% reportado |
| Longitud óptima por regresión de tasa de citación | ≈ 800 caracteres | (recomendada) 800-3000 caracteres |
La adopción creció ~25x en 13 meses, lo cual es genuino. La señal es real. La palanca sobre las citaciones no es la que implicaba la narrativa de inicios de 2025. La cima de la web - los publicadores y plataformas de alto tráfico cuya adopción forzaría a los motores de IA a tratar el archivo como autoritativo - no se ha movido. La mitad de la web ha adoptado fuertemente, por eso la adopción agregada se ve como un palo de hockey desde abajo y una línea plana desde arriba.
Qué medían realmente las cifras tempranas
La cifra de 1,6x de precisión de citación ampliamente citada de abril de 2025 fue un estudio temprano de N pequeño a nivel de unos pocos miles de dominios, sin control para authority del sitio, densidad de schema o recencia de contenido. El estudio más grande de SE Ranking replicó la metodología a escala de ~300K dominios con los controles añadidos. El lift atribuible a la presencia de llms.txt específicamente - todo lo demás constante - se redujo a un efecto no significativo.
La interpretación más limpia: el lift original de 1,6x fue un confundimiento de población-de-publicadores. Los publicadores que adoptaron llms.txt temprano en 2025 eran también los publicadores que hacían todas las demás mejores prácticas AEO - markup FAQPage, recencia de contenido, Q&A estructurado, internal linking, todo. El lift de citación vino del paquete de prácticas que los adoptantes tempranos enviaban juntos, no del archivo llms.txt en sí.
Este es el patrón estándar cuando una nueva señal recibe una lectura inicial fuerte. Los adoptantes tempranos se auto-seleccionan; el lift parece atribuible a la nueva señal; la replicación con N mayor con controles disuelve el efecto. Ocurrió con las señales adyacentes a PageRank en los 2010, con las señales de structured data en los 2010, y ahora con llms.txt en 2025-2026. La respuesta correcta es la misma cada vez: actualizar el modelo.
Lo que los datos de mayo de 2026 muestran que eleva citaciones
El conjunto de control positivo del estudio SE Ranking mantuvo constante la presencia de llms.txt y varió la densidad de markup de schema en el contenido mismo. Los resultados en los cuatro motores de IA principales estudiados - ChatGPT search, Claude, Perplexity y Google AI Mode - mostraron cuatro señales limpias.
FAQPage con pares Q/A reales
FAQPage con 4+ pares Question/Answer escoped a preguntas que los usuarios realmente hacen, con respuestas ≥300 caracteres cada una: +34% de tasa de citación en Perplexity, +28% en ChatGPT search, controlando por recencia de contenido y authority de dominio.
El mecanismo es mecánico. Los motores de IA elevan los pares Q/A marcados como FAQPage casi tal cual a los snippets de citación cuando la pregunta coincide con la query del usuario. Una página con 6 pares Q/A bien marcados que abordan 6 intents distintos de usuario es, efectivamente, 6 oportunidades de citación compitiendo por 6 queries diferentes. Una página con el mismo contenido en forma de párrafo corrido es 1 oportunidad de citación, y el motor de IA tiene que hacer el trabajo de extracción él mismo, lo que hace con menos fiabilidad.
Documentamos este patrón en FAQPage Schema for Citation Lift y el consejo operativo no ha cambiado - 4-6 pares Q/A por página de contenido, cada uno ≥300 caracteres, cada uno abordando una pregunta distinta del usuario, cada uno puntuado contra las queries reales que la página apunta.
ClaimReview en párrafos densos en stats
ClaimReview con claimReviewed y reviewRating envolviendo afirmaciones estadísticas verificables: +41% de tasa de citación en AI Mode sobre el contenido marcado, en el mismo estudio.
El mecanismo es señal. La mayoría de los párrafos densos en stats en la web son sin fuente; AI Mode los penaliza. Un párrafo envuelto en ClaimReview le dice al motor que la afirmación ha sido revisada y calificada, lo que la eleva por encima de afirmaciones competidoras sin fuente aun cuando los números subyacentes son idénticos.
El impuesto de implementación es real - cada bloque ClaimReview requiere claimReviewed (la proposición revisada), reviewRating (numérico, en una escala definida), author (el revisor), datePublished y itemReviewed.url (la fuente revisada). Para un equipo de contenido entregando 4 posts densos en stats al mes, el overhead de markup por post es unos 15 minutos. El lift en citaciones de AI Mode más que paga ese tiempo.
Enlaces SameAs
Organization schema con SameAs URLs apuntando a Wikidata, LinkedIn, Crunchbase, GitHub, y (cuando aplica) Twitter y YouTube: +22% de precisión de desambiguación de entidad en los cuatro motores estudiados.
El mecanismo es verificación. Hay al menos 4 empresas llamadas "Inite" en viajes, fitness y consultoría. Hay al menos 12 productos de software "Apex". Cuando un motor de IA resuelve una referencia de entidad en query de usuario → entidad → URL de sitio, cruza los SameAs targets para confirmar que está mapeando a la entidad correcta. SameAs a Wikidata es la señal única más fuerte porque Wikidata es el grafo canónico de entidad al que los motores principales defieren.
Tres SameAs URLs - Wikidata + LinkedIn + GitHub - entregaron aproximadamente el 80% del lift de desambiguación de entidad en los datos SE Ranking. El 4º y 5º targets añadieron pequeños lifts marginales. Pasando 5-6 targets el lift se aplana.
Speakable con cssSelector
Schema speakable con cssSelector apuntando a bloques de respuesta directa (.aeo-direct-answer o pares H1+H2): +18% de precisión de extracción de respuesta en AI Mode, donde el snippet citado coincidió con el texto marcado como speakable en vez de otro pasaje en la misma página.
El mecanismo es pista. La propiedad speakable le dice al motor 'este pasaje es una respuesta limpia a una pregunta y es adecuado para extracción de voz/respuesta'. AI Mode es el motor que escucha esta señal más agresivamente. ChatGPT y Claude escuchan menos; Perplexity, en el estudio SE Ranking, no mostró respuesta medible específicamente a speakable (aunque su lógica de citación parece favorecer pasajes cortos, declarativos y front-loaded - que es lo que los pasajes marcados como speakable tienden a ser).
Documentamos el patrón en Direct Answer Blocks for AEO y el analizador inite.ai lo chequea en cada auditoría.
Lo que llms.txt todavía hace bien
El frame contrarian no debe pasarse de frenada. llms.txt sigue siendo la superficie correcta para dos trabajos específicos que las métricas de tasa de citación de SE Ranking no miden directamente.
Desambiguación de entidad. Si tu marca tiene un nombre no único, llms.txt es uno de varios inputs que un motor de IA usa para decidir qué entidad eres. El estudio SE Ranking no midió la precisión de desambiguación de entidad como función de la presencia de llms.txt; midió la tasa de citación. No hay todavía estudio publicado de N grande que aisle la contribución del llms.txt a la desambiguación de entidad. El mecanismo es plausible - un H1 claro con el nombre legal, una descripción de una línea y un ancla SameAs inequívoca en el markdown ayudan al motor a fijar la entidad - pero el caso cuantitativo está por hacer.
Ruteo programático de instrucciones. Si quieres que los agentes de IA traigan desde /docs/llm-overview.md en lugar de tu landing de ventas, llms.txt es donde ese ruteo se declara. A medida que agentic browsing cruza el 5-10% del tráfico entrante en 2026, esto importa más, no menos. El dataset SE Ranking midió tasas de citación desde interfaces de search-flavor (ChatGPT search, Perplexity, AI Mode), no ruteo de tráfico agéntico - así que esta dimensión queda fuera de lo medido.
Ninguno mapea a un lift limpio de tasa de citación en las cifras de mayo de 2026. Ambos son reales. La posición honesta a mediados de 2026: entrega llms.txt, entrégalo bien, pero no vendas el trabajo como un proyecto de citation-lift. El lift viene del sustrato FAQPage / ClaimReview / SameAs / speakable alrededor.
A dónde debe ir el tiempo
Si un equipo tiene 8 horas de tiempo AEO por semana a mediados de 2026, los hallazgos SE Ranking apuntan a una asignación limpia. Usamos esta asignación en la herramienta /analyze y en nuestro propio equipo de contenido:
| Horas/sem | Actividad | Base de lift de citación |
|---|---|---|
| 4 | Markup FAQPage + ClaimReview + speakable en contenido nuevo y existente | +28-41% por motor |
| 2 | Mantenimiento de SameAs + refresh de recencia de contenido en top 20 páginas citadas | +22% desambiguación, penalidad de staleness del 12% evitada |
| 1 | Tier de identidad (llms.txt, ai.txt, robots-ai.txt, .well-known/agent-actions) | sustrato; sin lift aislado |
| 1 | Citation tracking + medición (ver Citation Tracking Metrics) | bucle de feedback |
Esto es lo contrario de la asignación de abril de 2025, cuando los equipos entregaban archivos grandes de llms.txt + ai.txt primero y añadían markup de schema después. Los datos de mayo de 2026 invirtieron la prioridad.
Qué cambiaría nuestra opinión
Dos cosas necesitan ser verdad para que llms.txt importe más en 2027 que en 2026.
La adopción en los top 1000 necesita cruzar el 25-40%. Mientras la web de alto tráfico no publica llms.txt, los motores de IA construyen sus pipelines de citación sin él como input primario. No pueden hacer que un archivo sea autoritativo cuando 0 de los 1000 top sitios lo publican. El camino más rápido adelante es un default de plataforma grande - Shopify, Vercel, WordPress o Squarespace entregando llms.txt por defecto en cada sitio cliente. Ninguno ha ocurrido. Si uno ocurre, el cálculo cambia.
La spec necesita estandarizarse en un schema pequeño y machine-readable. La spec actual es markdown freeform, lo que significa que cada motor de IA termina parseándola distinto y tratándola como pista en vez de contrato. El trabajo de draft IETF sobre AI Identity - informalmente trackeado junto a la spec Web Bot Auth HTTP Message Signatures - apunta a un perfil de identidad compatible con JSON-LD del que los motores podrían fiarse como contrato. Si un schema pequeño y estricto aterriza y los motores principales se comprometen a honrarlo, el archivo vuelve a ser de alta palanca.
Ninguno de los cambios es inminente. Revisamos en octubre de 2026 con el refresh H2 de SE Ranking.
Qué cambió en el analizador
La repesa de la puntuación de citation-readiness de la herramienta /analyze, motivada directamente por los hallazgos SE Ranking:
| Componente de puntuación | Peso antiguo | Peso nuevo |
|---|---|---|
| Superficie de identidad (llms.txt, ai.txt, robots-ai.txt, .well-known/agent-actions) | 35% | 15% |
| Patrones de schema (FAQPage, ClaimReview, SameAs, speakable, Organization) | 30% | 50% |
| Recencia de contenido + densidad de respuesta directa | 25% | 25% |
| Política de robots + higiene de crawler allowlist | 10% | 10% |
La nueva puntuación refleja mejor dónde vive realmente el lift empírico a mediados de 2026. Las findings en el informe del analizador ahora cargan una estimación per-finding de lift de citación atada al dataset SE Ranking - así un equipo que entrega FAQPage con 6 pares Q/A ve un explícito "+34% Perplexity citation rate (SE Ranking 2026 estimate)" adjunto a esa finding.
Las otras herramientas del analizador - citation tracking, ai-crawler allowlist, browser-agent readiness - todas viven en el mismo producto. La repesa es una actualización, no un relanzamiento.
El resumen en una frase
llms.txt no está muerto ni es inútil, pero no es la palanca de citación que implicaba la narrativa de inicios de 2025; el estudio SE Ranking de mayo de 2026 nos dice dónde vive realmente el lift a mediados de 2026, que es el sustrato Schema.org - FAQPage, ClaimReview, SameAs, speakable - y ahí es donde los equipos con 8 horas de tiempo AEO por semana deberían gastarlo.
Actualiza el modelo cuando los datos con N mayor lo manden. Ajusta la asignación. Sigue entregando.
01Si el 10,13% de los dominios tiene llms.txt y no eleva las citaciones, ¿para qué publicarlo?+
Porque la ausencia de un incremento medible de citación en el agregado no es lo mismo que el archivo no tener propósito. llms.txt sigue siendo la superficie correcta para dos trabajos específicos que las métricas de tasa de citación no miden directamente. (1) Desambiguación de entidad - si tu marca tiene un nombre no único (hay al menos 4 empresas llamadas 'Inite' en viajes, fitness y consultoría), llms.txt es uno de los inputs que un motor de IA usa para decidir qué entidad eres. El estudio SE Ranking no midió la precisión de desambiguación de entidad directamente; midió la tasa de citación. (2) Ruteo programático de instrucciones - si quieres que los agentes de IA traigan desde /docs/llm-overview.md en lugar de tu landing de ventas, llms.txt es donde ese ruteo se declara. Ninguno mapea limpiamente a un uplift de tasa de citación, pero ambos son reales y ambos importan cuando tu tráfico de agentic browsing cruza el 5% del total. La posición honesta a mediados de 2026: entrega llms.txt, entrégalo bien, pero no vendas el trabajo como un proyecto de citation-lift. El lift viene del sustrato FAQPage / ClaimReview / SameAs / speakable alrededor.
02¿En qué se equivocó la narrativa de abril de 2025 sobre llms.txt?+
En tres cosas. (1) La cifra de 1,6x de precisión de citación ampliamente citada de un estudio temprano de N pequeño no sobrevivió a la replicación con N mayor. El análisis de ~300K dominios de SE Ranking a escala no mostró un lift estadísticamente significativo en la tasa de citación atribuible a la presencia de llms.txt, una vez controlados los confundidores. El hallazgo original se ve como un efecto de población-de-publicadores: los publicadores que adoptaron llms.txt temprano también hacían todas las demás mejores prácticas AEO, y el lift de citación vino del paquete, no del archivo. (2) Se proyectaba que la adopción seguiría la trayectoria de robots.txt hacia la cobertura universal. En la práctica se ha estancado en el mid-tier y no ha penetrado los top 1000 de la web de alto tráfico. Las principales plataformas de contenido, los principales retailers, las principales casas de medios - ninguna tiene llms.txt a mayo de 2026, lo que significa que los motores de IA no pueden apoyarse en él como señal primaria aunque quisieran. (3) El contrato fue sobreespecificado - las plantillas tempranas sugerían archivos markdown de 3-5 KB con árboles de producto detallados. La mayoría de los motores de IA, cuando traen llms.txt, lo tratan como una pista, no como un contrato. El llms.txt de 144 líneas vs el de 39 líneas no produce diferencia medible ni en precisión de desambiguación de entidad ni en tasa de citación. La longitud óptima según los datos SE Ranking está más cerca de 800 caracteres que de 3 KB.
03Entonces, ¿qué mueve la aguja de la citación a mediados de 2026?+
Markup Schema.org en el contenido que efectivamente necesita citarse, no archivos identidad-declarativos en la raíz. El conjunto de control positivo del dataset SE Ranking - sitios con la misma presencia de llms.txt y densidad de schema variable - mostró correlación lineal limpia entre conteo de marcadores de schema y tasa de citación. Cuatro patrones específicos de markup produjeron los lifts más limpios. (1) FAQPage con 4+ pares Question/Answer escoped a preguntas que los usuarios realmente hacen: +34% Perplexity, +28% ChatGPT search. El mecanismo es mecánico - los motores de IA elevan estos pares Q/A casi tal cual a sus snippets de citación. (2) ClaimReview con claimReviewed + reviewRating envolviendo afirmaciones estadísticas verificables: +41% de tasa de citación en AI Mode sobre el contenido marcado. El mecanismo es señal - el schema le dice al motor que la afirmación ha sido revisada, lo que la eleva por encima de afirmaciones competidoras sin fuente. (3) Organization con SameAs URLs apuntando a Wikidata, LinkedIn, Crunchbase, GitHub, y (cuando aplica) Twitter y YouTube: +22% de precisión de desambiguación de entidad. El mecanismo es verificación - los motores de IA cruzan los SameAs targets para confirmar que están mapeando a la entidad correcta. (4) Speakable con cssSelector apuntando a bloques de respuesta directa: +18% de precisión de extracción de respuesta en AI Mode. El mecanismo es pista - el schema le dice al motor 'este pasaje es una respuesta limpia a una pregunta', lo que lo eleva por encima de pasajes competidores en la misma página. Apila los cuatro en una página y los lifts marginales se componen, modestamente. Ninguno de los cuatro necesita llms.txt para funcionar.
04¿Cómo debería un equipo a mediados de 2026 invertir su tiempo AEO?+
Prioridad de tres tiers. Tier 1 - entrega los cuatro patrones de schema arriba en cada página de contenido que deba citarse. FAQPage con pares Q/A reales, distintos, útiles ≥300 caracteres cada uno. ClaimReview en párrafos densos en stats. Organization SameAs en la raíz del sitio. Speakable en los bloques de respuesta directa. Aquí viven los lifts de tasa de citación del 18-41%. Tier 2 - acierta la superficie de identidad de entidad. Publica llms.txt (pequeño, ~800 caracteres, ceñido), ai.txt con el detalle SEMrush-grade mostrado en [el post original de comparación llms.txt](/es/blog/llms-txt-vs-ai-txt-vs-robots-txt), .well-known/agent-actions para endpoints de checkout agéntico si los tienes, y un robots.txt limpio allowlistando GPTBot/ClaudeBot/PerplexityBot/Google-Extended explícitamente. Este es el sustrato que permite a todas las demás señales aterrizar. El lift no es medible en aislamiento, pero la ausencia de este tier silenciosamente limita los demás. Tier 3 - el trabajo más difícil y lento que produce lift compuesto. El [patrón de bloque de respuesta directa](/es/blog/direct-answer-blocks-aeo) - un párrafo de 300-700 caracteres por página que responde limpiamente a la pregunta principal de la página. Las [métricas de citation tracking](/es/blog/citation-tracking-aeo-metrics) que permiten medir tu propio lift semana a semana. La disciplina de recencia de contenido que hace que te re-fetcheen. El patrón de internal linking que consolida la autoridad temática. Esto es el 80% del techo de tasa de citación. Gastar tiempo de Tier 3 en un llms.txt perfecto es capital mal asignado.
05¿Qué significa esto específicamente para el producto analizador AEO inite.ai?+
El analizador en [/analyze](/es/analyze) chequea llms.txt, ai.txt, .well-known/agent-actions, robots.txt y el grafo completo de markup Schema.org - el mismo pipeline de nueve pasos de siempre. Lo que cambia en la iteración H2 2026 del producto, motivada directamente por los hallazgos SE Ranking: la puntuación de citation-readiness que devuelve el analizador se está repesando. La ponderación actual era substrate-heavy (llms.txt + ai.txt + robots-ai.txt sumaban 35% de la puntuación). La repesa de mediados de 2026 empuja esto a 15% y eleva la ponderación de los patrones de schema de 30% a 50%. La presencia y calidad de FAQPage / ClaimReview / SameAs / speakable son ahora el eje dominante de la puntuación, con recencia de contenido y densidad de respuesta directa al 25%, y superficie de identidad al 15%. El informe completo del analizador ahora se entrega con una estimación per-finding de lift de citación atada al dataset SE Ranking - así un equipo que entrega FAQPage con 6 pares Q/A ve un explícito '+34% Perplexity citation rate (SE Ranking 2026 estimate)' en esa finding. El trabajo del producto es decir a los equipos dónde vive realmente el lift a mediados de 2026, no dónde solía vivir a mediados de 2025.
06¿Volverá llms.txt? ¿Qué necesita ser verdad para que importe más?+
Dos cosas necesitan cambiar. (1) La adopción en los top 1000 necesita cruzar algún umbral - probablemente 25-40% - para que los motores de IA traten la ausencia de llms.txt como una señal faltante. Mientras la cima de la web no lo publica, los motores construyen sus pipelines sin él como input primario, lo que significa que publicarlo sigue siendo de baja palanca. El camino más rápido a la adopción en top 1000 es un mandato de plataforma grande - Shopify, Vercel, WordPress o Squarespace entregando llms.txt por defecto en cada sitio cliente - lo que no ha ocurrido. (2) La spec necesita estandarizarse en un schema pequeño y machine-readable en vez de markdown freeform. El trabajo del draft IETF sobre AI Identity (informalmente trackeado junto a la spec Web Bot Auth HTTP Message Signatures) apunta en esa dirección. Un perfil de identidad estandarizado - probablemente compatible con JSON-LD, probablemente un superset estricto de Schema.org Organization - sería la versión del llms.txt en la que los motores de IA podrían confiar como contrato en vez de pista. Si ambos ocurren, el archivo importa más en 2027. Si ninguno ocurre, llms.txt sigue siendo una superficie útil pero secundaria, exactamente como ahora.
