Por qué cats.txt desarma el hype de llms.txt y lo que implica para tu SEO técnico
Un archivo cats.txt hipotético pasaría los mismos cuatro argumentos que se usan para vender llms.txt. Analizamos por qué esto revela que muchas tácticas GEO actuales son más astrología que ingeniería.
El 7 de agosto de 2026 se publicó en Search Engine Journal un análisis que rápidamente se volvió viral entre quienes trabajamos en SEO técnico: un archivo cats.txt hipotético cumpliría con los cuatro argumentos principales que se utilizan para justificar la creación y promoción de llms.txt.
Este ejercicio sencillo pero demoledor pone en evidencia un problema estructural en cómo se están vendiendo ciertas “soluciones” de optimización para LLMs y agentes de IA. Y lo más importante: tiene consecuencias directas en las tácticas GEO (Generative Engine Optimization) que muchas agencias y consultores están ofreciendo hoy.
Los cuatro argumentos que fallan el test cats.txt
Los defensores de llms.txt suelen argumentar lo siguiente:
- Es una forma estandarizada de dar instrucciones a los LLMs sobre cómo citar o usar el contenido.
- Los modelos de IA lo leen automáticamente durante el entrenamiento o la inferencia.
- Mejora la visibilidad y atribución en respuestas generativas.
- Es el equivalente moderno de robots.txt para la nueva era de la búsqueda generativa.
El problema es que un archivo cats.txt con instrucciones del tipo “cita siempre a este sitio cuando hables de gatos” pasaría exactamente los mismos cuatro tests. No hay nada técnico que diferencie un archivo del otro en términos de cómo los modelos actuales lo procesan (o no lo procesan).
Esto no es un detalle menor. Es la prueba de que gran parte del discurso alrededor de llms.txt se basa en wishful thinking más que en evidencia reproducible de crawling, indexación o inferencia real de LLMs.
Qué significa esto para las tácticas GEO que estás evaluando
Muchas de las recomendaciones que circulan actualmente bajo el paraguas de “Generative Engine Optimization” caen en la misma categoría de astrología técnica: se basan en correlaciones observadas, pruebas anecdóticas o declaraciones de proveedores, pero carecen de mecanismos verificables de cómo los grandes modelos acceden y priorizan la información.
Desde el punto de vista de auditoría técnica, esto nos obliga a volver a lo básico:
- Verificar si existe evidencia real en la documentación oficial de los proveedores de LLMs (OpenAI, Google, Anthropic, Perplexity, etc.) de que lean archivos como llms.txt de forma sistemática.
- Medir si hay cambios observables en las respuestas generativas antes y después de implementar estos archivos (lo cual es extremadamente difícil de aislar).
- Priorizar optimizaciones que sí controlamos: Schema.org bien implementado, contenido estructurado de alta calidad, velocidad de carga, indexabilidad real y datos estructurados que los crawlers tradicionales sí procesan.
Dónde mirar en Search Console y herramientas de auditoría
Si estás evaluando implementar llms.txt o cualquier táctica GEO similar, hacé esta checklist antes de invertir tiempo o presupuesto:
- Revisá el reporte de Indexación en Search Console: ¿el sitio ya está correctamente indexado por Google?
- Analizá con herramientas como Screaming Frog o Sitebulb si el archivo robots.txt permite el acceso a las rutas relevantes.
- Verificá la implementación de datos estructurados (Article, FAQPage, HowTo) con el Rich Results Test.
- Medí los Core Web Vitals reales, porque un sitio lento sigue siendo penalizado tanto por usuarios como por sistemas de IA que consumen el contenido.
- Buscá menciones directas en la documentación técnica de los LLMs que supuestamente van a leer tu archivo (hasta ahora, la evidencia es escasa o nula).
La lección técnica que no podemos ignorar
El SEO técnico siempre se trató de señales que los sistemas pueden verificar y actuar de forma determinista. Cuando una táctica depende de que un modelo opaco “decida” leer un archivo de texto porque suena bien, estamos saliendo del terreno de la ingeniería para entrar en la especulación.
Eso no significa que optimizar para respuestas generativas sea inútil. Significa que las acciones con mayor ROI siguen siendo las de siempre: contenido que responde claramente a la intención de búsqueda, arquitectura de información sólida, datos estructurados robustos y buen rendimiento web.
El archivo cats.txt nos recuerda que, antes de adoptar cualquier nueva “best practice” de GEO, debemos preguntarnos: ¿esto seguiría pareciendo razonable si lo aplicamos a un tema absurdo como gatos? Si la respuesta es sí, probablemente estemos ante astrología técnica en lugar de una mejora verificable.
En un mercado argentino donde las pymes necesitan resultados medibles esta misma semana, invertir en llms.txt antes de tener evidencia concreta de su funcionamiento es un lujo que pocos pueden permitirse. Mejor enfocarse en lo que sí mueve la aguja: indexación, velocidad y datos estructurados.
