En 2026, vos prospects ne tapent plus toujours leur question dans Google. Ils la posent à ChatGPT, à Perplexity ou à Claude. Et ces modèles répondent en citant 3 à 5 sources. Si votre marque n'y est pas, vous êtes invisible pour ce prospect-là, peu importe vos positions Google.
Le standard llmstxt.org propose une réponse simple à ce problème : un fichier déposé à la racine de votre site qui déclare aux modèles IA quelles sont vos pages les plus importantes. C'est court à mettre en place, et c'est déjà lu par Anthropic et Perplexity. Voici comment faire ça correctement.
C'est quoi exactement, un llms.txt ?
Un fichier markdown placé à /llms.txt à la racine de votre domaine (sur le modèle de /robots.txt). Il contient un résumé de votre marque en 100 à 200 mots, puis une liste organisée de vos pages les plus pertinentes pour un modèle IA qui chercherait à vous comprendre ou à vous citer.
Ce n'est pas un filtre de crawl (ce rôle est tenu par robots.txt). C'est un signal de priorité : vous dites au modèle « si tu veux comprendre ce qu'on fait, commence par ces pages-là ». À l'heure où on écrit, Anthropic l'utilise pour Claude et Perplexity l'a intégré dans son crawler. OpenAI et Google n'ont pas officialisé leur support mais les signaux indiquent qu'ils le suivent en observation.
La structure recommandée
Le format est du markdown léger, structuré en 3 sections :
- Titre + résumé(3-5 lignes) décrivant ce que fait votre boîte, pour qui, dans quel contexte géographique. C'est ce qui sera réutilisé tel quel par les LLMs si on leur demande de vous résumer.
- Sections thématiques : produits ou services, contenus pédagogiques, méthodologie, tarifs, contact. Chaque section liste 3 à 8 URLs avec leur titre et un court résumé d'une phrase.
- Section "Optional" : ressources secondaires (mentions légales, conditions, etc.) que vous voulez quand même rendre découvrables sans les mettre en avant.
Un exemple opérationnel
Pour vous donner un cas concret, nous avons publié notre propre fichier à complypme.fr/llms.txt. Il contient notre positionnement (studio B2B pour PME françaises, trois verticales), une section par verticale avec les pages canoniques (méthodologie, tarifs, articles de référence), une section blog avec les insights publiés, et une mention de contact.
Le format complet en pseudo-markdown ressemble à :
# Nom de la marque> Résumé en 1-2 phrases.## Section 1 (ex: Conformité)- [Titre de la page](url) : description courte.- [Autre page](url) : description courte.## Section 2 (ex: Articles)- [Titre article](url) : sujet en une ligne.
Les 5 erreurs courantes à éviter
- Trop d'URLs. 30 liens maximum. Au-delà, le modèle ne sait plus quoi prioriser et le fichier perd sa fonction de filtre.
- Liens cassés ou redirigés. Un crawler IA qui tombe sur trois 404 dans votre llms.txt va déprioriser le fichier entier. À vérifier à chaque déploiement.
- Descriptions génériques. « Notre page services » n'aide ni l'humain ni le modèle. Préférez « Méthodologie de diagnostic AI Act en 5 minutes pour PME B2B ».
- Format propriétaire. Restez en markdown strict. Pas de HTML, pas de YAML, pas de structure non documentée par llmstxt.org. Les modèles parsent au plus simple.
- Pas de variante
llms-full.txt. Le standard prévoit un fichier étendu (/llms-full.txt) avec le contenu complet de vos pages canoniques en markdown. C'est ce qui permet aux modèles de citer le contenu textuel directement sans avoir à crawler page par page. Sur des contenus à fort potentiel de citation (méthodologie, tarifs, articles de référence), ça multiplie la probabilité d'apparaître dans une réponse.
Comment mesurer si ça marche
Le standard est trop récent pour avoir des analytics intégrées. Trois approches complémentaires :
- Logs serveur : filtrer les requêtes vers
/llms.txtdans vos logs Nginx ou Vercel. Vous verrez les user-agentsClaude-Web,PerplexityBot, etc., et la fréquence à laquelle ils reviennent. - Outils GEO : Otterly.AI (à partir de 29 $/mois), Profound (à partir de 99 $/mois) et AthenaHQ (295 $/mois) suivent la fréquence de citation de votre marque dans les réponses des grands modèles sur un panel de requêtes que vous définissez.
- Tests manuels mensuels : posez 10 requêtes clés (que vos prospects taperaient) à ChatGPT, Claude et Perplexity, notez si votre marque apparaît. Gratuit, manuel, mais c'est ce qui se rapproche le plus du comportement réel d'un prospect.
Le piège du « j'ai fait mon llms.txt »
Publier le fichier prend 30 minutes. Ce n'est pas ça le sujet. Le vrai travail est ce qui se passe avant et à côté : avoir des pages canoniques solides à pointer (méthodologie détaillée, tarifs transparents, articles de fond), structurer ces pages pour que les modèles puissent en extraire des blocs citables (paragraphes courts, FAQ schema.org, définitions claires), produire régulièrement du contenu factuel sur les sujets où vous voulez être cité, et construire des signaux d'autorité externes (mentions, backlinks de sites de référence, profils LinkedIn d'experts qui vous citent).
Un llms.txt sans cette base, c'est une porte d'entrée vers une maison vide. Le modèle entre, ne trouve rien à citer, et ne revient pas. À l'inverse, des pages canoniques solides sans llms.txt restent découvertes via le crawl classique, juste moins rapidement et moins systématiquement. Le fichier accélère et fiabilise ce qui existe déjà, il ne remplace pas le travail de fond.
Si vous démarrez aujourd'hui : publiez un llms.txt minimal cette semaine (résumé + 5-10 URLs), puis attaquez le vrai chantier en parallèle qui est la production des pages canoniques que ce fichier rendra découvrables. C'est cet ordre qui maximise les chances que votre marque entre dans le corpus des modèles 2027-2028.