L'importance de llms.txt : notre enquête sur 10 sites révélateurs !

Trois semaines plus tôt, l'entreprise avait publié 27 modèles AI téléchargeables couvrant des cadres de gestion de projet, des modèles financiers et des planificateurs de flux de travail. Les outils fonctionnels ont généré l'engagement derrière la hausse, et non le marketing de contenu.

Le trafic organique de Google vers les modèles a augmenté de 18 % durant cette période et a continué à grimper durant les 90 jours mesurés.

Les moteurs de recherche et les modèles IA ont mis en avant ces modèles car ils résolvaient de réels problèmes et ont ainsi lancé une toute nouvelle section de site — et non parce qu'ils étaient listés dans un fichier llms.txt.

Les 8 sites où rien ne s'est passé après le téléchargement de llms.txt

Huit sites n'ont montré aucun changement mesurable. Un a connu une baisse de 19,7 %.

Cette baisse provenait d'un site d'assurance qui avait intégré llms.txt début septembre. La chute n'avait probablement rien à voir avec le fichier.

Le même schéma s'est manifesté à travers tous les canaux de trafic. llms.txt n'a ni empêché le déclin ni créé aucun avantage.

Les sept autres sites — commerce électronique (produits pour animaux, biens domestiques, mode), B2B SaaS (technologie RH, analytics marketing), finance et soins animaliers — ont tous documenté leur meilleur contenu existant dans llms.txt. Cela incluait des pages produits, des études de cas, des documents API et des guides d'achat.

Quatre-vingt-dix jours plus tard, rien n’avait changé. Le trafic est resté stable. La fréquence des crawls était identique. Le contenu était déjà indexé et découvrable, et le fichier n’a pas altéré cela.

Les sites qui ont lancé un nouveau contenu fonctionnel ont vu des gains. Les sites qui ont documenté un contenu existant n'ont connu aucune amélioration.

Pourquoi ce décalage ?

Aucun grand fournisseur de LLM ne s'est engagé officiellement à traiter llms.txt. Ni OpenAI. Ni Anthropic. Ni Google. Ni Meta.

Mueller de Google a mis cela au clair :

• « Aucun des services AI n'a dit utiliser llms.txt, et vous pouvez le constater en regardant vos journaux de serveur, ils ne le vérifient même pas. »

C'est la réalité. Le fichier existe. L'adhésion existe. Mais l'adoption par les plateformes ne le montre pas (encore !).

L'argument de l'efficacité des tokens (et ses limites)

Le meilleur argument en faveur de llms.txt concerne l'efficacité. Markdown permet de gagner du temps et des tokens lorsque les agents AI analysent la documentation. Une structure claire plutôt qu’un HTML complexe avec navigation, publicités et JavaScript.

Vercel affirme que 10 % de ses inscriptions proviennent de ChatGPT. Son llms.txt inclut des descriptions API contextuelles qui aident les agents à décider quoi extraire.

Cela est pertinent, mais presque exclusivement pour les outils destinés aux développeurs et la documentation API. Si votre public utilise des assistants de codage AI, l'efficacité en matière de tokens améliore l'intégration.

Pour le commerce électronique vendant des produits pour animaux, l'assurance expliquant la couverture ou le SaaS B2B visant des acheteurs non techniques, l'efficacité des tokens ne se traduit pas en trafic.

llms.txt est un sitemap, pas une stratégie

La comparaison la plus précise est celle d'un sitemap.

Les sitemaps sont une infrastructure précieuse. Ils aident les moteurs de recherche à découvrir et indexer le contenu plus efficacement. Mais personne ne crédite la croissance du trafic à l'ajout d'un sitemap. Le sitemap documente ce qui existe ; le contenu drive la découverte.

llms.txt fonctionne de la même manière. Cela peut aider les modèles IA à analyser votre site plus efficacement s'ils choisissent de l'utiliser, mais cela ne rend pas votre contenu plus utile, plus autoritaire ou plus susceptible de répondre aux requêtes des utilisateurs.

Dans notre analyse, les sites qui ont connu une croissance l'ont fait parce qu'ils :

• Créé des actifs fonctionnels comme des modèles téléchargeables, des tableaux comparatifs et des données structurées.
• Gagné en visibilité externe grâce à la presse et aux backlinks.
• Corrigé des barrières techniques telles que des problèmes de crawl et d'indexation.
• Publié du contenu optimisé pour l'extraction, y compris des FAQ et des comparaisons structurées.

llms.txt documentait ces efforts. Il ne les a pas impulsés.

Ce qui fonctionne réellement

Les deux sites à succès montrent ce qui est essentiel :

• Créer des actifs fonctionnels et extrayables. La plateforme SaaS a construit 27 modèles téléchargeables que les utilisateurs pouvaient déployer immédiatement. Les modèles IA ont mis en avant ces derniers car ils résolvaient de vrais problèmes, et non parce qu'ils étaient listés dans un fichier Markdown.
• Structurer le contenu pour l'extraction. La néobanque a reconstruit ses pages produits avec des tableaux comparatifs des taux d'intérêt, frais et minimums. Ce sont des données que les modèles IA peuvent directement intégrer dans leurs réponses sans interprétation.
• Corriger d'abord les barrières techniques. La néobanque a corrigé des erreurs de crawl qui bloquaient le contenu depuis des mois. Si les modèles AI ne peuvent pas accéder à votre contenu, aucune documentation n'aidera.
• Gagner en validation externe. La couverture de Bloomberg et d'autres grandes publications a généré du trafic de référence, des recherches de marque et a probablement influencé la façon dont les modèles AI évaluent l'autorité.
• Optimiser pour l'intention de l'utilisateur. Les deux sites ont répondu à des requêtes spécifiques : « meilleurs modèles de gestion de projet » et « comment se comparent les taux d'intérêt [de la marque] ? » Les modèles mettent en avant le contenu qui correspond à ce que les utilisateurs demandent, et non simplement du contenu bien documenté.

Aucun de cela ne nécessite llms.txt. Tout cela génère des résultats.

Devez-vous mettre en place un fichier llms.txt ?

Si vous êtes un outil pour développeurs où les assistants de codage IA sont un canal de distribution principal, alors oui — l'efficacité en matière de tokens compte. Votre public utilise déjà des agents pour interagir avec la documentation.

Pour tous les autres, considérez llms.txt comme un sitemap : une infrastructure utile, pas un levier de croissance.

C'est une bonne pratique de l'avoir. Cela ne fera pas de mal. Mais le temps consacré à l'implémentation de llms.txt est souvent mieux utilisé à restructurer les pages produits avec des données extrayables, à publier des actifs fonctionnels, à corriger les problèmes techniques de SEO, à créer du contenu FAQ ou à obtenir une couverture médiatique.

Ces tactiques ont montré un réel retour sur investissement en matière de découverte IA. llms.txt ne l'a pas fait — du moins pas encore.

La leçon n'est pas que llms.txt est mauvais. C'est que nous cherchons à contrôler un système dont les règles ne sont pas encore définies. llms.txt offre ce confort : quelque chose de concret, d'actionnable et de familier, façonné à l'image des normes web que nous connaissons déjà.

Cependant, ressembler à une infrastructure n'est pas la même chose que de fonctionner comme une infrastructure.

Concentrez-vous sur ce qui fonctionne réellement :

• Créer un contenu utile.
• Le structurer pour l'extraction.
• Le rendre techniquement accessible.
• Obtenir une validation externe.

Les plateformes et les formats évolueront. Les fondamentaux, eux, resteront.