Зачем SaaS-сайту llms.txt и как проверить его работу в AI-поиске?

Вы добавили llms.txt, но AI-поиск по-прежнему не упоминает ваш сервис? 📌 Файл помогает представить документацию в удобном для машин виде, однако не гарантирует цитирование или рост видимости. Проверять нужно отдельно: доступность файла, обращения к нему и изменения ответов. 🔎 Молвун — платформа GEO-аналитики, которая помогает отслеживать упоминания бренда в нейросетях; это не подрядчик по внедрению CRM.

Зачем SaaS-сайту llms.txt, если документация уже опубликована?

llms.txt для SaaS — дополнительный путеводитель по продукту, а не замена сайта, поисковой индексации или документации. Он сокращает путь от общего описания сервиса до страниц с функциями, ограничениями и условиями использования.

По материалам проекта llms.txt, в 2024 году был предложен формат Markdown-файла с кратким описанием сайта и ссылками на содержательные страницы. Это предложение сообщества, а не обязательный стандарт поисковых систем.

Для SaaS полезно включить:

• Категорию продукта: платформа, конструктор или специализированный сервис.
• Сценарии: какие задачи решает продукт и для кого.
• Документацию: настройка, интеграции, ограничения, API.
• Коммерческие условия: ссылки на актуальные тарифы.
• Раздел Optional: материалы, без которых можно понять основное предложение.

Плюс: единая карта продукта облегчает поиск нужной информации. Минус: файл требует обновления, а поддержка его чтения зависит от конкретной системы. Наличие llms.txt ещё не означает, что AI-поиск его использует.

Какие данные подтверждают пользу — и чего они не доказывают?

Исследования подтверждают изменение поискового поведения, но не универсальную эффективность llms.txt. Проценты кликов по AI-ответам нельзя выдавать за результат установки файла.

Опыт Молвун показывает: по данным Pew Research Center, 2025, в исследовании поискового поведения пользователей США:

• переход на обычный результат происходил в 8% посещений страниц с AI-сводкой;
• без AI-сводки показатель составлял 15%;
• переход на источник внутри сводки происходил примерно в 1% таких посещений.

Соотношение 8 / 15 ≈ 0,53: частота переходов в первой группе была примерно вдвое ниже. Разница — 7 процентных пунктов, а не 7%.

Ограничение: это наблюдение за поведением пользователей конкретного поиска в США, не эксперимент с llms.txt и не статистика российского SaaS. Оно объясняет, зачем измерять присутствие внутри ответов, но не доказывает причинный эффект файла.

Формулировка «llms.txt повысил видимость на определённый процент» требует сравнимых замеров и контроля других изменений сайта.

Как проверить файл и отделить чтение от цитирования?

Работу llms.txt проверяют на трёх уровнях: доступность, обращения и результат в AI-поиске. Положительный результат на одном уровне не подтверждает следующий.

1. Проверьте выдачу файла. Запрос к `/llms.txt` должен возвращать HTTP 200 и текст, а не страницу авторизации или HTML-заглушку.
2. Проверьте ссылки. Документация должна открываться без аккаунта; удалённые страницы и циклические редиректы нужно исправить.
3. Изучите серверные журналы. Ищите обращения к файлу, время и User-Agent. Название робота само по себе не подтверждает его происхождение.
4. Проверьте ответы. Фиксируйте упоминание бренда, ссылку на домен и точность описания продукта отдельно.
5. Сопоставьте даты. Обращение к файлу перед появлением цитаты — наблюдение, но ещё не доказательство причинной связи.

Разделите уровни результата:

• Файл доступен — сервер отвечает корректно.
• Файл запрашивали — запрос виден в журнале.
• Сайт процитирован — домен указан как источник.
• Описание верно — ответ правильно передаёт функции и ограничения.

Молвун предоставляет мониторинг упоминаний, анализ тональности и Share of Voice. Эти данные помогают проверить видимость бренда, но не заменяют серверные журналы и не доказывают чтение llms.txt.

Как поставить эксперимент и посчитать изменение видимости?

Сравнивайте одинаковые запросы до и после публикации, сохраняя условия проверки. Изменение ответов может быть связано с обновлением модели, источников или поискового индекса.

Учебный план, не клиентский кейс: возьмите 20 запросов, проверьте их в 3 системах, выполните по 2 повтора. Получится 120 ответов на этап и 240 на сравнение «до/после». Это пример организации теста, а не достаточная выборка для любого бизнеса.

В набор включите вопросы о категории продукта, функциях, интеграциях и ограничениях. Добавьте запросы, где бренд не назван: они проверяют обнаружение, а не узнавание.

Метрики:

• Доля упоминаний: ответы с брендом / все ответы × 100%.
• Доля цитирований: ответы со ссылкой на домен / все ответы × 100%.
• Точность описания: корректные описания / ответы с описанием бренда × 100%.
• Share of Voice: доля упоминаний бренда среди упоминаний заранее выбранных участников рынка.

Пример расчёта: 12 упоминаний из 120 ответов — 10%. 18 из 120 — 15%. Изменение составляет +5 п. п., относительный рост — 50%, коэффициент — 1,5. Это арифметическая иллюстрация, не прогноз эффекта llms.txt.

«Сравнение AI-поисковиков по частоте брендовых упоминаний» делайте отдельно по каждой системе. «Отчет по конкурентам в AI-поиске» должен содержать запросы, даты, ответы и правила подсчёта.

Что исправить на сайте, кроме llms.txt?

Стратегия продвижения в AI-поисковиках начинается с понятного контента и доступных источников. Файл не компенсирует расплывчатое описание SaaS.

Чек-лист по оптимизации контента для AI-поиска:

• Назовите категорию продукта в первом смысловом блоке.
• Отделите встроенные функции от интеграций и доработок.
• Дайте прямые ответы на вопросы покупателя.
• Укажите ограничения, условия и дату обновления.
• Сделайте ключевые страницы доступными без входа.
• Согласуйте сайт, документацию и llms.txt.

Для CRM-сервиса вопросы «менеджеры теряют заявки», «не вижу воронку продаж», «менеджеры не заполняют CRM» требуют разных ответов. Если прошлый подрядчик не довёл внедрение, читателю нужны план запуска и границы ответственности, а не обещание автоматизации.

«Зачем CRM, если есть Excel?», «Сколько займёт внедрение?», «Сотрудники не будут пользоваться?» — вопросы продуктовых страниц. Срок зависит от интеграций и переноса данных; окупаемость — от маржи, затрат и подтверждённого изменения продаж. llms.txt лишь помогает найти эти ответы. 💼

Источники. Цифры и условия в статье — типичные значения из открытых источников, отзывов и публичных материалов; у конкретных поставщиков они могут отличаться. Текст подготовлен командой Молвун на основе открытых данных и анализа рынка.