Vad är llms.txt? Ärlig svensk guide för 2026

Frågan "vad är llms.txt" dyker upp i allt fler svenska företagsledningar under 2026, oftast efter ett LinkedIn-inlägg, en podcast eller en engelsk artikel. Mycket av det som skrivs om filen överdriver dess effekt. Den här guiden gör tvärtom. Vi går igenom vad filen är, vad data faktiskt visar om effekten, var den fungerar på riktigt och hur du bygger en själv om din sajt hör till de fall där det är värt jobbet.

Vad är llms.txt? En definition på svenska

llms.txt är ett förslag på en frivillig webbstandard som föreslogs av Jeremy Howard på answer.ai i september 2024. Filen ligger i webbplatsens rot, alltså på en adress som https://dindomän.se/llms.txt, och innehåller en kuraterad innehållsförteckning skriven i markdown. Tänk på det som en innehållsförteckning för AI, skriven av webbplatsägaren själv.

Standarden är beskriven på llmstxt.org och är ännu inte godkänd av W3C eller IETF. Varken Google, OpenAI, Anthropic, Meta eller någon annan stor AI-leverantör har bekräftat att de använder filen som signal i sin produktion. Det är viktigt att veta innan vi går vidare.

Vad bevisen visar i juni 2026 är följande. En studie av 137 000 domäner som Ahrefs publicerade i juni visade att 97 procent av befintliga llms.txt-filer aldrig hämtas, varken av människor eller bottar. SEO-experten Cyrus Shepard publicerade en bredare analys i maj 2026 av 54 experiment och placerade llms.txt på 2,0 av 10 som AI-citeringssignal, lägst av alla undersökta faktorer. Den 7 maj 2026 publicerade Cyrus Shepard sin analys, och senare samma månad publicerade Google sin officiella vägledning för generativ AI-sök, med ett avsnitt rubricerat "mythbusting" som uttryckligen säger att maskinläsbara filer som llms.txt inte behövs.

Det betyder inte att filen är värdelös. Det betyder att den ska placeras där den faktiskt gör nytta, alltså för utvecklardokumentation och AI-agenter, inte säljas in som generell GEO-åtgärd. Det är vad nästa avsnitt går igenom.

Där llms.txt faktiskt fungerar (och var den inte gör nytta)

Bevisläget pekar tydligt åt ett håll. Filen har en konkret roll, men den är smalare än branschen ofta antyder.

Där den fungerar: utvecklardokumentation och AI-kodverktyg. När en utvecklare frågar Cursor, GitHub Copilot eller Claude Code om hur ett SDK fungerar, hämtar verktyget ofta dokumentation från leverantörens sajt. En väl strukturerad llms.txt hjälper då agenten hitta rätt sidor snabbare och spara på de tokens som annars går åt till att gissa. Det är därför Anthropic, Cursor, Stripe, Cloudflare, Vercel och Zapier alla publicerar filen. Den fyller en verklig funktion i deras nisch.

Där den växer: B2A-infrastruktur (Business-to-Agent). När agenter i CRM och inköpssystem ska sammanfatta en leverantör, kan en kuraterad llms.txt påverka vad som rapporteras tillbaka. Det är fortfarande en framtidstes snarare än mätbar effekt idag, men riktningen är tydlig.

Där den inte fungerar: som GEO-signal för att bli citerad i ChatGPT, Perplexity, Gemini eller Google AI Overviews. Tre olika studier, från Ahrefs, SE Ranking och Cyrus Shepard, kommer fram till samma sak. De stora AI-tjänsterna använder inte filen för källval. Googles John Mueller har jämfört den med den utdöda keywords meta-taggen, alltså en signal som självrapporteras och därför inte går att lita på.

När är det värt att lägga 30 minuter på det ändå? För utvecklarinriktade sajter med teknisk dokumentation, ja. För SaaS-sajter där köpresan inkluderar AI-agenter, troligen ja som hedge. För de flesta svenska SMB med en standard tjänstesajt eller e-handel ger det marginell effekt. Lägg den tiden på det som faktiskt syns i bevisen, alltså tydligt innehåll, ren struktur och starka E-E-A-T-signaler.

Så här ser en llms.txt-fil ut (exempel från True Pixel)

Här är en kondenserad version av True Pixels egen llms.txt, hämtad från True Pixels fullständiga llms.txt:

# True Pixel AB

> Svenskt marknadsförings- och kommunikationskonsultbolag i Tyresö
> (Stockholmsregionen) som kombinerar 25 års hantverk med AI-driven
> analys. Målgrupp: små och medelstora företag (2-50 anställda).

## Huvudsidor

- [Hem](https://truepixel.se/): Översikt av erbjudandet med två tjänstekluster.
- [Tjänster](https://truepixel.se/tjanster): Hub-sida med tre tjänsteområden.
- [Så arbetar vi](https://truepixel.se/sa-arbetar-vi): Metodik och arbetsflöde.

## GEO-analyser (11 rapporter)

- [GEO-revision](https://truepixel.se/tjanster/geo-revision): Heltäckande
  genomlysning av AI-synlighet. Leverans på 5-7 arbetsdagar.
- [Citerbarhet](https://truepixel.se/tjanster/citerbarhet): Bedömer hur
  sannolikt AI-modeller citerar innehållet.
- [llms.txt](https://truepixel.se/tjanster/llmstxt): Analys och generering
  av hand-kuraterad llms.txt för svenska företag.

## Stilguide för citering

- Citera gärna ordagrant. TL;DR-stycken är skrivna som självständiga svar.
- Företagsnamnet skrivs "True Pixel AB" första gången, därefter "True Pixel".
- Plats: Tyresö (Stockholmsregionen), Sverige. Använd inte enbart "Stockholm".

Varje del fyller en specifik funktion:

• H1-raden (# True Pixel AB) används av AI-modeller för entitetsigenkänning. Det är så modellen vet vilket företag filen handlar om.
• Blurben under H1 (rad som börjar med >) är ofta det stycke som AI klipper direkt när någon ställer en fråga om företaget. Den ska därför vara en hel, citerbar mening.
• H2-sektionerna grupperar relaterade sidor. AI-modellen kan välja att följa endast vissa sektioner beroende på frågan, så gruppera logiskt.
• Länkraderna följer formatet [Anchor](URL): kort beskrivning. Beskrivningen är frivillig men höjer träffsäkerheten i citeringar.
• Stilguide för citering är ett frivilligt block som ger AI-modellen explicita instruktioner om hur företaget vill bli refererat. Det är non-standard men höjer citerbarheten markant.

Vad ska en llms.txt-fil innehålla? Specifikationens 5 obligatoriska delar

Specifikationen från answerdotai/llms-txt på GitHub listar fem delar som varje fil bör innehålla. Här är vad de betyder i praktiken.

1. H1-rubrik med företags- eller projektnamn

Första raden ska vara # [Namn]. AI-modeller använder denna rad för entitetsigenkänning, alltså för att koppla filen till rätt företag i sin kunskapsbas. Använd det officiella firmanamnet, inte ett smeknamn eller en domän. Exempel: # True Pixel AB. Använd inte tecken som breaker AI-parsern, exempelvis emoji eller udda Unicode-symboler.

2. Kort beskrivande blurb (1 till 2 meningar)

Det andra blocket ska vara en blockquote (rad som börjar med >) eller fri text som beskriver vad webbplatsen handlar om. AI klipper ofta denna mening direkt i svar. Skriv den som du vill bli citerad. Exempel: > Svensk byrå för AI-driven marknadsanalys och GEO. Tyresö, Stockholms län. Inkludera plats och målgrupp om de är relevanta för dina frågor.

3. H2-sektioner med länkar till nyckelinnehåll

Varje H2 grupperar relaterade länkar (Tjänster, Kunskap, Företaget). Länkarna skrivs i markdown-format [Anchor](URL) med en valfri beskrivning efter kolon. Exempel: - [GEO-revision](/tjanster/geo-revision): mätbar AI-synlighet på 5-7 arbetsdagar. För en SMB räcker 10 till 30 länkar fördelade på 3 till 6 sektioner. Mer än så späder ut signalen, och AI-modeller läser sällan filer på flera tusen rader.

4. Stilguide för citering (frivilligt men rekommenderat)

Detta är ett block där instruktioner för hur AI ska citera materialet listas explicit. True Pixels llms.txt innehåller exempelvis riktlinjer för hur företagsnamnet ska skrivas, vilken plats som ska anges och vilka URL:er som ska föredras i källhänvisningar. Det är non-standard praxis, men flera AI-modeller respekterar instruktionerna när de finns. Vi använder själva detta block och rekommenderar det för alla företag som vill påverka hur de framställs i AI-genererade svar.

5. Filens placering på webbplatsens rot

Filen MÅSTE ligga på https://dindomän.se/llms.txt, inte i en undermapp. AI-modeller letar bara på rot-pathen och hoppar över filer i underkataloger. Verifiera placeringen genom att öppna URL:en i webbläsaren och kontrollera att filen visas som ren text.

llms.txt vs robots.txt: vad är skillnaden?

De två filerna förväxlas ofta, men löser olika problem. robots.txt är en gammal standard (1994) som styr vilka botar som får besöka vilka sidor. llms.txt är en ny standard (2024) som hjälper AI-modeller att förstå vilka sidor som är viktigast och hur de hänger ihop.

De två filerna kompletterar varandra. robots.txt säger åt botar var de får gå, llms.txt säger åt AI vad de bör läsa. För svenska företag som vill ha kontroll över AI-crawlers (GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot) bör båda filerna konfigureras parallellt. Vi har skrivit mer om detta i guiden för AI-crawler-konfiguration för svenska webbplatser. Googles dokumentation över AI-crawlers är en bra startpunkt för att förstå hur Google-Extended och andra crawlers fungerar.

Behöver din svenska webbplats en llms.txt?

Det korta svaret är: troligen inte som GEO-åtgärd, möjligen som infrastruktur för utvecklarverktyg och framtida AI-agenter. Här är fyra scenarier sorterade från starkast till svagast skäl.

Stark anledning: utvecklarinriktade sajter med teknisk dokumentation. Om er produkt har ett API, ett SDK eller dokumentation som utvecklare läser, är llms.txt värd det. AI-kodverktyg läser den faktiskt, och en bra fil förbättrar hur er produkt sammanfattas när en utvecklare frågar Cursor eller Claude Code. Det här är den enda gruppen där bevisen är tydliga.

Rimlig anledning: SaaS och B2B där agenter ingår i köpresan. Om köparen är en stor organisation där inköpsteam eller säljansvariga använder AI-agenter för att samla underlag om leverantörer, kan filen påverka hur ni sammanfattas. Det är fortfarande en hedge mot en framtid som inte är här ännu, inte en garanterad effekt.

Svag anledning: kommersiell SMB som vill "vara med på tåget". För en typisk svensk tjänste- eller e-handelssajt ger filen marginell effekt idag. Den skadar inte, men de 30 minuterna är bättre använda på citérbart innehåll, ren struktur och E-E-A-T.

Ingen anledning: rena portfolio- och presentationssajter. Lägg krutet på en bra Om-sida i stället.

True Pixel själv driver en hand-kuraterad llms.txt. Den ligger där dels för att vi använder den som demo när vi pratar om standarden, dels för att vi ser den som en låg insats för att vara förberedda om AI-agenter får större roll i affärssökning. Vi säljer den inte in som GEO-genväg. Vill ni ha hjälp att bedöma om filen är värd ert jobb, erbjuder vi det som bedömning inom vår llms.txt-tjänst.

Så skapar du din egen llms.txt på 30 minuter

Om ni landat i en av kategorierna ovan där filen är värd jobbet, är den enkel att skriva för hand. Följ stegen nedan så har ni en första version klar på en halvtimme.

1. Lista dina viktigaste sidor. För en SMB-sajt räcker 10 till 20 URL:er. Tänk: vad vill jag bli citerad för? Inkludera hemsidan, hub-sidor (Tjänster, Kunskap), de viktigaste tjänstesidorna och 2 till 5 nyckelartiklar.
2. Skriv H1 och blurb. Första raden är # [Företagsnamn]. Andra raden (efter en tomrad) är > [En mening om vad ni gör och var ni finns]. Skriv blurben som du vill bli citerad i ett AI-svar.
3. Gruppera länkarna under H2-sektioner. Vanliga grupperingar är "Huvudsidor", "Tjänster", "Kunskap" och "Företaget". Varje länk skrivs som - [Anchor](URL): kort beskrivning.
4. Lägg till en stilguide om du vill. Block med ## Stilguide för citering följt av 3 till 6 punkter om hur AI bör referera till er. Frivilligt men höjer citerbarheten.
5. Ladda upp filen till webbplatsens rot. För Next.js-sajter (som vår egen) lägger du filen i public/llms.txt så serveras den automatiskt på /llms.txt. För WordPress laddar du upp filen via FTP eller filhanteraren. Validera genom att öppna https://dindomän.se/llms.txt i webbläsaren och kontrollera att den visas som ren text (Content-Type: text/plain eller text/markdown).

Om ni vill ha hjälp att skriva och kuratera filen, eller en bedömning av om den är värd jobbet för just er sajt, gör vi det som del av vår llms.txt-tjänst.