Auditoría llms.txt: detecta si tus competidores lo usan y qué ventaja obtienen
¿Sabes si tus principales competidores ya tienen un archivo llms.txt publicado? Si no lo has comprobado, estás auditando GEO a medias. El análisis competitivo en motores generativos —ChatGPT, Perplexity, Gemini— ya no se limita a ver quién aparece citado con más frecuencia: incluye revisar qué señales técnicas está emitiendo cada dominio para facilitar o dificultar su propio rastreo por parte de los modelos de lenguaje. La auditoría llms.txt es la pieza que falta en la mayoría de los checklists de GEO, y realizarla de forma regular debería ser parte de cualquier proceso de inteligencia competitiva en motores generativos.
Qué es llms.txt y por qué importa en un análisis competitivo
El archivo llms.txt es una propuesta para estandarizar un fichero en la raíz del dominio que proporciona a los LLM información sobre el sitio en el momento de la inferencia. Se trata de un documento Markdown que le dice a sistemas como ChatGPT, Claude, Perplexity y Gemini de qué trata el sitio, con un resumen estructurado que los modelos pueden procesar con facilidad. Conocer la existencia y calidad de este archivo es el núcleo de cualquier auditoría llms.txt competitiva.
La especificación fue propuesta por Jeremy Howard (Answer.AI) en septiembre de 2024. En lugar de obligar a un modelo a analizar cientos de páginas HTML para entender qué hace una empresa, el archivo proporciona un índice curado con contexto: quién es la marca, qué cubre el sitio y qué páginas tienen más relevancia. Esto es precisamente lo que hace que la auditoría llms.txt aporte valor más allá de un simple chequeo técnico.
La implicación directa para el análisis competitivo es clara: si un competidor tiene llms.txt bien implementado y tú no, está reduciendo activamente la fricción de rastreo para los modelos generativos. Eso no garantiza más citas —volveremos a este punto con honestidad—, pero sí significa que está tomando decisiones deliberadas sobre cómo los sistemas de IA representan su marca. La auditoría llms.txt te permite detectar exactamente esas decisiones y compararlas con las tuyas. Incluir esta revisión en tu flujo de inteligencia competitiva convierte la auditoría llms.txt en una práctica de alto retorno informativo con coste mínimo.
Adopción real: quién ya tiene llms.txt implementado
Antes de auditar a tu competencia, conviene tener una referencia del estado actual de adopción. Los datos públicos disponibles sugieren que la adopción de llms.txt sigue siendo minoritaria a comienzos de 2025, con una concentración especialmente alta en sitios SaaS y de documentación técnica. En el segmento de grandes empresas la adopción es todavía baja, con sectores como tecnología y servicios financieros a la cabeza. Precisamente por eso, una auditoría llms.txt periódica sobre tus competidores directos resulta más reveladora que los datos sectoriales agregados.
Lo relevante para tu auditoría llms.txt no es el porcentaje absoluto —todavía bajo— sino la velocidad de adopción: la tendencia es claramente al alza desde el último trimestre de 2024. En e-commerce y medios de comunicación, la adopción es notablemente más lenta, lo que puede significar una ventana de oportunidad si tu competencia directa opera en esos sectores. Un mercado con baja adopción es donde la ventaja de implementar primero es más tangible, aunque siempre condicionada a que los modelos efectivamente usen la señal.
Dicho esto, el dato de adopción sectorial es solo el punto de partida. Lo que realmente te interesa es si tus competidores específicos lo tienen, y si lo tienen bien hecho. Para eso está la auditoría llms.txt que describimos a continuación.
Cómo hacer la auditoría llms.txt de un competidor en cinco pasos
El proceso de verificación es deliberadamente simple. No necesitas herramientas de pago para empezar. Lo que sí necesitas es saber qué mirar y cómo interpretar cada señal técnica dentro de tu auditoría llms.txt.
Paso 1: verificación directa del archivo
El primer paso es el más obvio y el más rápido: visita dominio-competidor.com/llms.txt directamente en el navegador. El archivo debe ser accesible en el dominio raíz sin subdirectorio, sobre HTTPS, con un código de respuesta HTTP 200 y contenido Markdown legible como texto plano.
Si obtienes un 404, el competidor no tiene el archivo publicado. Si obtienes un 200 pero el contenido está vacío o malformado, tiene el archivo pero sin implementación válida. Ambos casos son información útil para tu auditoría llms.txt: el primero descarta la señal; el segundo revela que alguien tomó la decisión de implementar pero no la ejecutó bien. Más allá del código de estado, confirma el tipo de contenido devuelto, las posibles redirecciones y el comportamiento de caché. Estos elementos forman la base técnica de una auditoría llms.txt rigurosa.
Paso 2: análisis de la estructura y calidad del contenido
Que el archivo exista no significa que esté bien construido. Una vez confirmado el 200, analiza qué incluye: un llms.txt bien implementado da a las herramientas de IA un mapa estructurado y de bajo ruido del contenido más importante del sitio, en lugar de obligar al modelo a inferir esa jerarquía rastreando cientos de páginas HTML. La diferencia entre un archivo útil y uno decorativo se ve en tres elementos concretos:
- Descripción de marca: ¿es precisa y diferencial, o genérica? Una descripción vaga da poco control sobre cómo los LLM representan esa marca.
- Selección de URLs: ¿apunta a sus páginas de mayor autoridad, sus estudios propios, su documentación? Eso revela qué contenido quieren que los modelos prioricen.
- Existencia de llms-full.txt: un complemento más extenso que incrusta el contenido real de las páginas enlazadas para que un agente pueda ingerirlo todo en una sola petición. Si tu competidor lo tiene, está un paso más adelante en la optimización para agentes.
Para que la diferencia entre implementación buena y deficiente sea concreta, aquí tienes un fragmento Markdown anotado que ilustra ambos extremos:
# Ejemplo A — Implementación deficiente
> Somos una empresa de software.
## Páginas
– [Inicio](https://ejemplo.com/)
– [Blog](https://ejemplo.com/blog/)
– [Contacto](https://ejemplo.com/contacto/)
# Ejemplo B — Implementación bien construida
> Ejemplo SaaS ayuda a equipos de marketing B2B a medir la visibilidad
> de marca en motores generativos (ChatGPT, Perplexity, Gemini).
> Especialización: GEO, seguimiento de citabilidad, análisis competitivo de IA.
## Documentación técnica
– [Guía de integración de API](https://ejemplo.com/docs/api/): referencia completa
para conectar la plataforma con stacks de datos propios.
– [Metodología de citabilidad](https://ejemplo.com/metodologia/): cómo medimos
las menciones de marca en los cinco principales modelos de IA.
## Estudios y datos propios
– [Informe de adopción llms.txt 2025](https://ejemplo.com/informe-llms-txt-2025/):
análisis de 50.000 dominios con tasa de adopción por sector.
El Ejemplo A existe técnicamente (HTTP 200, Markdown válido), pero no aporta contexto diferencial ni guía al modelo hacia el contenido de mayor valor. El Ejemplo B, en cambio, define la especialización, justifica la relevancia de cada URL y prioriza el contenido que el modelo debería citar. Cuando audites un competidor, esta distinción cualitativa es tan importante como la simple presencia del archivo. Incorporar este análisis cualitativo en tu auditoría llms.txt marca la diferencia entre detectar que alguien tiene el fichero y entender qué ventaja competitiva real obtiene con él.
Paso 3: cruce con robots.txt para detectar incoherencias
Este paso es el que más se omite y el que más información real aporta. El robots.txt indica a los crawlers qué rutas están permitidas o bloqueadas, mientras que llms.txt dirige a los modelos de lenguaje hacia el contenido útil del sitio. Los dos archivos deben estar alineados: si llms.txt lista una página bloqueada en robots.txt, la señal se vuelve confusa y la página puede no ser utilizable por los crawlers. Documentar este cruce en tu auditoría llms.txt es tan importante como verificar la existencia del fichero.
Busca esta incoherencia en los dominios de tu competencia. Si tienen llms.txt pero bloquean GPTBot, ClaudeBot o PerplexityBot en robots.txt, están enviando señales contradictorias. Esa incoherencia es una debilidad técnica que tú puedes evitar en tu propia implementación. Detectarla es uno de los mayores valores de una auditoría llms.txt bien ejecutada. Anota estos desajustes en tu registro comparativo para tener visibilidad de la evolución a lo largo del tiempo.
Paso 4: verificación del acceso de crawlers de IA
El archivo robots.txt controla si los crawlers de IA pueden acceder al sitio. Sin directivas explícitas, la mayoría de los crawlers siguen las reglas predeterminadas de User-agent: *. Aun así, la práctica recomendada actualmente es añadir reglas explícitas para cada crawler de IA, lo que proporciona un control granular sobre qué partes del sitio pueden indexar.
Comprueba en el robots.txt del competidor si aparecen user-agents como GPTBot, ClaudeBot, PerplexityBot o Google-Extended. Su presencia (o ausencia) te dice si han pensado deliberadamente en su estrategia de acceso para motores generativos: están bloqueando todo el tráfico de IA (perdiendo visibilidad) o permitiéndolo sin ninguna guía (cediendo el control sobre cómo se usa su contenido). Este análisis, combinado con la revisión del fichero en sí, completa una auditoría llms.txt verdaderamente técnica y ofrece una imagen fiel del nivel de madurez GEO de cada competidor.
Paso 5: auditoría a escala con herramientas de verificación
Si necesitas auditar varios competidores a la vez, el proceso manual no escala. Aquí entran las herramientas de verificación especializadas. Contar con un flujo de auditoría llms.txt automatizado te permite mantener actualizado el mapa competitivo sin dedicar horas a comprobaciones manuales. La tabla siguiente resume las principales opciones con sus características y casos de uso recomendados:
| Herramienta | Coste | Escala | Caso de uso recomendado |
|---|---|---|---|
| llms-txt.com checker | Gratuito | 1 dominio por consulta | Verificación rápida de un competidor concreto: comprueba existencia, código HTTP y vista previa del contenido sin instalar nada. |
| curl / wget (línea de comandos) | Gratuito | Ilimitado (con script) | Auditoría en lote de 10-50 dominios. Un script de bash con curl -o /dev/null -sw «%{http_code}» devuelve el código HTTP de cada dominio en segundos y exporta los resultados a CSV. |
| Screaming Frog SEO Spider (custom extraction) | Gratuito hasta 500 URLs; licencia ~£199/año | Cientos de dominios | Rastrea una lista de URLs /llms.txt, extrae el código de respuesta, el título H1 y el número de secciones del Markdown. Ideal para auditorías trimestrales de sectores completos. |
| Profound | De pago (plan desde ~$99/mes) | Seguimiento continuo | Monitorización de citabilidad en motores generativos. Permite cruzar la presencia de llms.txt con las menciones reales de marca en ChatGPT, Perplexity y Gemini para medir correlación. |
| Otterly.ai | De pago (plan desde ~$49/mes) | Seguimiento continuo | Similar a Profound: rastrea visibilidad de marca en respuestas de IA. Útil para validar si los competidores que tienen llms.txt bien implementado reciben más menciones que los que no lo tienen. |
Para la mayoría de equipos de SEO o marketing, la combinación de curl para la detección inicial y Screaming Frog para el análisis trimestral cubre el 80 % de las necesidades sin coste adicional. Las herramientas de seguimiento de citabilidad como Profound u Otterly tienen sentido cuando quieres ir más allá de la auditoría llms.txt técnica y medir si la señal tiene correlación real con la visibilidad en respuestas generativas.
Plantilla de auditoría llms.txt: qué registrar en cada revisión
Una auditoría llms.txt bien ejecutada no termina en la comprobación puntual: su valor se multiplica cuando se convierte en un registro comparativo que evoluciona con el tiempo. La siguiente estructura de columnas es la que recomendamos para llevar ese seguimiento, ya sea en Google Sheets, Notion o cualquier hoja de cálculo:
Preguntas frecuentes
¿Tener llms.txt garantiza aparecer en las respuestas de ChatGPT o Perplexity?
No. Ningún proveedor de LLM ha confirmado públicamente que usa llms.txt como señal de ranking en producción. Lo que sí hace el archivo es reducir la fricción de rastreo y dar a los modelos un índice curado de tu contenido más relevante. La citabilidad real depende de más factores: calidad del contenido, autoridad del dominio, velocidad de carga y coherencia de señales técnicas. Por eso la auditoría llms.txt debe complementarse siempre con seguimiento de citabilidad real.
¿Cómo sé si el llms.txt de un competidor está bien implementado o es solo un archivo vacío?
Accede directamente a dominio-competidor.com/llms.txt. Un archivo bien implementado tendrá un H1 con el nombre de la marca, una descripción en una o dos frases, secciones organizadas por tipo de contenido y URLs con descripciones de una línea. Si el archivo existe pero está vacío, tiene URLs rotas o apunta a páginas bloqueadas en robots.txt, la implementación es deficiente y no representa una ventaja técnica real. Una auditoría llms.txt bien ejecutada detecta exactamente estas diferencias.
¿Qué diferencia hay entre llms.txt y llms-full.txt?
El archivo llms.txt es un índice curado de las páginas más importantes del sitio, con descripciones breves de cada una. El llms-full.txt es un complemento más extenso que incrusta el contenido completo de esas páginas para que un agente de IA pueda ingerirlo todo en una sola petición, sin necesidad de rastrear cada URL individualmente. Si un competidor tiene llms-full.txt, está optimizando específicamente para agentes y flujos de trabajo de IA más avanzados. Tu auditoría llms.txt debe verificar ambos archivos.
¿Con qué frecuencia debo auditar el llms.txt de mis competidores?
Incorpora la auditoría llms.txt a tu ciclo habitual de auditoría GEO: una revisión trimestral es suficiente para la mayoría de sectores. Revisa también cuando un competidor lance un producto nuevo, cambie su posicionamiento o empiece a aparecer con más frecuencia en las respuestas de los motores generativos. Esos son los momentos en que es más probable que hayan actualizado sus señales técnicas.
¿Qué hago si mis competidores tienen llms.txt y yo no?
Implementa el tuyo. La especificación es sencilla: un archivo Markdown en la raíz del dominio con una descripción de marca, secciones organizadas y URLs de tus páginas de mayor autoridad. Plugins como Yoast SEO y Rank Math ya incluyen generación automática de llms.txt. Si tu plataforma no lo soporta de forma nativa, puedes crearlo manualmente en menos de una hora. Después, cruza tus señales técnicas con seguimiento de citabilidad para medir si la implementación tiene impacto real en tu visibilidad en motores generativos. Y programa una auditoría llms.txt periódica para mantenerte al tanto de lo que hace tu competencia.