Depuis un an, la question revient à peu près une fois par mois en rendez-vous client. « On m’a parlé d’un fichier à mettre à la racine du site pour que ChatGPT nous trouve, il faut le faire ? » La réponse courte tient en un mot, et elle déçoit souvent. Plusieurs sociétés analysent le web à grande échelle. Leurs chiffres vont tous dans le même sens : ce fameux fichier ne produit aucun effet mesurable.
D’où vient ce fichier miracle
Le format s’appelle llms.txt. Jeremy Howard, cofondateur d’Answer.AI, l’a proposé le 3 septembre 2024 sur son blog. L’idée de départ se tient très bien. Une page web moderne contient du menu, des scripts, des bandeaux de cookies et du balisage partout. Un modèle de langage qui veut comprendre un site doit démêler tout ça. D’où l’idée d’un fichier Markdown déposé à la racine du domaine. Il résume la structure du site et pointe vers les contenus importants, dans un format que la machine lit sans effort.
Sur le papier, c’est élégant. Le parallèle avec robots.txt ou avec le sitemap XML a fait le reste : un fichier simple, à la racine, que tout le monde comprend. L’industrie SEO s’en est emparée en quelques semaines, et une bonne partie des agences l’a vendu comme la nouvelle case à cocher pour exister dans les réponses des IA.
Le problème, c’est qu’une proposition n’est pas un standard. Personne ne l’a adoptée côté fournisseurs.
Les logs serveurs racontent une autre histoire
Ahrefs a regardé les choses par le petit bout de la lorgnette, celui des requêtes réellement reçues. Sur un échantillon de 137 000 domaines, environ 38 000 disposaient d’un fichier llms.txt valide. En mai 2026, 97 % de ces fichiers n’avaient reçu aucune requête. Pas une seule. Les fichiers existent, ils sont bien à leur place, et personne ne vient les chercher.
Une étude de SE Ranking portant sur 300 000 domaines, publiée en novembre 2025 et relayée par Search Engine Journal, arrive au même constat par un autre chemin. Un peu plus de 10 % des domaines analysés avaient mis en place le fichier. Les chercheurs ont cherché une corrélation entre sa présence et la fréquence des citations dans les réponses des IA. Ils n’en ont trouvé aucune. Retirer cette variable de leur modèle statistique a même amélioré sa précision.
Du côté des éditeurs de modèles, personne ne s’est engagé. OpenAI renvoie vers robots.txt pour déclarer ce que ses robots ont le droit de parcourir. Google s’appuie sur ses propres directives. John Mueller a comparé publiquement llms.txt aux vieilles balises meta keywords des années 2000. Il suffit de consulter ses logs, ajoutait-il, pour constater que rien ne vient les lire. Anthropic publie un llms.txt sur sa documentation technique, sans déclarer nulle part que son modèle s’en sert pour chercher des informations.
Voilà voilà. Le fichier coûte cinq minutes à générer et ne casse rien, donc autant le laisser à ceux qui y tiennent. Mais le facturer comme une prestation de visibilité IA relève d’autre chose.
Les données structurées ne sauvent pas la mise non plus
La deuxième promesse du moment concerne le balisage Schema.org. Ce bloc JSON-LD, glissé dans le code, décrit un article ou une entreprise dans un vocabulaire normalisé. L’argument semble solide : une machine comprend mieux une information étiquetée qu’un paragraphe en vrac.
Ahrefs a mesuré. L’équipe a suivi 1 885 pages ayant ajouté du JSON-LD entre août 2025 et mars 2026, face à 4 000 pages témoins. Trois terrains d’observation : Google AI Overviews, Google AI Mode et ChatGPT. Résultat : moins 4,6 % de citations sur AI Overviews, plus 2,4 % sur AI Mode, plus 2,2 % sur ChatGPT. Les deux hausses ne sont pas statistiquement significatives, et quatre méthodes d’analyse différentes donnent la même conclusion. Ajouter du balisage à une page déjà visible ne la fait pas citer davantage.
Attention à ne pas en tirer la mauvaise leçon. Les données structurées gardent tout leur intérêt sur la recherche classique, où elles déclenchent les résultats enrichis (étoiles d’avis, fil d’ariane, fiches événement, questions fréquentes dépliables). Sur un site de PME, ce balisage reste un investissement rentable. Simplement, il travaille pour les SERP traditionnelles, pas pour convaincre un modèle génératif de mentionner une marque. Sur les sites que je développe, le thème injecte le JSON-LD dynamiquement. Plus besoin de le ressaisir page après page, et rien ne traîne de périmé.
Ce qui pèse vraiment quand une IA rédige sa réponse
Un modèle qui compose une réponse pioche dans un index de recherche classique, puis va lire quelques pages en direct. Tout ce qui aide un moteur à comprendre une page aide donc aussi la machine qui la résume. Rien de neuf sous le soleil, et c’est plutôt rassurant.
Le premier point concerne le rendu. Un site dont le contenu s’affiche uniquement après exécution de JavaScript prend un risque sérieux, parce que les robots des IA n’exécutent pas tous les scripts. Le texte doit arriver dans le HTML servi par le serveur. Le deuxième point tient à la clarté de la rédaction. Un paragraphe qui répond à une question précise, avec un chiffre daté et une source identifiable, se recopie facilement. Un texte marketing générique n’offre aucune prise.
Le troisième levier échappe largement au site lui-même. Ce qu’on dit d’une entreprise ailleurs (dans la presse locale, sur des annuaires professionnels sérieux, dans des forums métier) construit la réputation que les modèles ont absorbée pendant leur entraînement. Une fiche d’établissement à jour, des mentions cohérentes du nom et de l’adresse, quelques articles bien placés. Le travail paraît moins spectaculaire qu’un fichier magique à la racine. Il dure nettement plus longtemps. Ce sont aussi ces points que je surveille dans un suivi mensuel, parce qu’ils bougent en permanence.
Reste une question ouverte pour les mois qui viennent. Si un éditeur de modèle annonçait demain qu’il lit enfin llms.txt, les 97 % de fichiers dormants se réveilleraient d’un coup. Certains parient là-dessus et gardent le leur à jour, au cas où. Une position défendable, à condition de savoir qu’il s’agit d’un pari et pas d’une optimisation.
