llms.txt utvärderat: storstudien som inte hittade någon effekt

Studien publicerades i november 2025 och är hittills det tydligaste storskaliga svaret på den fråga som dykt upp i varje GEO-diskussion sedan filen föreslogs (SE Ranking 2025-11). Författarens formulering är kategorisk: ”Both statistical analysis and machine learning showed no effect of LLMs.txt on how often a domain is cited by LLMs.”

Det betyder inte att filen är skadlig eller oanvändbar. Det betyder att den — hittills — inte är den genväg till AI-synlighet som den ofta marknadsförs som. För dig som ska prioritera en GEO-budget är den skillnaden central, och den ligger i förlängningen av vad GEO faktiskt är.

Fungerar llms.txt för ChatGPT, Perplexity eller Gemini?

En avgränsning först: studien mäter citering på domännivå — hur ofta en domän dök upp som källa i samplade LLM-svar, generellt. Den mäter alltså varken Google AI Overviews specifikt, eller någon enskild motor, och den säger ingenting om trafik eller leads. Det är en bredd som gör slutsatsen tyngre, inte svagare: filen hittade ingen effekt över helheten av modeller.

• Det som mättes: filens förekomst, domänens trafiknivå och citeringsfrekvens i samplade LLM-svar.
• Det som inte mättes: enskilda motorer, enskilda frågetyper och trafikeffekter.
• Slutsatsens räckvidd: ingen påvisad effekt på citeringsfrekvens — varken positiv eller negativ.

Håll isär det som är mätt och det du hoppas på. Vill du veta om en viss motor når er sajt överhuvudtaget är det en annan fråga — en teknisk fråga om åtkomst och innehåll — som AI-crawler-checklistan svarar på.

Vad är llms.txt?

llms.txt är ett förslag på en extra fil i webbplatsens rotkatalog: en markdown-fil som sammanfattar sajten och länkar till dess viktigaste innehåll, tänkt som en upptäcktsfil för språkmodeller (specifikationen på llmstxt.org). Idén är att en modell med begränsat kontextfönster ska kunna börja rätt, i stället för att tolka sig fram genom menystrukturer och navigationslänkar.

Filen kostar nästan inget att producera, och den krockar inte med något. Problemet är alltså inte filen — det är påståendet om effekt. En fil som botarna sällan hämtar, eller som modellerna inte väger in, ger ingen citering hur välskriven den än är. Det är precis den kopplingen som SE Ranking har testat.

Vad visade SE Rankings studie?

Data samlades in för nästan 300 000 domäner: huruvida de hade en llms.txt-fil, deras trafiknivå och hur ofta domänen dök upp som källa i samplade LLM-svar. Analysen kombinerade klassisk statistik i form av Spearman-korrelation med maskininlärning — en XGBoost-regression följt av SHAP-analys för att se vilka variabler som faktiskt bar signal.

• Adoptionen är låg. Endast 10,13 % av domänerna hade en llms.txt-fil — nästan nio av tio sajter har klarat sig utan den.
• Ingen korrelation. Varken korrelationsanalysen eller maskininlärningsmodellen fann någon effekt på hur ofta domänen citerades.
• Filen var rentav brus. När llms.txt-variabeln togs bort ur XGBoost-modellen förbättrades modellens träffsäkerhet — variabeln bar ingen signal om citering alls.

Adoptionen per trafiknivå är en detalj värd att stanna vid:

Mönstret är kantigt men intressant: högtrafikerade sajter — de som lyckats bäst — har lägst adoption av filen. De mest framgångsrika sajterna i urvalet har alltså vunnit sin synlighet utan den.

Författarna self-disclaimar samtidigt ärligt: resultaten är kontextberoende och kan förändras om variabler läggs till eller tas bort. Det är rätt hållning till all observationsdata — och ett skäl till att aldrig bygga en hel strategi på en enda studie, i någon av riktningarna.

Hämtar AI-botarna ens filen?

Sparsamt, enligt studierna bakom artikeln: GPTBot hämtar ibland llms.txt-filer, men det sker inte ofta (SE Ranking 2025-11). En fil som sällan läses kan sällan påverka något — och datan i studien bekräftar att den inte gör det.

Googles hållning är uttryckligen att inga specialfiler krävs för att visas i dess AI-funktioner (Google Search Central). Googles John Mueller har uttryckt samma skepsis genom att likna förhoppningarna kring llms.txt vid meta keywords-eran — den tagg som en gång lovade sökmotorer mycket och i praktiken ignorerades. Search Engine Land har samtidigt granskat liknelsen: Mueller menade inte att filerna är tekniskt lika — poängen var att LLM-botar sällan begär filen — men artikelns författare resonerar tvärtom och pekar på att agenter som hämtar enskilda sidor kan snarare ha nytta av en fil som pekar rätt (Search Engine Land).

Mönstret är därmed delat: ingen hämtning att tala om, ingen requirement från Google och ingen mätbar effekt i datan — medan frågan om framtida agenter kan ha nytta av filen står öppen.

Ska du lägga upp filen — eller ta bort den?

Inget av alternativen är en GEO-åtgärd med förväntad effekt. Filen är harmlös, billig att underhålla och kan — i princip — hjälpa en modell som ändå tittar att hitta rätt. Studiernas författare rekommenderar den därför fortfarande som en lågkostnadsförsäkring: idag valfri, i morgon kanske viktig, om modellerna en dag börjar läsa den på allvar.

Detta är också Eyries position, uttalat: vi har filen upplagd på vår egen sajt, och vi hävdar samtidigt att den inte har någon dokumenterad effekt på citeringar. Om en leverantör säljer llms.txt som nyckeln till AI-synlighet har du nu siffrorna att bemöta med. Samma skepsis bör du ha till varje genväg som lovar effekt utan mätning — de vanligaste myterna om GEO har vi samlat här.

Vad ger mätbar effekt i stället?

Samma saker som GEO-arbetet alltid handlat om: innehåll som går att citera, teknisk åtkomst och bekräftelse utanför den egna sajten. Konkret, i prioritetsordning:

1. Crawlbar HTML utan olyckor. Gå igenom robots.txt och säkerhetsprodukter mot de botar du vill släppa in — checklistan för AI-crawlers tar hela listan, bot för bot.
2. Citerbart innehåll. Ett påstående i taget, formulerat så att det går att återges ordagrant, med fakta som finns i HTML — inte bara i en PDF, en bild eller en videospelare.
3. Oberoende bekräftelse. Register, branschpress och listor som bekräftar att ni finns och vad ni gör — information som modellen kan belägga utanför er egen sajt.

Markup är en återkommande följdfråga: strukturerad data hjälper motorerna att förstå sidan, men den är inte dokumenterad som genväg till AI-citat — schema.org-guiden separerar det dokumenterade från det påstådda. Helhetsplanen finns i GEO-guiden.

Vanliga frågor