De waarheid over LLMs.txt: Overgewaardeerd of essentieel?

De realiteitstoets: Wat LLMs.txt werkelijk is

LLMs.txt is een platte tekstbestand geplaatst op domein.nl/llms.txt dat als gecureerde gids dient voor AI-systemen om je hoogste kwaliteit content te ontdekken. Het verschilt fundamenteel van robots.txt—waar robots.txt bepaalt of AI-crawlers toegang hebben tot je site, werkt LLMs.txt op inference-time toegang, zodat AI-systemen begrijpen welke pagina’s voorrang verdienen bij het genereren van antwoorden. Zie het minder als een verkeersregelaar en meer als een schatkaart: het voorkomt geen verkenning, het benadrukt alleen waar de echte waarde ligt. Het formaat is verfrissend eenvoudig—platte markdown zonder complexe syntaxis—en dus toegankelijk voor elke organisatie, ongeacht technische kennis. Dit onderscheid is belangrijk omdat het het hele gesprek opnieuw kadert: LLMs.txt draait niet om het controleren van crawling; het gaat om optimaliseren hoe AI-systemen je AI-leesbare content interpreteren en prioriteren zodra ze je al gevonden hebben.

De adoptiewerkelijkheid: Wie gebruikt het nu echt

De cijfers wijzen op echte tractie: meer dan 844.000 websites hebben LLMs.txt geïmplementeerd in oktober 2025, met adoptie geconcentreerd bij bedrijven die AI als essentieel voor hun toekomst beschouwen. Grote spelers als Anthropic, Cloudflare, Stripe, Vercel en Supabase hebben de standaard allemaal ingevoerd, wat aangeeft dat serieuze infrastructuurbedrijven waarde zien in het experiment. De beslissing van Mintlify om in november 2024 automatische generatie mogelijk te maken voor duizenden documentatiesites zorgde voor een aanzienlijke adoptiepiek, wat aantoont dat toolingondersteuning implementatie kan versnellen. Drie communitydirectories volgen nu implementaties, met meer dan 788 geverifieerde sites die erin zijn opgenomen. Het adoptiepatroon laat echter iets belangrijks zien: implementatie is sterk geconcentreerd in ontwikkelaarstools en documentatieplatforms—precies de sectoren die het meest waarschijnlijk profiteren van AI-zichtbaarheid. Zo ziet het adoptielandschap er daadwerkelijk uit:

De ongemakkelijke waarheid: AI-platforms ondersteunen het niet officieel

Hier wordt het scepticisme gerechtvaardigd: GEEN ENKEL groot AI-platform heeft officieel bevestigd dat ze LLMs.txt gebruiken in hun retrievalsystemen. Google’s John Mueller zei het duidelijk: “Geen enkel AI-systeem gebruikt momenteel llms.txt,” een opmerking die het gesprek had moeten beëindigen, maar dat niet deed. OpenAI, Anthropic, Google, Microsoft en Perplexity hebben allemaal strategisch gezwegen over het onderwerp—geen officiële documentatie, geen bevestiging van gebruik, geen openbare roadmaps. Er zijn aanwijzingen dat sommige platforms de bestanden crawlen (Microsoft- en OpenAI-bots zijn waargenomen bij het ophalen van LLMs.txt-bestanden), maar crawlen en daadwerkelijk gebruiken zijn totaal verschillende dingen. De optimistische interpretatie suggereert dat platforms het stilletjes testen voordat ze zich publiekelijk committeren; de sceptische interpretatie suggereert dat ze het nooit zullen adopteren omdat het geen probleem oplost dat ze daadwerkelijk hebben. Deze stilte is de kern van het “overgewaardeerd”-argument: 18 maanden na het voorstel is er wijdverspreide implementatie maar geen enkele officiële platformadoptie. Dat is geen standaard—dat is hoop.

Het standpunt van de sceptici: Waarom critici het verspilling vinden

Het sceptische standpunt rust op een eenvoudige basis: er is geen bewezen bewijs dat LLMs.txt AI-retrieval verbetert, verkeer vergroot of contentzichtbaarheid verhoogt. Het vertrouwensprobleem zit dieper—door een apart bestand te creëren dat andere content kan bevatten dan je HTML, maak je manipulatie mogelijk. Onderzoek naar LLM-gedrag laat zien dat ze 2,5 keer vaker content aanbevelen die specifiek is uitgelicht of getarget, wat duidelijke prikkels tot gaming creëert. Een organisatie zou theoretisch hun best presterende content in LLMs.txt kunnen zetten terwijl zwakkere pagina’s verborgen blijven, of erger nog, content in LLMs.txt opnemen die niet eens op hun site staat. SEO-toolverkopers hebben de druk opgevoerd door het ontbreken van LLMs.txt-bestanden als optimalisatiemogelijkheid te markeren—Rank Math, SEMrush en anderen hebben een zelfvervullende cyclus gecreëerd waarin sites de standaard implementeren niet omdat het werkt, maar omdat tools zeggen dat ze iets missen. Dit is het echte probleem: 18 maanden implementatiedruk zonder één gedocumenteerd geval van meetbare waarde. Het is het digitale equivalent van iedereen die een lot koopt omdat het loterijbedrijf blijft adverteren.

Het tegenargument van voorstanders: Logica van toekomstbestendigheid

Het pro-LLMs.txt-kamp voert een heel ander argument, gebaseerd op onvermijdelijke verandering in plaats van huidig bewijs. Carolyn Shelby van Yoast verwoordde het perfect: “Rangschikken is niet langer de prijs—inclusie is dat wel.” Windsurf, een AI-code-editor, meldde dat LLMs.txt daadwerkelijk tijd en tokens bespaart bij het parsen van documentatie, wat wijst op echte efficiëntiewinst voor AI-systemen die het wel gebruiken. Anthropic vroeg Mintlify specifiek om LLMs.txt te implementeren voor hun documentatie, wat op interne waarde wijst, ook al bevestigen ze het niet publiekelijk. Google nam LLMs.txt op in hun A2A (Agents to Agents) protocol, wat suggereert dat het bedrijf het ziet als onderdeel van toekomstige infrastructuur voor AI-naar-AI-communicatie. Implementatie duurt 1-4 uur zonder aangetoond nadeel—je breekt niets, schaadt SEO niet, je creëert slechts een bestand. Jeremy Howard’s observatie raakt de kern van de logica van voorstanders: “99,9% van de aandacht zal straks LLM-aandacht zijn, niet menselijke aandacht,” wat betekent dat optimaliseren voor AI-systemen niet optioneel is, maar onvermijdelijk. Springs Apps meldde een stijging van 20% in zoekzichtbaarheid na implementatie, al is dit niet geverifieerd en kan het ook toeval zijn.

Vergelijking met standaarden die wél werkten

Begrijpen waarom LLMs.txt zou kunnen falen, vereist inzicht in waarom andere standaarden slaagden. Robots.txt werkte omdat het wederzijds voordeel met minimale kosten bood en officiële RFC-ondersteuning kreeg (RFC 9309)—zoekmachines wilden efficiënt crawlen, sites wilden crawling reguleren en de oplossing was zo eenvoudig dat adoptie moeiteloos verliep. Schema.org slaagde door ontwikkeling met meerdere partijen, waaronder Google, Microsoft, Yahoo en Yandex vanaf het begin—geen enkel bedrijf kon het opeisen, wat vertrouwen opbouwde. Sitemap.xml kreeg brede platformondersteuning vóór wijdverspreide adoptie, niet erna. LLMs.txt mist al deze succesfactoren: geen W3C-betrokkenheid, geen consortium, geen officiële platformondersteuning en geen aangetoonde waarde in verkeersverbetering, rankingvoordelen of nauwkeurigheid. Wat standaarden echt laat werken is buy-in van meerdere partijen, duidelijke en meetbare voordelen en lage kans op manipulatie. LLMs.txt heeft hoop. Het heeft adoptie onder vroege gelovigen. Het heeft toolingondersteuning. Maar het mist de fundamenten die eerdere standaarden omvormden van experiment naar infrastructuur.

Wat vandaag wél werkt voor AI-zichtbaarheid

Als LLMs.txt onbewezen blijft, wat maakt dan wél verschil voor AI-zichtbaarheid en AI-citaties? Het antwoord is minder exotisch dan een nieuw bestandsformaat:

• Directe antwoorden in je eerste alinea - AI-systemen geven prioriteit aan content die vragen meteen beantwoordt, niet pas verderop in de tekst
• Conversatietaal die natuurlijke vragen volgt - Schrijf zoals mensen echt vragen stellen, niet zoals SEO-zoekwoorden zijn opgebouwd
• Sterke koppen-hiërarchie (H2, H3, H4) - Duidelijke structuur helpt AI-systemen de opbouw van content te begrijpen en relevante secties te extraheren
• Opsommingen en vergelijkende tabellen - Gestructureerde data is makkelijker voor AI-systemen om accuraat te verwerken en te citeren
• Concrete voorbeelden met data en referenties - AI-systemen geven meer waarde aan content met specifieke bewijzen dan aan algemene claims
• Schema-markup implementatie - Gestructureerde data helpt AI-systemen om context en verbanden tussen concepten te begrijpen
• Interne links tussen gerelateerde concepten - Hierdoor begrijpen AI-systemen het ecosysteem van je content en vinden ze gerelateerde informatie
• Recente content met duidelijke tijdsaanduiding - Actualiteitssignalen zijn belangrijk voor AI-systemen bij het beoordelen van bronbetrouwbaarheid
• Gezaghebbende expertise ondersteund door ervaring - AI-systemen herkennen en geven prioriteit aan content van bewezen experts in het vakgebied

Deze tactieken werken omdat ze aansluiten bij hoe AI-systemen daadwerkelijk informatie verwerken, niet omdat ze geoptimaliseerd zijn voor een specifiek bestandsformaat.

De echte verschuiving: Van ranking naar geciteerd worden

Het gesprek rond LLMs.txt weerspiegelt een diepere verschuiving in hoe content online succes behaalt: de convergentie van menselijke UX en AI-optimalisatie. Onderzoek naar Generative Engine Optimization (GEO) toont aan dat de content die wint in AI-gegenereerde antwoorden bepaalde kenmerken deelt—duidelijkheid, structuur, autoriteit en specificiteit. Vercel meldde dat 10% van hun aanmeldingen nu rechtstreeks via ChatGPT-vermeldingen komt in plaats van via traditionele organische zoekresultaten, een cijfer dat vijf jaar geleden nog onmogelijk was. Succes betekent steeds vaker verschijnen in AI-gegenereerde antwoorden, niet alleen ranken in organische resultaten—dat zijn andere optimalisatiedoelen met andere eisen. De toolingwereld is mee veranderd: SEMrush AIO, Profound’s GEO-tracking en Ahrefs Brand Radar monitoren nu AI-zichtbaarheid naast traditionele rankings. De fundamentele verschuiving is deze: geciteerd worden is belangrijker dan gerankt worden, en verwezen worden belangrijker dan geïndexeerd zijn. Deze verschuiving verklaart waarom LLMs.txt tractie kreeg ondanks het ontbreken van officiële ondersteuning—het is een poging om te optimaliseren voor een nieuw aandachtseconomie waarin AI-systemen het primaire distributiekanaal zijn.

Hoe LLMs.txt correct te implementeren

Als je besluit te implementeren, doe het dan goed. Het bestand moet staan op domein.nl/llms.txt (let op: meervoud, niet enkelvoud), geformatteerd als platte tekst-markdown in plaats van XML of JSON. Begin met een H1-kop met je sitenaam, optioneel gevolgd door een blockquote met een samenvatting van het doel van je site. Organiseer content in H2-secties als je verschillende gebieden hebt (Documentatie, Blog, API Reference, enz.), met beschrijvingen van wat elke sectie bevat. Gebruik het format [Titel](URL): Beschrijving voor individuele pagina’s, houd de beschrijvingen kort maar informatief. Wat opnemen: tijdloze content, goed gestructureerde pagina’s en stukken die echte expertise tonen. Wat vermijden: je homepage (meestal niet waardevol los), elke URL op je site (kwaliteit boven kwantiteit), en pagina’s die buiten context niet logisch zijn. Hier is een basisvoorbeeld:

# Bedrijfsnaam

> Korte beschrijving van wat je bedrijf doet en waarom AI-systemen interesse zouden moeten hebben in je content

## Documentatie
[Beginnen](https://example.com/docs/getting-started): Stap-voor-stap gids voor nieuwe gebruikers
[API Referentie](https://example.com/docs/api): Complete API-documentatie met voorbeelden
[Best Practices](https://example.com/docs/best-practices): Bewezen patronen voor het gebruik van ons platform

## Blog
[Waarom we dit gebouwd hebben](https://example.com/blog/why-we-built-this): Het probleem dat we oplosten en hoe

Je kunt optioneel een sectie toevoegen voor URL’s om over te slaan als kortere context nodig is, hoewel de meeste implementaties dit detailniveau niet vereisen.

De bottom line: Moet je het implementeren?

Ja, je moet LLMs.txt implementeren. Niet omdat bewezen is dat het werkt, maar omdat het nadeel nul is en het potentiële voordeel echt. Als AI-platforms het nooit officieel adopteren, blijft het bestand gewoon onschadelijk op je server staan—geen SEO-straf, geen verkeersverlies, geen gebroken functionaliteit. Implementatie duurt ongeveer 10 minuten voor een kleine site en wellicht een uur voor grotere sites. Ondertussen versnipperen bezoekers over meerdere AI-systemen: ChatGPT, Perplexity, Claude en opkomende concurrenten verwerken samen honderden miljoenen zoekopdrachten per maand. Je bent nu al zichtbaar voor AI-systemen—LLMs.txt helpt ze gewoon je beste content te vinden in plaats van willekeurige pagina’s. Zelfs als LLMs.txt nooit een officiële standaard wordt, train je AI-systemen om je site-structuur en prioriteiten beter te begrijpen, wat altijd waarde heeft. Het echte inzicht is: spreid gratis je kansen. Implementeer de standaard, optimaliseer je content voor AI-zichtbaarheid met bewezen tactieken en monitor wat daadwerkelijk verkeer oplevert uit AI-systemen. Over 12 maanden heb je échte data over het belang van LLMs.txt voor jouw bedrijf—en dat is oneindig veel waardevoller dan speculatie.