De waarheid over LLMs.txt: Overhyped of essentieel?

LLMs.txt is een plat tekstbestand dat geplaatst wordt op domain.com/llms.txt, en alleen al op basis van adoptiecijfers lijkt het een doorslaand succes — honderdduizenden sites hebben er in nauwelijks twee jaar tijd een toegevoegd. Maar adoptie is geen bewijs, en dit artikel is de bewijscheck: welke data bestaat er daadwerkelijk, welke platforms hebben bevestigd (en welke niet), en of het geheel een slimme hedge is of hype verkleed als infrastructuur. Als u eerst de techniek wilt weten — de exacte specificatie, syntax en hoe u er een schrijft — lees dan onze begeleidende gids, LLMs.txt: What It Is, Does It Work, and Should You Use It? . Hier stellen we een scherpere vraag: is er bewijs dat dit bestand verandert wat AI-systemen citeren, en moet u een formaat vertrouwen dat inhoud kan vermelden die niet overeenkomt met wat er werkelijk op uw live pagina’s staat?

De adoptiecijfers: 844.000+ sites en tellende

De cijfers suggereren echte tractie: 844.000+ websites hebben LLMs.txt geïmplementeerd per oktober 2025, waarbij de adoptie geconcentreerd is bij bedrijven die de rol van AI in hun toekomst begrijpen. Grote spelers waaronder Anthropic, Cloudflare, Stripe, Vercel en Supabase hebben allemaal de standaard geïmplementeerd, wat aangeeft dat serieuze infrastructuurbedrijven waarde zien in het experiment. Mintlify’s beslissing om in november 2024 automatische generatie voor duizenden documentatiesites mogelijk te maken, zorgde voor een significante adoptiepiek, wat aantoont dat tooling-ondersteuning de implementatie kan versnellen. Drie community-directories houden nu implementaties bij, met 788+ geverifieerde sites gedocumenteerd verspreid over deze directories. Het adoptiepatroon onthult echter iets belangrijks: implementatie is sterk geconcentreerd in ontwikkeltools en documentatieplatforms — precies de sectoren die het meest waarschijnlijk profiteren van AI-zichtbaarheid. Dit is hoe het adoptielandschap er daadwerkelijk uitziet:

De oncomfortabele waarheid: Geen enkel groot AI-platform bevestigt het gebruik ervan

Hier wordt de scepsis gerechtvaardigd: GEEN enkel groot AI-platform heeft officieel bevestigd LLMs.txt te gebruiken in hun retrievalsystemen. Google’s John Mueller stelde ronduit: “Geen enkel AI-systeem gebruikt momenteel llms.txt,” een opmerking die het gesprek had moeten beëindigen maar dat om de een of andere reden niet deed. OpenAI, Anthropic, Google, Microsoft en Perplexity hebben allemaal strategische stilte bewaard over het onderwerp — geen officiële documentatie, geen bevestiging van gebruik, geen openbare roadmaps. Er is bewijs dat sommige platforms de bestanden crawlen (Microsoft- en OpenAI-bots zijn waargenomen bij het ophalen van LLMs.txt-bestanden), maar crawlen en daadwerkelijk gebruik zijn totaal verschillende dingen. De optimistische interpretatie suggereert dat platforms stilletjes testen voordat ze publieke toezeggingen doen; 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 “overhyped”-argument: 18 maanden nadat het voorstel tractie kreeg, hebben we brede implementatie maar nul officiële platformadoptie. Dat is geen standaard — dat is een hoop.

Ready to Monitor Your AI Visibility?

Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.

Aan de slag Contact

Het sceptische standpunt: Waarom critici het theater noemen

Het sceptische standpunt rust op een eenvoudige basis: er is geen bewezen bewijs dat LLMs.txt de AI-retrieval verbetert, verkeer verhoogt of de contentzichtbaarheid vergroot. Het vertrouwensprobleem gaat dieper — door een apart bestand te maken dat formuleringen kan bevatten die niemand dubbelcheckt tegen de live pagina, maakt u in feite manipulatie mogelijk. Onderzoek naar LLM-gedrag toont aan dat ze 2,5x vaker content aanbevelen die specifiek is benadrukt of getarget, wat voor de hand liggende prikkels voor misbruik creëert. Een organisatie zou theoretisch LLMs.txt kunnen vullen met beschrijvingen van hun best presterende content terwijl ze zwakkere pagina’s stilzwijgend weglaten, of erger nog, content beschrijven die niet weerspiegelt wat er werkelijk op de pagina staat. SEO-toolleveranciers hebben de druk opgevoerd door ontbrekende LLMs.txt-bestanden te markeren als optimalisatiemogelijkheden — Rank Math, SEMrush en anderen hebben een self-fulfilling cycle gecreëerd waarin sites de standaard implementeren niet omdat het werkt, maar omdat tools hen vertellen dat ze iets missen. Dit is het echte probleem: 18 maanden implementatiedruk zonder een enkel gedocumenteerd geval van meetbare waarde. Het is het digitale equivalent van iedereen die een lot koopt omdat de loterijmaatschappij blijft adverteren.

Het tegenargument van voorstanders: Toekomstbestendigingslogica

De pro-LLMs.txt-aanhangers maken een heel ander argument, een die geworteld is in onvermijdelijke verandering in plaats van huidig bewijs. Carolyn Shelby van Yoast verwoordde het perfect: “Ranking is niet langer de prijs — inclusie is dat.” Windsurf, een AI-code-editor, meldde dat LLMs.txt betekenisvolle tijd en tokens bespaart bij het verwerken van documentatie, wat wijst op echte efficiëntiewinsten voor AI-systemen die het wel gebruiken. Anthropic verzocht Mintlify specifiek om LLMs.txt te implementeren voor hun documentatie, wat impliceert dat er interne waarde is, zelfs als ze het niet publiekelijk bevestigen. Google nam LLMs.txt op in hun A2A (Agents to Agents)-protocol, wat suggereert dat het bedrijf het ziet als onderdeel van de toekomstige infrastructuur voor AI-naar-AI-communicatie. Jeremy Howard’s observatie raakt de kern van de logica van voorstanders: “99,9% van de aandacht zal binnenkort LLM-aandacht zijn, niet menselijke aandacht,” wat betekent dat optimaliseren voor AI-systemen niet optioneel is, maar onvermijdelijk. Springs Apps meldde een toename van 20% in zoekzichtbaarheid na implementatie, hoewel dit onbevestigd blijft en correlatie in plaats van causaliteit zou kunnen weerspiegelen.

Stay Updated on AI Visibility Trends

Get the latest insights on AI mentions, brand monitoring, and optimization strategies.

Email address

Subscribe

Waarom Robots.txt en Schema.org slaagden (en LLMs.txt nog niet)

Begrijpen waarom LLMs.txt zou kunnen falen, vereist onderzoek naar waarom andere standaarden slaagden. Robots.txt werkte omdat het wederzijds voordeel creëerde met minimale kosten en officiële RFC-ondersteuning kreeg (RFC 9309) — zoekmachines wilden efficiënt crawlen, sites wilden crawlcontrole, en de oplossing was eenvoudig genoeg zodat adoptie wrijvingsloos was. Schema.org slaagde door multi-stakeholderontwikkeling waarbij Google, Microsoft, Yahoo en Yandex vanaf het begin betrokken waren — geen enkel bedrijf kon eigendom claimen, wat vertrouwen opbouwde. Sitemap.xml bereikte brede platformondersteuning vóór wijdverspreide adoptie, niet erna. LLMs.txt mist alle drie deze succesfactoren: geen W3C-betrokkenheid, geen consortiumsteun, geen officiële platformondersteuning en geen aangetoonde waarde in verkeersverbeteringen, rankingvoordelen of nauwkeurigheidswinst. Wat standaarden daadwerkelijk laat werken, is multi-stakeholder buy-in, duidelijke en meetbare voordelen en een laag manipulatiepotentieel. LLMs.txt heeft hoop. Het heeft adoptie onder vroege gelovigen. Het heeft tooling-ondersteuning. Maar het heeft niet de fundamentele elementen die eerdere standaarden transformeerden van experimenten naar infrastructuur.

Wat werkelijk het verschil maakt voor AI-zichtbaarheid vandaag

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

• Directe antwoorden in uw eerste alinea - AI-systemen geven prioriteit aan content die vragen onmiddellijk beantwoordt in plaats van antwoorden in hoofdtekst te begraven
• Conversationele taal die aansluit bij natuurlijke zoekopdrachten - Schrijf zoals mensen daadwerkelijk vragen stellen, niet zoals SEO-trefwoorden zijn gestructureerd
• Sterke koppenhiërarchieën (H2, H3, H4) - Duidelijke structuur helpt AI-systemen contentorganisatie te begrijpen en relevante secties te extraheren
• Opsommingslijsten en vergelijkingstabellen - Gestructureerde data is gemakkelijker voor AI-systemen om te parsen en nauwkeurig te refereren
• Concrete voorbeelden met data en citaties - AI-systemen wegen content onderbouwd met specifiek bewijs zwaarder dan algemene beweringen
• Schema-markup-implementatie - Gestructureerde data helpt AI-systemen context en relaties tussen concepten te begrijpen
• Interne links die gerelateerde concepten verbinden - Helpt AI-systemen uw contentecosysteem te begrijpen en gerelateerde informatie te vinden
• Nieuwe content met duidelijke tijdstempels - Recentheidssignalen zijn belangrijk voor AI-systemen bij het evalueren van bronbetrouwbaarheid
• Gezaghebbende expertise onderbouwd met ervaring - AI-systemen herkennen en prioriteren content van aangetoonde experts in het veld

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

De echte verschuiving: Van ranken naar geciteerd worden

Het gesprek rond LLMs.txt weerspiegelt een diepere verschuiving in hoe content online succesvol is: 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 specifieke kenmerken deelt — duidelijkheid, structuur, autoriteit en specificiteit. Vercel meldde dat 10% van hun aanmeldingen nu rechtstreeks afkomstig is van ChatGPT-vermeldingen in plaats van traditioneel organisch zoeken, een cijfer dat vijf jaar geleden onmogelijk zou zijn geweest. Succes betekent steeds vaker verschijnen in AI-gegenereerde antwoorden, niet alleen ranken in organische resultaten — dit zijn verschillende optimalisatiedoelen met verschillende vereisten. Het toolinglandschap is geëvolueerd om deze verschuiving te volgen: SEMrush AIO, Profound’s GEO-tracking en Ahrefs Brand Radar monitoren nu AI-zichtbaarheid naast traditionele rankings. De fundamentele herkadering is deze: geciteerd worden is belangrijker dan gerankt worden, en gerefereerd worden is belangrijker dan geïndexeerd worden. Deze verschuiving verklaart waarom LLMs.txt tractie kreeg ondanks het ontbreken van officiële ondersteuning — het vertegenwoordigt een poging om te optimaliseren voor een nieuwe aandachtseconomie waarin AI-systemen het primaire distributiekanaal zijn.

Het oordeel: Moet u het implementeren?

Ja, alles bij elkaar genomen — maar niet omdat het bewezen werkt. Het nadeel is vrijwel nul: implementatie duurt ongeveer 10 minuten voor een kleine site en misschien een uur voor grotere eigendommen, en als AI-platforms het nooit officieel adopteren, blijft het bestand gewoon onschadelijk op uw server staan. Wat u ook besluit, het bestand moet ten minste syntactisch geldig zijn om enige kans te maken — AmICited’s Agent Accessibility-audit controleert dat automatisch, zodat u niet hoeft te gissen. Verkeer versnippert over meerdere AI-systemen: ChatGPT, Perplexity, Claude en opkomende concurrenten verwerken gezamenlijk honderden miljoenen zoekopdrachten per maand, en u bent al zichtbaar voor hen, of u dit bestand nu heeft of niet. De eerlijke framing is een hedge, geen strategie: implementeer het als u tien minuten over heeft, steek uw echte inspanning in de bovenstaande contenttactieken en behandel LLMs.txt als één kleine, gratis gok in plaats van het middelpunt van uw AI-zichtbaarheidsplan. Voor de daadwerkelijke specificatie en stapsgewijze bouwinstructies, onze begeleidende gids, LLMs.txt: What It Is, Does It Work, and Should You Use It? , behandelt het volledig.