O debate sobre o llms.txt está no lugar errado

O llms.txt tornou-se um ponto de confusão porque conflaciona dois problemas distintos: descoberta (como agentes encontram recursos) e funcionalidade (como usam o que encontram). Enquanto isso, a cobertura recente do CEVIU revela que o cenário real é bem mais complexo. Agentes de IA enfrentam limitações estruturais severas em memória, observability inadequada para sistemas agentic e dificuldade em medir valor real além de contagem de tokens. O llms.txt, nesse contexto, é uma solução de interface para um problema que é, fundamentalmente, de infraestrutura e confiança.

O foco correto está em preparar sites e APIs para agentes, não em um arquivo de descoberta. Isso significa investir em HTML semântico robusto, acessibilidade genuína (que beneficia tanto humanos quanto máquinas), layouts estáveis que não quebram com pequenas mudanças visuais e padrões emergentes como WebMCP. A pesquisa sobre IA em engenharia de software mostrou que 86% do tempo dos devs não é escrita de código, mas debugging e validação; agentes precisam de contexto estruturado e confiável para reduzir esse atrito, não de mais um arquivo de configuração.

O equívoco sobre llms.txt reflete uma questão maior: a indústria está ainda em fase de 1999 da web, conforme observado em cobertura recente. Sem padrões maduros, empresas gastam esforço em soluções que parecem resolver problemas mas são sintomas de ausência de fundamentação real. Focar em llms.txt distrai de investimentos que de fato tornam sistemas acionáveis para agentes: acessibilidade, estrutura semântica, documentação clara e padrões de interoperabilidade.

Além disso, com cobranças reais de IA chegando aos CFOs, há pressão por resultados, não por experimentação. Agentes quebrados por falta de contexto confiável custam mais caro do que a descoberta melhorada. O verdadeiro ROI virá de infraestrutura que reduz o ciclo de debugging e alucinações, não de tentativas de melhorar visibilidade.