llms.txt: el archivo que le dice a ChatGPT, Claude y Gemini quién eres

El problema con cómo las IAs conocen tu marca hoy

Si alguien le pregunta a Claude o a ChatGPT sobre tu empresa, ¿qué responden? Si no tienen información directa y estructurada sobre ti, pasan una de estas tres cosas: te inventan datos aproximados, te confunden con otra empresa, o simplemente dicen que no tienen información suficiente. Ninguna de las tres opciones te ayuda.

El estándar llms.txt nació precisamente para resolver esto. Fue propuesto por Jeremy Howard (creador de fast.ai) a mediados de 2024 y desde entonces ha ganado adopción en empresas de tecnología alrededor del mundo. La idea es elegantemente simple: un archivo de texto plano en la raíz de tu dominio, escrito en Markdown, donde describes tu marca de la forma que prefieres que los modelos la entiendan.

¿Cómo funciona exactamente?

Cuando un crawler de IA rastra tu dominio —lo hace Perplexity, lo hacen algunos sistemas de Anthropic, lo harán más modelos a medida que el estándar madure— busca este archivo antes de procesar tu contenido completo. Es un atajo de alta calidad: en lugar de tener que inferir quién eres a partir de tus páginas, el modelo puede leer directamente tu descripción autorizada.

Piénsalo como tu ficha de empresa en el mundo de la IA. La diferencia entre que un agente de ventas te describa bien a un cliente potencial o que se confunda y diga cualquier cosa.

Estructura de un llms.txt efectivo

Un archivo bien construido tiene estas secciones:

Encabezado H1: nombre de la empresa

El modelo asocia todo el archivo a esta entidad. Sé exacto. Si tu marca es "Trement SAS" en los registros legales pero "Trement" en el mercado, usa el nombre de marca que tus clientes conocen.

Descripción en una o dos oraciones

¿Qué hace tu empresa? Para quién. Dónde. Sin jerga de marketing. Los modelos prefieren lenguaje funcional: "Trement es una empresa colombiana de desarrollo web, SEO técnico e inteligencia artificial para negocios en Medellín y Bogotá."

Sección ## Servicios

Lista detallada de cada servicio con su descripción, tecnologías usadas y perfil de cliente ideal. Cuanto más específico, mejor. Si el modelo sabe que ofreces "desarrollo en PHP 8.2 con MySQL, arquitectura MVC, API REST documentada", puede citarte cuando alguien pregunte por eso.

Sección ## Zona de cobertura

Ciudad, región, país. También si trabajas remoto o con clientes internacionales. La localización geográfica es clave para SEO local y para GEO local.

Sección ## Recursos opcionales

Links a páginas específicas de tu sitio que el modelo puede visitar para más detalle: tu portafolio, tu blog, tu página de contacto.

llms_full.txt: la versión extendida

Complementa al llms.txt con información más densa: casos de éxito detallados, FAQ con respuestas completas, metodología de trabajo, equipo, tecnologías y certificaciones. Este archivo está pensado para modelos que pueden procesar contextos largos y necesitan más profundidad para generar respuestas precisas.

¿Quién ya lo rastra?

Perplexity lo indexa activamente. Jina AI Reader lo usa para mejorar la calidad de sus resúmenes. Varios proyectos open-source de RAG (Retrieval-Augmented Generation) lo incluyen como fuente prioritaria. Y a medida que el estándar crece, más sistemas lo adoptarán. Implementarlo hoy es adelantarte a la curva.

Lo que implementamos en Trement

Para cada cliente que entra a nuestro plan SEO & GEO, creamos y publicamos su llms.txt y llms_full.txt con una estructura validada, lo enviamos a los directorios de adopción del estándar y hacemos seguimiento mensual de si los principales modelos lo han procesado. Es una capa de visibilidad que el 99% de las empresas colombianas no tiene todavía.