llms.txt
llms.txt est un fichier texte proposé, placé à la racine d'un site, qui indique aux robots IA et aux modèles de langage les pages et les faits que le site juge les plus importants, rédigé en Markdown pour qu'un modèle puisse le lire sans analyser le HTML complet de chaque page.
L'idée est simple : plutôt que de laisser un modèle se débattre avec la navigation, les scripts et le contenu accessoire, vous lui remettez une carte choisie de vos meilleurs contenus, avec de courtes descriptions et des liens. Le format est volontairement sobre. Un titre nomme le site, une phrase ou deux décrivent son objet, et une liste de liens regroupe les pages à lire, chacune avec un résumé d'une ligne. Il reprend l'esprit de robots.txt et de sitemap.xml, mais c'est une proposition communautaire, pas une norme reconnue, et aucun grand fournisseur d'IA n'a confirmé qu'il modifie la façon dont ses systèmes explorent, classent ou citent les pages.
Le constat honnête, c'est que llms.txt coûte peu à mettre en place et a aujourd'hui peu d'effet mesurable. Les grands moteurs de réponse construisent leur compréhension à partir des pages qu'ils récupèrent déjà et de recoupements sur l'ensemble du web, pas à partir d'un fichier auto-déclaré que n'importe quel site pourrait remplir d'arguments marketing. Le prendre pour un levier de classement est un contresens. Le voir comme une hygiène peu coûteuse qui pourra compter plus tard, une fois les outils et les conventions stabilisés, est la position juste.
Prenons un marchand Shopify qui vend des sous-vêtements techniques en mérinos. Il publie llms.txt à la racine de la boutique, en listant son guide des tailles, sa page d'entretien et de lavage, et trois pages produits phares, chacune avec une courte description comme « Maillot col rond léger 150 g/m², tailles XS à XXL ». C'est propre et gratuit à maintenir. Ce que cela ne fera pas à soi seul, c'est amener ChatGPT ou Perplexity à recommander la marque quand un client cherche une couche de base chaude pour l'hiver. Ces systèmes pèsent les pages produits en ligne, les avis qui s'y trouvent, et ce que disent les sites indépendants et les forums, pas le résumé que le marchand fait de lui-même.
Pour la recherche IA et les moteurs de réponse, le fichier compte surtout comme un signal d'intention plutôt que comme une source de vérité. Un modèle peut lire une auto-description, mais il a toutes les raisons d'écarter ce qu'une marque affirme sur elle-même et de privilégier des preuves qu'il peut recouper ailleurs. Cette asymétrie est tout le principe selon lequel Google AI Overviews, Perplexity et les outils similaires décident de ce qu'ils citent : ils récompensent les faits qui tiennent à travers plusieurs sources, pas les affirmations déposées à un chemin connu.
Ce qui fait réellement avancer la citation par l'IA est plus terre à terre : des pages propres et explorables, des réponses claires et précises près du haut de chacune d'elles, des données structurées là où elles ont du sens, et les mêmes faits confirmés par des sources indépendantes qu'un modèle juge déjà fiables. Les avis sont l'une des formes les plus solides de ce recoupement, parce qu'ils sont le langage des clients sur le produit, présents sur la page produit, répétés par de nombreux acheteurs. Rendre les avis existants lisibles, indexables et cités par la recherche et l'IA, c'est le manque que comble BeyondReviews, et cela fait bien plus pour la visibilité que n'importe quel fichier texte unique placé à la racine. Publiez llms.txt si vous tenez à cette hygiène, puis consacrez l'effort réel aux pages et aux preuves qu'un modèle peut vérifier.