llms.txt : guide complet 2026 (rendre votre site lisible par ChatGPT, Claude, Perplexity)

Origine du standard : Jeremy Howard, septembre 2024

Le fichier llms.txt a été proposé par Jeremy Howard, chercheur et entrepreneur connu pour avoir cofondé fast.ai — l'organisation qui a démocratisé l'enseignement du deep learning — et Answer.AI, un laboratoire de recherche IA appliquée. La proposition a été publiée le 3 septembre 2024 sur llmstxt.org.

Le constat de départ est simple : les LLM ont une fenêtre de contexte limitée. Quand un modèle explore un site web pour répondre à une question, il ne peut pas lire des milliers de pages HTML alourdies de navigation, de scripts, de publicités et de boilerplate. Il a besoin d'une version épurée, hiérarchisée, lisible — exactement ce que fournit llms.txt.

Le premier exemple d'implémentation est venu du projet FastHTML (également d'Answer.AI), qui a servi de cas de référence pour illustrer la spécification. Depuis, le standard a été adopté par nbdev, les projets fast.ai, et un nombre croissant de documentations techniques.

Il est important de préciser : llms.txt n'est pas un standard W3C, IETF ou de tout autre organisme de normalisation officiel. C'est une convention proposée par un expert reconnu, qui gagne en traction par adoption organique de la communauté — sur le modèle de ce qu'a été robots.txt avant sa reconnaissance formelle.

llms.txt vs robots.txt vs sitemap.xml : quelles différences ?

Ces trois fichiers coexistent à la racine de votre site et répondent à des logiques complémentaires. Les confondre est l'erreur la plus fréquente dans les articles sur le sujet.

La différence fondamentale de llms.txt est sa logique positive et éditoriale : vous ne dites pas aux bots ce qu'ils ne doivent pas lire, vous leur signalez ce que vous jugez le plus pertinent. C'est une curation, pas une restriction.

Une analogie : si votre site était une bibliothèque, robots.txt serait le panneau "Accès interdit au personnel", sitemap.xml serait le catalogue exhaustif de tous les livres, et llms.txt serait la liste "Nos coups de cœur — à lire absolument".

Les trois fichiers sont complémentaires et non substituables. llms.txt ne remplace pas robots.txt pour contrôler l'accès des crawlers IA — si vous voulez empêcher GPTBot ou ClaudeBot d'indexer votre site, c'est dans robots.txt que vous devez le spécifier. Tous les grands crawlers IA (GPTBot, ClaudeBot, PerplexityBot) respectent les directives robots.txt.

Format exact du fichier llms.txt

La spécification définit une structure Markdown précise, avec des sections dans un ordre imposé. Voici l'anatomie d'un fichier conforme.

Structure obligatoire

• H1 — Le nom du projet ou du site (obligatoire, une seule occurrence)
• Blockquote — Un résumé court (quelques lignes) décrivant le projet, ses usages, sa cible (optionnel mais fortement recommandé)
• Paragraphes de détail — Informations contextuelles supplémentaires, sans sous-titres
• Sections H2 avec listes de liens — Chaque H2 délimite une catégorie de ressources. Chaque élément de liste est un lien Markdown [titre](url) avec une note optionnelle après un séparateur :
• Section "Optional" — Section H2 nommée littéralement "Optional", pour les ressources secondaires que les LLM peuvent ignorer en contexte réduit

Exemple minimal conforme à la spécification

# Mon Projet SaaS

> Plateforme SaaS de gestion de [domaine]. Destinée aux équipes B2B de 10 à 500 personnes.
> Fondée en 2022, basée en France.

Ce site documente les fonctionnalités, les guides d'intégration et les études de cas clients.
Les informations tarifaires et les conditions générales sont également disponibles.

## Docs

- [Guide de démarrage rapide](https://exemple.com/docs/getting-started): Installer et configurer la plateforme en moins de 10 minutes.
- [Référence API](https://exemple.com/docs/api): Documentation complète des endpoints REST.
- [Webhooks](https://exemple.com/docs/webhooks): Déclencher des actions externes depuis les événements de la plateforme.

## Blog

- [Comment automatiser X avec notre outil](https://exemple.com/blog/automatiser-x): Guide pratique avec exemples de code.
- [Étude de cas : client Y](https://exemple.com/blog/cas-client-y): ROI mesurable sur 6 mois d'utilisation.

## Optional

- [Mentions légales](https://exemple.com/mentions-legales)
- [CGU](https://exemple.com/cgu)
- [Politique de confidentialité](https://exemple.com/confidentialite)

Règles de syntaxe à respecter

• Le fichier doit être accessible à l'URL https://votredomaine.com/llms.txt
• Encodage UTF-8, pas de BOM
• Liens en Markdown standard : [texte](url)
• Les descriptions après les URLs sont séparées par : (et non par une nouvelle ligne)
• Pas de HTML dans le fichier — Markdown pur uniquement
• Pas de limite de taille officiellement définie, mais la spécification recommande un fichier concis (l'exhaustivité est pour llms-full.txt)

llms-full.txt : la variante longue

La spécification prévoit une variante optionnelle : llms-full.txt, accessible à l'URL /llms-full.txt. Son rôle est différent de llms.txt : là où le premier est un index avec des liens, le second contient le texte intégral des pages importantes, déjà extrait et nettoyé.

L'idée : quand un LLM a accès à llms-full.txt, il n'a plus besoin de crawler chaque URL individuellement pour lire le contenu. Tout est déjà là, dans un seul fichier texte sans HTML, sans navigation, sans bruit. C'est particulièrement utile pour les documentations techniques où les développeurs veulent que les outils IA (Cursor, Continue, Aider) comprennent l'intégralité du projet sans avoir à faire des dizaines de requêtes.

llms.txt vs llms-full.txt : lequel créer ?

• llms.txt : à créer en priorité. Léger, facile à maintenir, lisible par n'importe quel client IA.
• llms-full.txt : pertinent si vous publiez une documentation technique dense, une base de connaissances publique, ou si vous ciblez explicitement les développeurs qui utilisent des IDE IA. Peut devenir volumineux et difficile à maintenir manuellement — des outils comme llms_txt2ctx (Python) permettent de le générer automatiquement.

Pour un site marketing SaaS standard, llms.txt seul est suffisant dans l'état actuel de l'adoption.

Tutoriel : créer son llms.txt pour un SaaS (exemple complet)

Voici un tutoriel pas-à-pas pour créer un fichier llms.txt adapté à un SaaS B2B. L'exemple est calqué sur ce que ferait une plateforme comme Heeya.

Étape 1 — Lister vos pages à forte valeur

Avant d'ouvrir un éditeur, faites l'inventaire. Pour un SaaS, les pages prioritaires sont généralement :

• La page d'accueil (avec une description précise de ce que fait le produit)
• Les pages solutions / fonctionnalités (une par offre principale)
• Les pages documentation ou API (si publiques)
• 3 à 5 articles de blog piliers dans votre thématique principale
• La page tarifs
• Les études de cas ou pages clients (si publiques)

Ne listez pas tout. llms.txt est une curation, pas un double de votre sitemap. Limitez-vous à 20-40 URLs maximum pour garder le fichier utilisable dans une fenêtre de contexte courte.

Étape 2 — Rédiger chaque description de lien

Pour chaque URL, rédigez une description en 1 à 2 phrases qui répond à la question : "Si un LLM lit seulement ce lien et sa description, comprend-il ce qu'il trouvera sur cette page ?"

Mauvaise description : Notre page blog
Bonne description : Guide complet sur le RAG (Retrieval-Augmented Generation) : définition, architecture, cas d'usage SaaS.

Étape 3 — Écrire le fichier

Voici un exemple complet et réaliste pour un SaaS de chatbot IA comme Heeya :

# Heeya — Plateforme de chatbots IA avec RAG

> Heeya est une plateforme SaaS française qui permet aux entreprises de créer des chatbots IA
> personnalisés, alimentés par leurs propres documents (RAG — Retrieval-Augmented Generation).
> Cible : PME et équipes SaaS B2B souhaitant automatiser leur support client, leur onboarding,
> ou enrichir leur base de connaissances interne.
> Fondée en France. Interface et support en français.

La plateforme permet d'importer des fichiers PDF, Word, PPTX et TXT, de crawler des URLs,
et de déployer un chatbot sur n'importe quel site web via un widget JavaScript.
Elle inclut un tableau de bord analytique, une gestion des conversations, et une intégration
Stripe pour la gestion des abonnements.

## Solutions

- [Chatbot IA pour site web](https://heeya.fr/solutions/chatbot): Déployer un chatbot personnalisé sur votre site. Configuration en 5 minutes, widget JS intégrable sur tout CMS.
- [Expertise RAG](https://heeya.fr/solutions/expertise-rag): Architecture RAG complète : ingestion de documents, embedding, recherche vectorielle, génération augmentée. Cas d'usage entreprise.

## Tarifs

- [Forfaits Heeya](https://heeya.fr/tarifs): Plans Free, Pro et Enterprise. Comparatif des fonctionnalités et limites de chaque offre. Facturation mensuelle ou annuelle.

## Documentation et guides

- [Qu'est-ce que le RAG ? Guide complet en français](https://heeya.fr/blog/qu-est-ce-que-le-rag-guide-francais): Définition, architecture, et cas d'usage du Retrieval-Augmented Generation pour les entreprises.
- [ChatGPT vs Chatbot RAG personnalisé](https://heeya.fr/blog/chatgpt-vs-chatbot-rag-personnalise-entreprise): Comparatif technique et économique pour choisir la bonne solution selon votre contexte.
- [RAG agentique : guide de mise en place](https://heeya.fr/blog/rag-agentique-guide-mise-en-place-entreprise): Architectures RAG avancées avec agents IA autonomes. Exemples d'implémentation en entreprise.
- [GEO : être visible dans ChatGPT et Perplexity](https://heeya.fr/blog/geo-generative-engine-optimization-visibilite-ia-2026): Guide Generative Engine Optimization pour maximiser la citation de votre contenu par les moteurs IA.
- [llms.txt : guide complet 2026](https://heeya.fr/blog/llms-txt-guide-complet-2026): Ce fichier, son format, son adoption réelle et comment l'implémenter pour un SaaS.

## Optional

- [Mentions légales](https://heeya.fr/mentions-legales)
- [Politique de confidentialité](https://heeya.fr/confidentialite)
- [CGU](https://heeya.fr/cgu)

Étape 4 — Déployer le fichier

Le fichier doit être servi en texte brut (Content-Type: text/plain ou text/markdown) à l'URL /llms.txt. Selon votre stack :

• Site statique (Astro, Next.js, Hugo) : placez le fichier dans le dossier public/ ou static/. Il sera servi automatiquement.
• FastAPI / Python : ajoutez une route GET /llms.txt qui retourne le contenu avec le bon Content-Type, ou montez le fichier comme asset statique.
• WordPress : le plugin "Website LLMs.txt" (30 000+ installations actives en 2026) génère le fichier automatiquement depuis votre contenu.
• Nginx : placez le fichier dans votre root et vérifiez que le type MIME est correct dans mime.types.

Vérifiez ensuite que l'URL est accessible publiquement : curl -I https://votredomaine.com/llms.txt doit retourner un 200 OK.

Étape 5 — Référencer llms.txt depuis votre site

La spécification recommande d'ajouter une balise <link> dans le <head> de votre site pour signaler l'existence du fichier :

<link rel="llms-txt" href="/llms.txt" type="text/plain" />

Ce n'est pas encore standardisé côté navigateurs ou moteurs, mais c'est une bonne pratique qui anticipe l'évolution du standard.

Bonnes pratiques 2026 : quoi inclure, quoi exclure

Ce qu'il faut inclure

• Vos pages à forte valeur ajoutée : solutions, fonctionnalités clés, guides piliers, études de cas.
• Des descriptions précises : le résumé doit répondre à "qu'est-ce que je vais trouver sur cette page ?" en une phrase.
• Votre page tarifaire : c'est souvent la première chose qu'un LLM cherche quand un utilisateur demande "combien coûte [votre produit]".
• Votre documentation API si elle est publique : les développeurs utilisent massivement des outils IA (Cursor, Copilot) qui liront ce fichier.
• Un blockquote de description clair sur votre activité, votre cible et votre différenciation.

Ce qu'il faut exclure

• Les pages techniques sans valeur informationnelle : pages de connexion, de paiement, de redirection, d'administration.
• Les pages génériques : votre page "contact" seule n'apprend rien à un LLM sur votre activité.
• Les pages à contenu mince : si une page n'apporterait rien à un LLM, ne la listez pas.
• Des informations confidentielles : llms.txt est public et indexable. N'y mettez rien que vous ne voudriez pas voir apparaître dans une réponse IA.
• Des centaines d'URLs : la valeur de ce fichier est dans la curation. Un fichier de 300 liens n'est pas plus utile qu'un sitemap.xml et est beaucoup moins lisible.

Maintien dans le temps

Prévoyez une revue trimestrielle. Chaque nouveau contenu pilier ou nouvelle fonctionnalité majeure mérite d'être ajouté. Les URLs mortes (301 ou 404) doivent être supprimées ou mises à jour.

Qui lit réellement llms.txt ? L'adoption honnête en 2026

C'est la question que tout le monde pose, et à laquelle trop d'articles répondent de façon trop optimiste. Voici les faits documentés à date.

Les grands moteurs IA ne le lisent pas systématiquement

En avril 2026, aucun des grands acteurs n'a confirmé une intégration systématique de llms.txt dans son pipeline de crawl ou d'inférence :

• OpenAI (ChatGPT / GPTBot) : aucune annonce officielle de support de llms.txt.
• Google (Gemini / Googlebot) : John Mueller a déclaré publiquement que "no AI system currently uses llms.txt". Google AI Overviews s'appuie sur son pipeline d'indexation classique.
• Anthropic (Claude / ClaudeBot) : Anthropic publie son propre llms-full.txt sur sa documentation, ce qui valide l'intérêt du format. Mais Claude ne lit pas automatiquement le llms.txt des sites qu'il consulte en recherche web — du moins pas de façon documentée.
• Perplexity (PerplexityBot) : aucune confirmation officielle de lecture de llms.txt dans son pipeline.
• Mistral : Le Monde Informatique et d'autres sources européennes ont signalé un intérêt pour le standard, sans annonce formelle d'implémentation.

Ce que l'on observe dans les logs serveur correspond majoritairement à des navigations ponctuelles en temps réel — un utilisateur qui demande à Claude ou Perplexity de "lire le llms.txt de tel site", pas une intégration automatique dans le pipeline de ces moteurs.

Les outils développeurs, eux, le lisent activement

C'est là que l'adoption est réelle et documentée :

• Cursor (IDE IA) : lit explicitement les fichiers llms.txt et llms-full.txt pour contextualiser l'assistance au code.
• Continue (extension VS Code / JetBrains) : même comportement.
• Aider (outil CLI IA pour le code) : supporte llms.txt nativement.
• Frameworks RAG (LangChain, LlamaIndex, etc.) : des connecteurs permettent d'ingérer llms.txt comme source d'index dans un pipeline RAG.

Conséquence directe : si vos clients ou prospects sont des développeurs qui utilisent ces outils, votre llms.txt a une valeur immédiate et concrète. Si votre cible est uniquement des utilisateurs finaux de ChatGPT ou Gemini, l'impact est aujourd'hui plus limité — et incertain.

La projection raisonnable

Le standard gagne en légitimité. Anthropic publie le sien, des frameworks populaires l'intègrent, une communauté de contributeurs maintient la spécification. L'analogie avec robots.txt est pertinente : ce dernier n'était pas non plus respecté par tous les crawlers immédiatement après sa création. Implémenter llms.txt aujourd'hui, c'est anticiper — pas capitaliser sur un levier qui fonctionne déjà à grande échelle.

La bonne attitude : l'implémenter si votre cible inclut des développeurs, si vous publiez une documentation technique, ou si le coût de création est faible pour vous. Et le maintenir à jour pour être prêt quand l'adoption s'accélère.

Cas d'usage SaaS B2B : pourquoi c'est pertinent maintenant

Au-delà de la question de l'adoption par les moteurs grand public, llms.txt présente des cas d'usage SaaS B2B concrets dès aujourd'hui.

1. Les prospects qui font leur due diligence avec une IA

Un nombre croissant d'acheteurs B2B utilisent Claude ou ChatGPT en mode "recherche" pour comparer des solutions avant un achat. Ils demandent : "Explique-moi ce que fait Heeya et comment ça se compare à [concurrent]." Si le modèle consulte votre site en temps réel, un llms.txt clair lui permet de construire une réponse fidèle à votre positionnement — plutôt qu'une synthèse approximative de pages HTML mal structurées.

2. Les développeurs qui intègrent votre API

Si vous exposez une API publique, vos utilisateurs développeurs travaillent avec Cursor, Copilot ou Aider. Ces outils lisent llms.txt pour comprendre votre surface d'API. Un fichier bien construit qui pointe vers votre documentation de référence, vos guides d'intégration et vos exemples de code réduit directement le temps d'onboarding technique. C'est du support client préventif.

3. La cohérence de votre "knowledge graph" IA

Les grands modèles de langage construisent une représentation de votre marque à partir de tout ce qu'ils ont ingéré. Un llms.txt bien rédigé est une source structurée qui alimente cette représentation. Il ne garantit pas ce que le modèle dira de vous, mais il augmente la probabilité que les informations clés (ce que vous faites, pour qui, à quel prix) soient disponibles et correctement articulées.

4. Les pipelines RAG internes

Si vos propres équipes utilisent un outil RAG interne pour travailler avec votre base de connaissances — votre documentation produit, vos guides commerciaux, vos fiches techniques — un llms.txt sur votre site public leur donne un point d'entrée propre pour l'ingestion. Vos agents RAG internes peuvent alors accéder à votre contenu public de façon structurée, sans avoir à décoder du HTML.

llms.txt + RAG côté éditeur : le lien avec votre chatbot

Il y a un lien direct entre la logique de llms.txt et ce que fait un système RAG côté éditeur — et c'est un angle que peu de guides explorent.

llms.txt comme source d'ingestion pour votre propre chatbot

Si vous déployez un chatbot RAG sur votre site, vous avez besoin d'une liste de vos pages importantes avec leurs descriptions — exactement ce que contient llms.txt. En pratique, votre llms.txt peut servir de fichier source pour votre pipeline d'ingestion : le système parse les URLs et les descriptions, crawle les pages correspondantes, les chunk et les indexe dans votre base vectorielle. Une mise à jour de llms.txt déclenche une mise à jour de la base de connaissances du chatbot.

C'est une économie de conception : vous maintenez une seule liste canonique de vos ressources importantes, qui sert à la fois aux LLM externes et à votre propre chatbot interne. Deux usages, un seul fichier à maintenir.

La base de connaissances RAG comme meilleur llms-full.txt

Inversement, si vous publiez votre base de connaissances en accès public (ce que font certains SaaS pour leur documentation), son contenu est structuré, factuel, et dense en expertise — c'est exactement ce qu'un llms-full.txt devrait contenir. Les deux artefacts se rejoignent : une bonne base de connaissances RAG est un excellent matériau pour construire un llms-full.txt.

Ce double usage — alimenter votre chatbot et signaler votre expertise aux LLM externes — est l'un des arguments les plus solides pour investir dans une base de connaissances structurée. Notre guide sur le RAG explique comment construire cette architecture, et notre comparatif ChatGPT vs chatbot RAG aide à choisir le bon modèle pour votre contexte.

FAQ — llms.txt

Pour aller plus loin

• GEO : comment être visible dans ChatGPT et Perplexity en 2026
• Qu'est-ce que le RAG ? Le guide complet en français
• ChatGPT vs Chatbot RAG personnalisé : quelle solution pour votre entreprise ?
• RAG agentique : guide de mise en place en entreprise
• Notre expertise RAG — architecture et mise en place
• Déployer un chatbot IA sur votre site avec Heeya