Czy llms.txt działa? Co naprawdę mówią dowody w 2026

Krótko: nie ma publicznych dowodów, że llms.txt sprawia, że ChatGPT, Claude, Perplexity albo funkcje AI w Google zaczynają Cię cytować, i żaden z tych dostawców nie zadeklarował publicznie, że ten plik czyta. Czy llms.txt działa jako tani zakład bez ryzyka? Tak. Jako dźwignia do cytowań? Nikt tego nie pokazał, łącznie z tymi, którzy go sprzedają.

To wersja niewygodna. Wersja przydatna jest taka, że nie musisz wierzyć nikomu na słowo, mnie też nie. Logi serwera i arkusz z dwudziestoma promptami powiedzą Ci, co dzieje się na Twojej własnej stronie, a w tym artykule pokazuję, jak przeprowadzić taki test porządnie.

Czym jest llms.txt (dwa zdania i lecę dalej)

llms.txt to plik markdown w katalogu głównym domeny, zaproponowany przez Jeremy'ego Howarda z Answer. AI we wrześniu 2024, który wypisuje Twoje najprzydatniejsze strony z jednozdaniowymi opisami, żeby model językowy znalazł dobry materiał bez przekopywania się przez nawigację. Format i instrukcję budowy opisałem w poradniku o tym, jak zrobić llms.txt.

Ten artykuł dotyczy tylko jednego pytania: czy ktokolwiek go faktycznie używa?

Co dostawcy powiedzieli publicznie

Wymieniam tylko to, co na pewno padło oficjalnie. Plotki z karuzel na LinkedInie się nie liczą.

Dostawca	Publiczne stanowisko wobec czytania llms.txt	Co to znaczy dla Ciebie
Google	John Mueller powiedział w 2025, że według jego wiedzy żaden system AI go nie używa, i porównał go do dawnego meta tagu keywords. Gary Illyes powiedział, że Google go nie obsługuje.	Nie licz na to, że AI Overviews albo AI Mode potraktują go jako sygnał.
OpenAI	Brak publicznej deklaracji. Dokumentacja crawlerów opisuje robots.txt i user agenty, nie llms.txt.	GPTBot może go pobrać jak każdy URL. Tyle da się powiedzieć.
Anthropic	Brak publicznej deklaracji dla odpowiedzi Claude'a. Anthropic publikuje za to pliki llms.txt dla własnej dokumentacji dla deweloperów.	Opublikowanie własnego to nie to samo, co czytanie Twojego.
Perplexity	Brak publicznej deklaracji, na którą mógłbym wskazać.	Jak wyżej.

Uczciwy stan rzeczy wygląda więc tak: publiczna propozycja, wdrożona na tysiącach stron (platformy dokumentacji jak Mintlify generują ją automatycznie, co pompuje statystyki), i zero poparcia od silników, na których cytowaniach Ci zależy.

Jest jedno miejsce, gdzie plik jest dowodnie używany. Narzędzia deweloperskie. Kiedy programista wkleja https://docs.example.com/llms.txt do asystenta kodowania albo serwera dokumentacji MCP, narzędzie go czyta, bo wskazał go człowiek.

To realne użycie i właśnie dlatego dokumentacje API wdrożyły go jako pierwsze. Tylko że to nie to samo, co ChatGPT odkrywający stronę usług Twojej agencji.

Co pokażą logi serwera (a czego nie)

Logi to jedyny dowód z pierwszej ręki, jaki masz. Łatwo też wyczytać z nich za dużo. Oto, gdzie stawiam granicę.

Logi pokażą: - Które user agenty pobrały /llms.txt, jak często i kiedy. - Czy te żądania przyszły z zakresów IP publikowanych przez dostawcę (OpenAI publikuje zakresy dla GPTBot, OAI-SearchBot i ChatGPT-User). - Czy ten sam bot pobrał potem URL-e wymienione w pliku.

Logi nie pokażą: - Czy treść trafiła do treningu, do indeksu, czy do kosza. - Czy jakakolwiek odpowiedź, dla jakiegokolwiek użytkownika, została przez nią ukształtowana. - Niczego o funkcjach AI w Google, bo Google crawluje Googlebotem. Google-Extended to token w robots.txt, a nie user agent, więc nigdy nie zobaczysz go w logu.

Na tym ostatnim ludzie potykają się bez przerwy. Widziałem raport z audytu, w którym stało "Google-Extended odwiedził llms.txt 40 razy". Nie odwiedził. Coś podszyło się pod ten ciąg znaków albo ktoś pomylił kolumny.

Prościej: pobranie to potwierdzenie odbioru listu. Cytowanie to ktoś, kto ten list przeczytał i zacytował na zebraniu. Logi dają Ci tylko potwierdzenie odbioru.

Test Karoliny: jak wyglądał jeden prawdziwy eksport logów

Karolina prowadzi marketing w firmie B2B od oprogramowania z Gdańska, około 340 zaindeksowanych stron, llms.txt działa od marca. Zapytała mnie, czy to "działa". Ściągnąłem 90 dni jej logów.

Liczby, w przybliżeniu:

• 58 000 żądań od zidentyfikowanych user agentów AI na całej stronie.
• 21 żądań do /llms.txt. Z tego 6 od GPTBot, 4 od ClaudeBot, 2 od PerplexityBot, a reszta od narzędzi SEO i zwykłych skryptów python-requests.
• Zero żądań do /llms.txt od ChatGPT-User i Claude-User, czyli fetcherów na żywo, które reagują na pytanie użytkownika.

Plik był więc od czasu do czasu zbierany przez crawlery treningowe i indeksujące, mniej więcej raz w tygodniu. W tym samym czasie jej strony produktowe były pobierane setki razy tygodniowo, przez zwykłe linki i sitemapę.

Czy llms.txt "działał"? Był zbierany. Tyle. Nic w tych danych nie łączy go z ani jednym cytowaniem. Wniosek Karoliny i mój: zostawić plik, przestać go sprawdzać co tydzień i przenieść czas na strony, które boty już czytały.

Nie wiesz, co crawlery AI są w stanie odczytać na Twojej stronie? AI Visibility crawluje Twoje strony tak jak LLM i pokazuje brakujące wersje markdown, brakujące schema i strony, które renderują się jako pusta skorupa. Darmowy plan, jedna strona.

Jak samemu przetestować llms.txt w 5 krokach

Jeśli chcesz odpowiedzi dla własnej domeny, a nie średniej z branży, oto protokół, którego używam. Zajmuje około dwóch godzin rozłożonych na sześć tygodni.

1. Zrób punkt odniesienia z logów. Wyeksportuj 30 dni surowych logów dostępowych (nie GA4, które botów nigdy nie widzi). Policz żądania do /llms.txt według user agenta:

grep '"GET /llms.txt' access.log \
          | awk -F'"' '{print $6}' \
          | sort | uniq -c | sort -rn
        

W standardowym formacie combined pole 6 po podziale na cudzysłowy to user agent. Jeśli Twój hosting używa innego formatu, popraw numer pola.

2. Sprawdź, czy boty są prawdziwe. Porównaj adresy IP z zakresami publikowanymi przez dostawcę. Ciąg GPTBot z domowego IP w przypadkowym ASN to nie OpenAI.

3. Podłóż kanarka. Dodaj do llms.txt jeden URL, którego nie ma nigdzie indziej: ani w sitemapie, ani w linkach na stronach, na przykład /notes/llms-canary.md z krótkim, naprawdę przydatnym opisem Twojej usługi. Jeśli jakikolwiek crawler go pobierze, trafił tam przez llms.txt. To najczystszy sygnał przyczynowy, jaki dostaniesz.

4. Zrób punkt odniesienia dla promptów. Spisz 20 pytań, które faktycznie zadają Twoi klienci. Wrzuć każde do ChatGPT, Claude, Perplexity i Gemini, po trzy razy, w świeżej sesji, i zapisz, czy Twoja domena jest cytowana. To 240 punktów danych i tak, to nudna robota.

5. Odczekaj sześć tygodni i powtórz kroki 1, 3 i 4. W międzyczasie nie zmieniaj nic na kluczowych stronach, bo nie będziesz wiedzieć, co spowodowało co.

Kanarka prawie nikt nie robi, a to właśnie on zamienia "plik został pobrany" w "plik został wykorzystany". To wciąż nie cytowanie. Ale jeden szczebel wyżej na drabinie.

Dlaczego testy promptów Cię okłamują (i jak naprawił to Bartek)

Bartek sprzedaje online elementy złączne dla przemysłu z Poznania. Dodał llms.txt i wersje markdown w tym samym tygodniu, a potem puścił swoje 20 promptów po razie w ChatGPT. Przed: cytowany w 4 odpowiedziach. Po: w 7. Był gotów ogłosić wzrost o 75%.

Następnego ranka puścił zestaw "po" jeszcze raz. 5 cytowań. Trzecie podejście dało 6.

No i tu jest problem. Odpowiedzi AI nie są deterministyczne. Ten sam prompt w tym samym silniku potrafi godzinę później cytować inne źródła, a silniki po cichu zmieniają sposób wyszukiwania między podejściami. Wahanie o 2 albo 3 cytowania na 20 to szum.

Co to naprawiło:

• Trzy podejścia na prompt na silnik, zapisywane jako liczba cytowań na 3.
• Jedna zmiana naraz. Bartek wypuścił wersje markdown i llms.txt razem, więc nawet realnego wzrostu nie dałoby się przypisać żadnemu z nich.
• Zestaw kontrolny. Pięć promptów o tematach, których jego strona w ogóle nie porusza. Jeśli tam zaczyna być cytowany, coś jest nie tak z testem, a nie ze stroną.

Po porządnym powtórzeniu w dwóch cyklach uczciwy wynik brzmiał: "brak mierzalnej różnicy od llms.txt". Wersje markdown prawdopodobnie pomogły, bo to właśnie te strony crawlery i tak pobierały. Tego też nie udowodnię. Ale za każdym razem postawiłbym na wersje markdown, a nie na plik indeksu.

Koszt a korzyść: czy llms.txt się opłaca?

To jest właściwa decyzja, więc bez ozdobników.

	Plik llms.txt	Wersje markdown kluczowych stron	Przepisanie pierwszych akapitów
Czas wdrożenia	30 minut	1-3 dni	1-2 dni na 10 stron
Koszt bieżący	Aktualizacja przy zmianie stron	Synchronizacja przy publikacji	Brak
Dowody wpływu na cytowania	Brak publicznych	Pośrednie (boty pobierają strony, nie pliki indeksu)	Najmocniejsze (modele wyciągają wczesne fragmenty)
Ryzyko	Prawie zerowe	Duplikacja treści przy złych canonicalach	Prawie zerowe
Mój priorytet	Ostatni	Środkowy	Pierwszy

Powiem wprost: nie płaciłbym nikomu za napisanie llms.txt i nie kupiłbym narzędzia, którego głównym argumentem jest jego generowanie. To plik tekstowy. Jeśli dostawca obiecuje, że "wprowadzi Cię do ChatGPT", poproś o dane z logów i kontrolowany test promptów. Nie będzie ich miał.

Ale nie pomijałbym go też. To 30 minut, nie może Ci zaszkodzić, a jeśli któryś dostawca kiedyś ogłosi obsługę, już tam będziesz. Tak wygląda tania opcja. Kupujesz ją, bo jest tania, a nie dlatego, że spodziewasz się wypłaty.

Jedno zastrzeżenie, które warto powtórzyć: jeśli Twój robots.txt blokuje GPTBot albo ClaudeBot, całe pytanie traci sens. Crawler, który respektuje blokadę, nie pobierze też /llms.txt. Sprawdź to najpierw, zanim poświęcisz choćby minutę plikowi indeksu.

Co naprawdę rusza cytowania w AI

Nie będę powtarzał całej listy taktyk z mojego artykułu o LLM SEO, ale kolejność ma znaczenie, więc wersja skrócona: odpowiedz na pytanie w pierwszych dwóch zdaniach, wstaw sprawdzalne fakty tam, gdzie były przymiotniki, jedna myśl na sekcję, i upewnij się, że crawlery w ogóle mogą do strony dotrzeć.

Każda z tych rzeczy działa na strony, które boty dowodnie pobierają. llms.txt działa na jeden plik, który pobierają rzadko. Ta proporcja to cały argument.

I mierz wynik, a nie zastępnik. Większość kliknięć z AI, które w ogóle się zdarzają, przychodzi bez odsyłacza i ląduje w Direct / None w GA4, więc "brak ruchu z AI w raportach" też niczego nie dowodzi.

Najczęstsze pytania

Czy llms.txt pomaga w cytowaniach przez ChatGPT? Nie ma publicznych dowodów, że tak. OpenAI nie powiedziało, że czyta llms.txt przy budowaniu odpowiedzi, a dane z logów typowych stron pokazują, że plik jest pobierany rzadko albo wcale. Cytowanie zależy od samych stron.

Czy Google używa llms.txt? Google powiedział, że nie. John Mueller porównał go do meta tagu keywords, a Gary Illyes powiedział, że Google go nie obsługuje. Funkcje AI w Google korzystają ze zwykłego indeksu wyszukiwarki, crawlowanego przez Googlebota.

Jak sprawdzić, czy crawlery AI czytają mój llms.txt? Przeszukaj surowe logi serwera pod kątem żądań do /llms.txt, pogrupuj je według user agenta i porównaj IP z zakresami publikowanymi przez dostawców. Mocniejszy sygnał da kanarek: jeden URL wpisany tylko w llms.txt, którego pobranie obserwujesz.

Czy llms.txt może zaszkodzić SEO? Nie w żaden sposób, który bym widział. To statyczny plik tekstowy, który wyszukiwarki traktują jak każdy inny URL. Jedyne realne ryzyko dotyczy wersji markdown bez porządnych canonicali, a nie samego pliku indeksu.

Czy powinienem dodać też llms-full.txt? Tylko jeśli masz dokumentację, którą ludzie wrzucają do narzędzi programistycznych, bo tam pełna wersja tekstu jest naprawdę wygodna. Dla strony firmowej z 40 podstronami to dodatkowa robota bez mierzalnego efektu.

Ile czekać, zanim ocenię wyniki? Co najmniej sześć tygodni między punktem odniesienia a ponownym testem, z trzema podejściami na prompt na silnik. Wszystko krótsze albo z pojedynczymi podejściami zmierzy głównie losowość odpowiedzi AI.

Co dalej

Czy llms.txt działa? Jako kanał dostarczania treści do silników, na których Ci zależy, nikt tego nie pokazał, a dostawcy, którzy się wypowiedzieli, powiedzieli "nie". Jako 30-minutowe zabezpieczenie jest w porządku. Wdróż, podłóż kanarka i przestań o tym myśleć.

Prawdziwy wysiłek włóż w strony, które boty pobierają codziennie. Jeśli chcesz zobaczyć, co te crawlery tam zastają, AI Visibility pokaże Ci to strona po stronie. A jeśli chcesz, żebym zrobił analizę logów i test promptów za Ciebie i powiedział, co poprawić najpierw, to jest projekt indywidualny.

---

Źródła i dalsza lektura - Propozycja llms.txt (llmstxt.org) - Crawlery i user agenty OpenAI (OpenAI) - Popularne crawlery Google, w tym Google-Extended (Google) - Funkcje AI a Twoja witryna (Google Search Central)