Câte site-uri românești publică llms.txt — și contează?

Cadrul de eșantionare. Nu domenii alese de noi, ci domeniile pe care motoarele AI le citează efectiv atunci când răspund la întrebări în limba română despre marketing, AEO și automatizare. Lista provine din sursele citate în răspunsurile monitorizate în LLM Pulse (proiect 3039, 25 de prompturi, 5 suprafețe), filtrate la domeniile din piața românească. Regula de includere: domeniul apare printre primele 200 de surse citate. Rezultă 87 de domenii.

Măsurătoarea. O cerere GET către /llms.txt și una către /robots.txt pentru fiecare domeniu, pe 2026-08-09, într-o singură rulare completă. Un fișier e considerat servit dacă răspunde 200, are content-type text/plain și peste 80 de octeți — pragul elimină paginile de eroare returnate cu status 200. Conformitatea cu specificația llmstxt.org se verifică pe două elemente obiective: prima linie e un H1 Markdown, iar în primele opt linii există un bloc de citat care ține sumarul.

Cele două categorii de crawlere. Un agent e considerat blocat doar dacă robots.txt conține un bloc dedicat lui cu "Disallow: /". Crawlere de răspuns: OAI-SearchBot, ChatGPT-User, PerplexityBot, Perplexity-User, Claude-User, Claude-SearchBot. Scrapere de antrenament sau arhivă: GPTBot, ClaudeBot, Google-Extended, CCBot, Bytespider, Applebot-Extended, Amazonbot, Meta-ExternalAgent, cohere-ai. Tokenuri scoase din documentația furnizorului, fără efect definit: anthropic-ai. Distincția e materială: prima categorie decide dacă apari în răspunsuri, celelalte nu. Clasificarea urmează documentația curentă a fiecărui furnizor, verificată pe 26 august 2026 — a se vedea nota de versiune de mai jos. Google nu are un token AI dedicat pentru stratul de răspuns: AI Overviews se alimentează din indexul Search, deci accesul e guvernat de Googlebot.

Ce nu măsoară studiul. Nu stabilește o relație cauzală între llms.txt și citări. Arată o corelație negativă sugestivă — domeniul cel mai citat are cel mai neconform fișier — dar cu 87 de domenii și o singură rulare nu se poate izola efectul llms.txt de vechimea domeniului, de autoritate sau de conținut. Nu măsoară nici dacă boții chiar citesc fișierul: pentru asta ar fi nevoie de loguri de server, pe care nu le avem pentru domenii terțe.

Reproductibilitate. Scanarea e un script, iar cifrele din pagină sunt generate din datele brute, nu scrise de mână: scripts/scan-llmstxt.py și scripts/build-llmstxt-study.mjs. Datele brute sunt mai jos, sub CC BY 4.0.

Notă de versiune (v1.1.0). Prima versiune a studiului clasifica GPTBot, ClaudeBot și Google-Extended drept crawlere de răspuns. Documentația curentă a furnizorilor contrazice asta: GPTBot și ClaudeBot colectează pentru antrenament, iar Google-Extended "nu influențează includerea unui site în Google Search". Clasificarea a fost corectată, iar numărul domeniilor care blochează crawlere de răspuns a scăzut de la 2 la 0. Datele brute nu s-au schimbat — doar felul în care sunt citite. Versiunea inițială rămâne accesibilă la DOI-ul ei.