llms.txt

A ideia é direta: em vez de forçar um modelo a percorrer menus de navegação, scripts e código auxiliar, o lojista entrega-lhe um mapa organizado do melhor conteúdo do site, com descrições breves e hiperligações. O formato é deliberadamente simples. Um título identifica o site, uma ou duas frases descrevem o que faz, e uma lista de hiperligações agrupa as páginas mais relevantes, cada uma com um resumo de uma linha. O espírito é próximo do robots.txt e do sitemap.xml, mas o llms.txt é uma proposta comunitária, não uma norma estabelecida, e nenhum fornecedor de IA confirmou que o ficheiro altera a forma como os seus sistemas rastreiam, classificam ou citam páginas.

A leitura honesta é que o llms.txt é fácil de publicar e tem poucos efeitos mensuráveis atualmente. Os grandes motores de resposta constroem a sua compreensão a partir das páginas que já recolhem e da corroboração que encontram na web em geral, não de um ficheiro auto-declarativo que qualquer site pode preencher com afirmações de marketing. Tratá-lo como um fator de posicionamento é uma interpretação incorreta. Tratá-lo como uma medida de higiene de baixo custo que pode vir a ter importância quando as ferramentas e convenções se estabilizarem é a posição razoável.

Considere um lojista português que vende artigos em cortiça. Publica o llms.txt na raiz da loja, listando o guia de medidas, a página de cuidados e manutenção, e três páginas de produto principais, cada uma com uma descrição breve, como "Carteira em cortiça natural, disponível em seis cores". A iniciativa é organizada e fácil de manter. O que não fará, por si só, é levar o ChatGPT ou o Perplexity a recomendar a marca quando um comprador procura um presente ecológico feito em Portugal. Esses sistemas analisam as páginas de produto em tempo real, as avaliações nelas publicadas, e o que sites e fóruns independentes dizem sobre a loja, não o resumo que a própria marca elaborou sobre si mesma.

Para a pesquisa por IA e os motores de resposta, o ficheiro funciona principalmente como um sinal de intenção, não como uma fonte de verdade. Um modelo pode ler uma auto-descrição, mas tem todas as razões para desvalorizar afirmações feitas pela própria marca e para preferir evidências que pode confirmar noutras fontes. Essa assimetria é precisamente o critério que o Google AI Overviews, o Perplexity e ferramentas semelhantes utilizam para decidir o que citar: valorizam factos que resistem à verificação cruzada entre fontes, não afirmações registadas num caminho conhecido.

O que de facto impulsiona a citação por IA é mais concreto: páginas limpas e rastreáveis, respostas claras e específicas perto do topo de cada uma, dados estruturados onde se aplicam, e os mesmos factos confirmados por fontes independentes em que o modelo já confia. As avaliações são uma das formas mais fortes dessa corroboração, porque representam a linguagem dos clientes sobre o produto, presentes na página de produto, repetidas por muitos compradores. Tornar as avaliações existentes legíveis, indexáveis e citáveis por motores de pesquisa e de IA é a lacuna que o BeyondReviews preenche, e isso faz muito mais pela visibilidade do que qualquer ficheiro de texto na raiz. Publique o llms.txt se valoriza a organização que proporciona; depois invista o esforço real nas páginas e nas provas que um modelo pode verificar.