llms.txt мёртв в 2026? Что нашло SE Ranking на 300К доменов
10,13% доменов публикуют llms.txt; 0% из топ-1000 - нет. SE Ranking май 2026 не нашёл прироста цитируемости от llms.txt. Что реально двигает цитаты в 2026.
Честное обновление
Мы опубликовали Что такое llms.txt и почему каждому сайту он нужен в 2026 2026-04-22. Пост утверждал, что llms.txt - де-факто AI-identity-стандарт, который вот-вот станет универсальным. Цитировалось малое-N раннее исследование, утверждающее, что сайты с llms.txt в 1,6 раза вероятнее цитируются корректно Perplexity.
SE Ranking провёл крупнейший на сегодня анализ llms.txt в мае 2026 - примерно 300 000 индексированных доменов, контролированных на authority сайта, плотность schema и свежесть контента. Находки не поддерживают сильную версию того более раннего утверждения. Они поддерживают мягкую. Этот пост - обновление.
Заголовочные цифры из датасета SE Ranking:
| Метрика | Май 2026 | Апр 2025 |
|---|---|---|
| Внедрение llms.txt, все домены | 10,13% | 0,4% |
| Внедрение llms.txt, топ-1000 доменов | 0% | 0% |
| Прирост цитируемости от llms.txt (контролируемый) | статистически не значим | (малое N) сообщалось +60% |
| Оптимальная длина по регрессии рейта цитирования | ≈ 800 знаков | (рекомендовалось) 800-3000 знаков |
Внедрение выросло ~25× за 13 месяцев - это настоящее. Сигнал реален. Рычаг на цитируемость - не такой, как обещала версия начала 2025. Верх веба - высокотрафиковые издатели и платформы, чьё внедрение заставило бы AI-движки относиться к файлу как к авторитетному, - не сдвинулся. Середина веба внедрила интенсивно, потому-то агрегатное внедрение выглядит как хоккейная клюшка снизу и плоская линия сверху.
Что на самом деле меряли ранние цифры
Цифра '1,6× к точности цитирования', широко цитируемая с апреля 2025, была малым-N ранним исследованием на уровне нескольких тысяч доменов, без контроля на authority сайта, плотность schema или свежесть контента. Более крупное исследование SE Ranking реплицировало методологию на масштабе ~300К доменов с добавленными контролями. Лифт, относимый именно к наличию llms.txt - при прочих равных - сжался до незначимого эффекта.
Чистейшая интерпретация: исходный 1,6×-лифт был конфаундом population-of-publishers. Издатели, ранние принявшие llms.txt в 2025, были также издателями, делавшими все остальные AEO-best-practices - FAQPage-разметку, content-recency, структурированные Q&A, внутреннее линкование, всё. Лифт цитируемости пришёл от бандла практик, которые ранние принявшие отгружали вместе, не от самого файла llms.txt.
Это стандартный паттерн, когда новый сигнал получает сильное раннее показание. Ранние принявшие самоотбираются; лифт выглядит относимым к новому сигналу; репликация на большем N с контролями растворяет эффект. Это случалось с PageRank-смежными сигналами в 2010-х, со structured-data-сигналами в 2010-х, а теперь с llms.txt в 2025-2026. Правильный ответ в каждом случае один: обновить модель.
Что данные мая 2026 показывают как лифт цитируемости
Positive-control set исследования SE Ranking фиксировал наличие llms.txt и варьировал плотность schema-разметки на самом контенте. Результаты по четырём изученным крупным AI-движкам - ChatGPT search, Claude, Perplexity и Google AI Mode - показали четыре чистых сигнала.
FAQPage с реальными парами Q/A
FAQPage с 4+ парами Question/Answer, привязанными к вопросам, которые пользователи реально задают, с ответами ≥300 знаков каждый: +34% к рейту цитирования в Perplexity, +28% в ChatGPT search, при контроле на content-recency и domain authority.
Механика механическая. AI-движки тянут FAQPage-размеченные пары Q/A почти дословно в свои сниппеты цитирования, когда вопрос совпадает с пользовательским запросом. Страница с 6 хорошо размеченными парами Q/A, адресующими 6 разных пользовательских интентов - это эффективно 6 возможностей цитирования, конкурирующих за 6 разных запросов. Страница с тем же контентом в текущей прозе - 1 возможность цитирования, и AI-движку приходится делать работу извлечения самому, что он делает менее надёжно.
Мы документировали этот паттерн в FAQPage Schema for Citation Lift, и операционные советы не изменились - 4-6 пар Q/A на content-страницу, каждая ≥300 знаков, каждая адресует разный пользовательский вопрос, каждая скорится против реальных поисковых запросов, на которые целится страница.
ClaimReview на stat-плотных абзацах
ClaimReview с claimReviewed и reviewRating, обёрнутые вокруг верифицируемых статистических утверждений: +41% к рейту цитирования в AI Mode на размеченном контенте в том же исследовании.
Механика - сигнал. Большинство stat-плотных абзацев в вебе без источника; AI Mode их пенализует. Абзац, обёрнутый в ClaimReview, говорит движку, что утверждение прошло ревью и рейтинг, что поднимает его над конкурирующими бессрочными утверждениями, даже когда базовые цифры идентичны.
Налог на имплементацию реален - каждый ClaimReview-блок требует claimReviewed (рассматриваемое утверждение), reviewRating (числовой, по определённой шкале), author (ревьюер), datePublished и itemReviewed.url (источник, который ревьюится). Для контент-команды, отгружающей 4 stat-плотных поста в месяц, овeрхед разметки на пост - около 15 минут. Лифт на AI Mode-цитирование с лихвой окупает это время.
Связки SameAs
Organization-schema с SameAs URL'ами на Wikidata, LinkedIn, Crunchbase, GitHub и (где применимо) Twitter и YouTube: +22% точности entity-disambiguation по четырём изученным движкам.
Механика - верификация. Существуют как минимум 4 компании по имени "Inite" в путешествиях, фитнесе и консалтинге. Существуют как минимум 12 софтверных продуктов "Apex". Когда AI-движок резолвит entity-reference в пользовательском запросе → entity → URL сайта, он кросс-чекает SameAs-цели, чтобы подтвердить, что мапит в правильную entity. SameAs на Wikidata - сильнейший одиночный сигнал, потому что Wikidata - канонический entity-граф, на который крупные движки оборачиваются.
Три SameAs URL'а - Wikidata + LinkedIn + GitHub - дали примерно 80% лифта entity-disambiguation в данных SE Ranking. 4-я и 5-я цели добавили маленькие предельные лифты. После 5-6 целей лифт плато'ит.
Speakable с cssSelector
Speakable-схема с cssSelector, целящим в блоки прямого ответа (.aeo-direct-answer или пары H1+H2): +18% точности извлечения ответа в AI Mode, где цитированный сниппет совпадал с speakable-помеченным текстом, а не другим пассажем на той же странице.
Механика - подсказка. Свойство speakable говорит движку 'этот пассаж - чистый ответ на вопрос и подходит для voice/answer-извлечения'. AI Mode - движок, слушающий этот сигнал агрессивнее всего. ChatGPT и Claude слушают меньше; Perplexity, в исследовании SE Ranking, не показал измеримой реакции на speakable конкретно (хотя их логика цитирования, кажется, благоволит коротким, декларативным, фронт-лоадет пассажам - что и характеризует speakable-размеченные пассажи).
Мы документировали паттерн в Direct Answer Blocks for AEO, и анализатор inite.ai проверяет его на каждом аудите.
Что llms.txt всё ещё делает хорошо
Контрариан-фрейминг не должен переторгировать. llms.txt остаётся правильной поверхностью для двух конкретных задач, не измеряемых метриками рейта цитирования SE Ranking напрямую.
Entity disambiguation. Если у вашего бренда неуникальное имя, llms.txt - один из нескольких входов AI-движка для решения, какая вы entity. Исследование SE Ranking не измеряло точность entity-disambiguation как функцию наличия llms.txt; меряло рейт цитирования. Пока нет опубликованного исследования на большом N, изолирующего вклад llms.txt в entity-disambiguation. Механика правдоподобна - чистый H1 с легальным именем, однострочное описание и недвусмысленный SameAs-якорь в markdown помогают движку пришпилить entity - но количественный кейс не сделан.
Программная маршрутизация инструкций. Если хотите, чтобы AI-агенты тянули из /docs/llm-overview.md, а не из sales-лендинга, llms.txt - то место, где маршрутизация декларируется. По мере того как agentic browsing переходит 5-10% входящего трафика в 2026, это важнее, не наоборот. Датасет SE Ranking меряет рейты цитирования из search-flavour-интерфейсов (ChatGPT search, Perplexity, AI Mode), не маршрутизацию agentic-трафика - так что это измерение вне того, что меряли.
Ни одно из них не мапится в чистый прирост рейта цитирования в майских 2026 цифрах. Оба реальны. Честная позиция в середине 2026: отгружайте llms.txt, отгружайте его хорошо, но не выставляйте работу как citation-lift-проект. Лифт идёт от FAQPage / ClaimReview / SameAs / speakable substrate вокруг.
Куда должно идти время
Если у команды есть 8 часов AEO-времени в неделю в середине 2026, находки SE Ranking указывают на чистое распределение. Мы используем это распределение в /analyze-инструменте и собственной контент-команде:
| Часов/нед | Активность | База лифта цитируемости |
|---|---|---|
| 4 | FAQPage + ClaimReview + speakable-разметка на новом и существующем контенте | +28-41% на движок |
| 2 | SameAs-поддержка + content-recency-обновление на топ-20 цитируемых страниц | +22% disambiguation, избегнутый −12% staleness-пенальти |
| 1 | Identity-tier (llms.txt, ai.txt, robots-ai.txt, .well-known/agent-actions) | substrate; нет изолированного лифта |
| 1 | Citation-tracking + измерение (см. Citation Tracking Metrics) | feedback-петля |
Это - обратное распределение апреля 2025, когда команды отгружали большие файлы llms.txt + ai.txt первыми, а schema-разметку добавляли позже. Майские данные 2026 перевернули приоритет.
Что изменило бы наше мнение
Две вещи должны стать правдой, чтобы llms.txt значил больше в 2027, чем в 2026.
Внедрение в топ-1000 должно перевалить 25-40%. Пока верх веба не публикует llms.txt, AI-движки строят свои пайплайны цитирования без него как первичного входа. Они не могут сделать файл авторитетным, когда 0 из 1000 верхних сайтов его публикуют. Быстрейший путь вперёд - дефолт крупной платформы: Shopify, Vercel, WordPress или Squarespace, отгружающие llms.txt по умолчанию на каждом клиентском сайте. Ничего из этого не случилось. Если случится - калькуляция изменится.
Спека должна стандартизоваться на маленькой машиночитаемой схеме. Текущая спека - freeform markdown, что значит, что каждый AI-движок парсит её по-своему и относится как к подсказке, а не контракту. IETF-draft по AI Identity - неформально трекаемый рядом с Web Bot Auth HTTP Message Signatures - указывает на JSON-LD-совместимый identity-профиль, на который движки могли бы опираться как на контракт. Если маленькая, строгая схема приземлится и крупные движки обещают её чтить - файл станет высокорычажным снова.
Ни одно изменение не близко. Перепроверим в октябре 2026 с H2-обновлением SE Ranking.
Что изменилось в анализаторе
Перевзвешивание citation-readiness-скора инструмента /analyze, мотивированное напрямую находками SE Ranking:
| Компонент скора | Старый вес | Новый вес |
|---|---|---|
| Identity-поверхность (llms.txt, ai.txt, robots-ai.txt, .well-known/agent-actions) | 35% | 15% |
| Schema-паттерны (FAQPage, ClaimReview, SameAs, speakable, Organization) | 30% | 50% |
| Content-recency + плотность прямых ответов | 25% | 25% |
| Robots-policy + гигиена crawler-allowlist'а | 10% | 10% |
Новый скор лучше отражает, где эмпирический лифт реально живёт в середине 2026. Находки в отчёте анализатора теперь несут per-finding оценку лифта цитирования, привязанную к датасету SE Ranking - так что команда, отгрузившая FAQPage с 6 парами Q/A, видит явное "+34% Perplexity citation rate (SE Ranking 2026 estimate)", прикреплённое к этой находке.
Другие инструменты анализатора - citation tracking, ai-crawler allowlist, browser-agent readiness - все сидят в том же продукте. Перевзвешивание - одно обновление, не релонч.
Резюме одним предложением
llms.txt не мёртв и не бесполезен, но это не рычаг цитируемости, который обещала история начала 2025; майское исследование SE Ranking 2026 говорит нам, где лифт реально живёт в середине 2026 - в substrate Schema.org: FAQPage, ClaimReview, SameAs, speakable - и именно туда команды с 8 часами AEO-времени в неделю должны его тратить.
Обновляйте модель, когда данные на большем N это велят. Перераспределяйте. Продолжайте отгружать.
01Если у 10,13% доменов есть llms.txt и он не лифтит цитируемость, зачем его вообще публиковать?+
Потому что отсутствие измеримого прироста цитируемости в агрегате - не то же самое, что бесполезность файла. llms.txt остаётся правильной поверхностью для двух конкретных задач, не измеряемых метрикой рейта цитирования. (1) Entity disambiguation - если у вашего бренда неуникальное имя (есть как минимум 4 компании с именем 'Inite' в путешествиях, фитнесе и консалтинге), llms.txt - один из входов AI-движка для решения, какая вы entity. SE Ranking-исследование не измеряло точность entity-disambiguation напрямую; оно меряло рейт цитирования. (2) Программная маршрутизация инструкций - если хотите, чтобы AI-агенты ходили в /docs/llm-overview.md, а не в sales-лендинг, llms.txt - то место, где декларируется эта маршрутизация. Ни одна из них не мапится чисто в прирост рейта цитирования, но обе реальны и обе важны, как только трафик от agentic browsing переваливает за 5% от общего. Честная позиция в середине 2026: отгружайте llms.txt, отгружайте его хорошо, но не выставляйте эту работу как citation-lift-проект. Лифт идёт от FAQPage / ClaimReview / SameAs / speakable substrate, который идёт вокруг.
02В чём ошиблась апрельская 2025 история про llms.txt?+
В трёх вещах. (1) Цифра '1,6× к точности цитирования', часто цитируемая из малого-N раннего исследования, не пережила репликацию на большем N. Анализ SE Ranking на ~300К доменов в масштабе не показал статистически значимого лифта в рейте цитирования, относимого к наличию llms.txt, при контроле на конфаундеры. Изначальная находка выглядит как эффект populace-of-publishers: издатели, ранние принявшие llms.txt, делали и все остальные AEO-практики, и лифт цитируемости пришёл от бандла, а не от файла. (2) Внедрение прогнозировалось по траектории robots.txt к универсальному покрытию. На практике оно застряло в mid-tier и совсем не пробило топ-1000 высокотрафикового веба. Крупные контент-платформы, крупные ретейлеры, крупные media-houses - ни у кого нет llms.txt по состоянию на май 2026, что означает, что AI-движки не могут опираться на него как на первичный сигнал, даже если бы хотели. (3) Контракт был переспецифицирован - ранние шаблоны предлагали 3-5 KB markdown-файлы с детальными product-деревьями. Большинство AI-движков, когда они вообще берут llms.txt, относятся к нему как к подсказке, а не контракту. llms.txt на 144 строки против 39 строк не даёт измеримой разницы ни в точности entity-disambiguation, ни в рейте цитирования. Оптимальная длина по SE Ranking-данным - ближе к 800 знакам, чем к 3 KB.
03Тогда что двигает иглу цитируемости в середине 2026?+
Schema.org-разметка непосредственно на контенте, который нужно цитировать, не декларативные identity-файлы в корне. Positive-control set датасета SE Ranking - сайты с одинаковым наличием llms.txt и разной плотностью schema - показал чистую линейную корреляцию между числом schema-маркеров и рейтом цитирования. Четыре конкретных паттерна разметки дали чистейшие лифты. (1) FAQPage с 4+ парами Question/Answer под вопросы, которые пользователи реально задают: +34% Perplexity, +28% ChatGPT search. Механика механическая - AI-движки тянут это прямиком в свои сниппеты цитирования. (2) ClaimReview с claimReviewed + reviewRating, обёрнутые вокруг верифицируемых статистических утверждений: +41% рейт цитирования в AI Mode на размеченном контенте. Механика - сигнал - схема говорит движку, что утверждение прошло ревью, что поднимает его над конкурирующими источниковоми. (3) Organization с SameAs URL'ами на Wikidata, LinkedIn, Crunchbase, GitHub и (где применимо) Twitter и YouTube: +22% точности entity-disambiguation. Механика - верификация - AI-движки кросс-чекают SameAs-записи, чтобы подтвердить, что говорят про правильную entity. (4) Speakable с cssSelector, целящим в блоки прямого ответа: +18% точности извлечения ответа в AI Mode. Механика - подсказка - схема говорит движку 'этот пассаж - чистый ответ на вопрос', что поднимает его над конкурирующими пассажами на той же странице. Сложите все четыре на странице - и предельные лифты компаундятся, скромно. Никому из четырёх не нужен llms.txt, чтобы работать.
04Как команде в середине 2026 реально вкладывать AEO-время?+
Три tier'а приоритета. Tier 1 - отгружайте четыре schema-паттерна выше на каждой content-странице, которую нужно цитировать. FAQPage с реальными, разными, полезными парами Q/A ≥300 знаков каждая. ClaimReview на stat-плотных абзацах. Organization SameAs в корне сайта. Speakable на блоках прямого ответа. Здесь живут лифты рейта цитирования 18-41%. Tier 2 - сделайте entity-identity-поверхность правильно. Опубликуйте llms.txt (маленький, ~800 знаков, плотный), ai.txt с SEMrush-grade детализацией из [оригинального сравнения llms.txt](/ru/blog/llms-txt-vs-ai-txt-vs-robots-txt), .well-known/agent-actions для agentic-checkout эндпоинтов, если они есть, и чистый robots.txt, явно allowlist'ящий GPTBot/ClaudeBot/PerplexityBot/Google-Extended. Это - substrate, который даёт всем остальным сигналам приземлиться. Лифт не измеряем в изоляции, но отсутствие этого tier'а молча лимитирует остальные. Tier 3 - более тяжёлая, медленная работа, дающая накапливающийся лифт. [Паттерн direct-answer блока](/ru/blog/direct-answer-blocks-aeo) - один абзац на 300-700 знаков на страницу, чисто отвечающий на главный вопрос страницы. [Citation-tracking метрики](/ru/blog/citation-tracking-aeo-metrics), позволяющие меряться своим лифтом неделя-к-неделе. Дисциплина content-recency, чтобы вас пере-краулили. Паттерн внутреннего линкования, консолидирующий topical authority. Это 80% потолка цитируемости. Тратить Tier-3-время на идеальный llms.txt - неправильное распределение капитала.
05Что это значит для AEO-анализатора inite.ai конкретно?+
Анализатор на [/analyze](/ru/analyze) проверяет llms.txt, ai.txt, .well-known/agent-actions, robots.txt и полный граф разметки Schema.org - тот же 9-шаговый пайплайн, что всегда. Что меняется в H2-2026 итерации продукта, мотивировано напрямую находками SE Ranking: возвращаемый анализатором citation-readiness-скор перевзвешивается. Текущая весовая модель была substrate-heavy (llms.txt + ai.txt + robots-ai.txt составляли 35% скора). Mid-2026-перевзвешивание двигает это к 15% и поднимает вес schema-паттернов с 30% до 50%. Наличие и качество FAQPage / ClaimReview / SameAs / speakable - теперь доминирующая ось скора, content-recency и плотность прямых ответов на 25%, identity-поверхность на 15%. Полный отчёт анализатора теперь поставляется с per-finding оценкой лифта цитирования, привязанной к датасету SE Ranking - так что команда, отгрузившая FAQPage с 6 парами Q/A, видит явное '+34% к рейту цитирования в Perplexity (SE Ranking 2026 оценка)' на этой находке. Работа продукта - говорить командам, где лифт реально живёт в середине 2026, а не где он жил в середине 2025.
06Вернётся ли llms.txt? Что должно быть правдой, чтобы он значил больше?+
Две вещи должны измениться. (1) Внедрение в топ-1000 должно перевалить какой-то порог - вероятно 25-40% - чтобы AI-движки относились к отсутствию llms.txt как к недостающему сигналу. Пока верх веба его не публикует, движки строят свои пайплайны без него как первичного входа, что означает, что публикация остаётся низкорычажной. Быстрейший путь к топ-1000-внедрению - мандат крупной платформы: Shopify, Vercel, WordPress или Squarespace, отгружающие llms.txt по умолчанию на каждом клиентском сайте, - чего не случилось. (2) Спека должна стандартизоваться на маленькой машиночитаемой схеме, а не freeform markdown. IETF-draft по AI Identity (неформально трекаемый рядом со спекой Web Bot Auth HTTP Message Signatures) указывает в эту сторону. Стандартизованный identity-профиль - вероятно JSON-LD-совместимый, вероятно строгий суперсет Schema.org Organization - стал бы той версией llms.txt, на которую AI-движки могли бы опираться как на контракт, а не подсказку. Если оба случатся - файл больше значит в 2027. Если ни одно - llms.txt остаётся полезной, но вторичной поверхностью, ровно как сейчас.
