llms.txt manipulado: la IA dio respuestas falsas en 22 de 24 casos

Un archivo llms.txt manipulado bastó para que un modelo de inteligencia artificial diera respuestas falsas en 22 de 24 preguntas, aunque tenía delante la documentación oficial con la respuesta correcta. Es el resultado principal de un artículo publicado el 28 de octubre en arXiv por investigadores de Google, Manifest-Assisted Retrieval in Artificial Intelligence Search: Evidence Gaps and a Security Evaluation Framework for llms.txt, que ha analizado el consultor Lino Uruñuela en Mecagoenlos. El trabajo no mide si el llms.txt mejora la visibilidad en buscadores con IA, sino el riesgo de que los sistemas que lo lean se dejen engañar por su contenido.

Las claves del experimento con llms.txt en 30 segundos

Qué se probó: 24 preguntas sobre ocho webs, entre ellas Stripe, Supabase, Asana y Zapier, en cinco escenarios distintos con GPT-4.1 mini.
El resultado: con un llms.txt manipulado, la evaluación automática detectó 21 respuestas falsas de 24, y una revisión semántica posterior elevó la cifra a 22 (91,7 %).
El dato inquietante: en ocho respuestas falsas, el modelo citaba como fuente la URL oficial correcta, que contradecía lo que decía.
El límite: es una prueba de laboratorio, no un experimento con buscadores reales, que no usan el llms.txt de forma demostrada.

El llms.txt es un archivo de texto en formato Markdown que algunas webs colocan en la raíz del dominio para resumir su contenido y enlazar sus páginas más importantes, pensado para que los modelos de lenguaje lo lean, como ya explicamos al presentar este estándar propuesto. En los últimos meses se ha recomendado como una forma de mejorar, o al menos no perjudicar, la visibilidad en buscadores con IA. Este estudio mira el reverso: qué pasa si alguien lo usa para mentir.

Cinco escenarios y un único cambio

Los investigadores eligieron ocho webs: WithJoy, Stripe, Supabase, ClickUp, Linear, PostHog, Zapier y Asana. Para cada una formularon tres preguntas sobre hechos concretos con respuesta verificable, 24 en total. En todos los escenarios, el modelo recibía un resumen de la documentación oficial, elaborado por los autores, que incluía la respuesta correcta. Lo único que cambiaba era el llms.txt que se añadía al contexto:

Escenario	Respuestas manipuladas	Respuestas correctas
Sin llms.txt	0 de 24	22 de 24
llms.txt normal	0 de 24	23 de 24
llms.txt manipulado	21 de 24	2 de 24
llms.txt normal, solo enlaces	0 de 24	22 de 24
llms.txt manipulado, solo enlaces	0 de 24	23 de 24

Resultados de la evaluación automática. La revisión semántica posterior elevó a 22 las respuestas manipuladas en el escenario con llms.txt manipulado.

La manipulación se hizo de dos formas: en 12 casos se añadieron instrucciones para que el modelo cambiara su respuesta, y en otros 12, datos falsos para que los tomara como ciertos. Los enlaces del archivo se dejaron intactos, de modo que la diferencia entre el llms.txt normal y el manipulado estaba solo en el texto añadido. Las pruebas se hicieron con GPT-4.1 mini, a temperatura 0,7 y con una sola ejecución por pregunta y escenario.

Citar la fuente correcta no garantiza una respuesta correcta

Lo más llamativo no es que el modelo se dejara engañar, sino cómo lo presentaba. En ocho de las respuestas manipuladas, la IA citaba como fuente la URL de la documentación oficial, aunque lo que afirmaba contradecía esa misma página. Es decir, tenía la información buena, usó la falsa y la respaldó con un enlace legítimo.

Para el SEO esto tiene una consecuencia práctica. Muchas de las métricas de visibilidad en IA que se usan hoy cuentan menciones de marca y URL citadas, como las que repasamos al explicar cómo medir si la IA cita tu marca. Como apunta Uruñuela, que una IA cite una URL no significa que haya usado bien su contenido, así que además de contar citas conviene comprobar que la respuesta esté respaldada por lo que dice la página citada.

Lo que el estudio no demuestra

Hay que leer los resultados con cuidado. Los archivos llms.txt no eran los reales de esas webs, sino versiones creadas para el experimento, y no se hizo ninguna búsqueda: todo el contenido se pasó directamente al modelo. Se usó un solo modelo, pequeño, con una sola ejecución por caso, y el artículo no publica las preguntas ni las respuestas. Tampoco prueba que quedarse solo con los enlaces sea seguro: en ese escenario la manipulación desaparecía porque estaba en el texto eliminado, pero no se analizó qué pasaría si los enlaces llevaran a páginas manipuladas.

Sobre todo, no dice nada de lo que ocurre en los buscadores reales, que si llegaran a usar estos archivos aplicarían sus propias barreras. Y los indicios disponibles apuntan a que hoy apenas los usan. Según los informes que recoge el propio artículo, Ahrefs analizó 137.210 dominios, de los que unos 38.000 tenían un llms.txt válido, y el 97 % de ellos no recibió ninguna petición de bots a ese archivo en mayo de 2026. SE Ranking, sobre unos 300.000 dominios, encontró llms.txt en el 10,13 % sin mejoras visibles de visibilidad. Un experimento de Borysenko con 15 herramientas de IA no registró ninguna petición al archivo en 45 pruebas. Y Google ha dicho que no lo usa para el posicionamiento.

Qué hacer con el llms.txt

La tentación de manipularlo para ganar visibilidad tiene poco recorrido: no hay pruebas de que los buscadores lo usen y, si lo hicieran, es previsible que filtren justo este tipo de contenido. Para quien lo tenga publicado, lo prudente es tratarlo como cualquier otro contenido público: que sea veraz, que coincida con la documentación y que esté bajo control, porque un llms.txt alterado por un tercero podría convertirse en una vía de desinformación sobre la propia marca. Y para quien mida la visibilidad en IA, la lección es revisar el contenido de las respuestas, no solo los enlaces, igual que las citas dependen también de lo que se publica fuera de la web.

Preguntas frecuentes

¿Qué es el archivo llms.txt?

Un archivo de texto en Markdown que algunas webs colocan en su raíz para resumir su contenido y enlazar sus páginas clave, pensado para que lo lean los modelos de lenguaje.

¿Se puede manipular la IA con un llms.txt?

En el experimento de investigadores de Google, un llms.txt con datos falsos o instrucciones logró respuestas manipuladas en 22 de 24 casos con GPT-4.1 mini. No se probó en buscadores reales.

¿Mejora el llms.txt la visibilidad en IA?

No hay pruebas. Los estudios de Ahrefs y SE Ranking no detectan ni peticiones relevantes de bots ni mejoras de visibilidad, y Google dice que no lo usa para posicionar.