A diferença entre ele e o llms.txt comum está na palavra do meio. O comum é escrito uma vez e envelhece. O de catálogo nasce do seu banco de produtos e acompanha a operação.
Isso deixou de ser assunto de laboratório. O ChatGPT já responde por 16% do tráfego de referência da Zara e 20% do tráfego de referência do Walmart, segundo SimilarWeb e Digiday.
Os dois números estão compilados no State of Immersive & Agentic Commerce 2026, estudo proprietário da metaKosmos sobre a infraestrutura de decisão do varejo digital.
Esse tráfego chega com a decisão praticamente tomada. Quem alimentou a decisão foi um modelo lendo alguma descrição do seu produto, ou a de um concorrente.
O que é um llms.txt dinâmico de catálogo?
O llms.txt nasceu como convenção simples: um arquivo em Markdown, servido em seudominio.com/llms.txt, que entrega a um modelo de linguagem um mapa curado do site em vez de HTML cheio de menu, banner e script.
A versão de documentação lista páginas e explica o produto. A versão de catálogo faz outra coisa: descreve o que você vende, em que variações, a que preço e com quanto de estoque.
Definição: llms.txt dinâmico de catálogo é o arquivo Markdown na raiz do domínio que expõe os produtos em formato legível por LLM, gerado da base e atualizado na cadência em que preço e estoque mudam.
A palavra dinâmico carrega o peso todo. Um catálogo de e-commerce muda várias vezes por dia. Um arquivo escrito à mão em uma tarde descreve uma loja que já não existe na semana seguinte.
Por que o llms.txt estático não serve para e-commerce?
Documentação de software muda devagar. Preço de produto muda por promoção, por câmbio, por concorrência e por decisão de margem, às vezes no mesmo dia.
Quando o arquivo envelhece, ele deixa de ser omissão e passa a ser desinformação ativa. O modelo lê com confiança um dado que já morreu e recomenda seu produto pelo preço errado.
O caso pior é o estoque. A IA recomenda, a pessoa chega na página, o produto está esgotado. Você pagou o custo de aquisição e entregou uma frustração.
Existe ainda o efeito silencioso. Modelos aprendem quais fontes se mostraram confiáveis. Uma fonte que erra preço com frequência perde espaço nas respostas seguintes.
Como a IA encontra seu produto hoje, e por que isso mudou
Até pouco tempo atrás a disputa era por posição na página de resultados. O consumidor comparava, clicava, decidia. O site tinha a chance de convencer.
Agora uma camada nova se colocou no meio. O modelo lê, resume, compara e apresenta uma resposta curta, com dois ou três produtos citados pelo nome.
Quem não aparece nessa resposta não perde posição. Some da consideração antes de qualquer clique existir.
A escala disso não é hipótese distante. A McKinsey projeta que agentes de IA podem intermediar entre 50% e 80% dos US$ 6 trilhões que o e-commerce global movimenta, em menos de cinco anos, conforme o mesmo estudo da metaKosmos.
Vale ler o recorte completo em Agentic Commerce: quando a IA compra pelo consumidor, que trata do que muda quando o agente executa a compra sozinho.
O que entra num llms.txt de catálogo que funciona
O arquivo não precisa carregar seu catálogo inteiro. Ele precisa ser um índice honesto e navegável, com profundidade suficiente para o modelo entender o que você vende.
A camada de contexto
Abre com quem você é, o que vende, para quem, em que região e sob quais políticas de frete, troca e garantia. São as perguntas que um comprador faria antes de olhar produto.
A camada de estrutura
Lista as categorias e subcategorias com uma frase de descrição cada. É o que permite ao modelo entender que "tênis de corrida" e "tênis casual" resolvem problemas diferentes na sua loja.
A camada de produto
Para cada produto ou família, o essencial em texto corrido:
- Nome e identificador: SKU ou GTIN, para o modelo não confundir variações.
- Preço atual e moeda: com data e hora da última atualização.
- Disponibilidade: em estoque, esgotado ou pré-venda, por variação.
- Ficha técnica: material, dimensões, peso, grade de tamanhos, cores reais.
- Relações: o que combina, o que substitui, o que é acessório do quê.
- Link canônico: a URL da página de produto, com UTM se você quiser medir.
A camada de relações é a mais esquecida e a mais valiosa. Ela é o que transforma "vocês têm essa mesa?" em "vocês têm essa mesa e as cadeiras que combinam?".
Quanto do seu catálogo vale a pena expor?
A tentação é publicar tudo. Ela custa caro, porque arquivo gigante é lido pela metade e o modelo trunca justamente o que estava no fim.
Um corte que funciona bem começa pela curva ABC. Os produtos que sustentam a maior parte da receita entram com descrição completa, cada um com sua ficha.
A cauda longa entra agrupada por família. Em vez de cem fichas de camiseta básica, uma descrição da linha, com a grade de tamanhos, as cores disponíveis e a faixa de preço.
Produto sazonal merece tratamento próprio. Coleção fora de estação continua no arquivo, marcada como indisponível, porque some do arquivo é diferente de nunca ter existido.
Vale também decidir o que não entra. Produto em teste, item exclusivo de marketplace e SKU de uso interno só geram recomendação que sua operação não consegue honrar.
Essa curadoria é a diferença entre um arquivo que ajuda e um que dilui. Catálogo bem editado responde melhor do que catálogo completo.
Como gerar o arquivo a partir do seu catálogo
A implementação é menos assustadora do que parece. São quatro decisões, e nenhuma delas é sobre IA.
Primeira: definir a fonte de verdade. Costuma ser o ERP ou o PIM, quase nunca o CMS. O arquivo precisa nascer de onde o preço realmente vive.
Segunda: escrever o gerador. Um script que lê a base, monta o Markdown e escreve o arquivo. Nas plataformas com API aberta, isso é trabalho de dias, não de trimestres.
Terceira: definir a cadência. Catálogo com preço volátil pede regeneração horária. Catálogo estável se resolve com uma vez por dia. O gatilho ideal é a própria mudança no banco.
Quarta: versionar e monitorar. Guarde as versões geradas. Quando a IA disser algo errado sobre seu produto, você vai querer saber o que o arquivo dizia naquele dia.
llms.txt, robots.txt e sitemap.xml: qual a diferença?
Os três ficam na raiz do domínio e resolvem problemas diferentes. Confundir os três é o erro conceitual mais comum.
- robots.txt: diz quem pode entrar. É permissão, e não conteúdo.
- sitemap.xml: diz onde as páginas estão. É endereço, escrito para crawler de busca.
- llms.txt: diz o que existe e por quê. É contexto curado, escrito para ser lido por modelo de linguagem.
Eles se somam. O robots.txt libera o acesso, o sitemap.xml entrega a lista completa e o llms.txt entrega a versão interpretada, sem ruído de navegação.
O gargalo real não é o arquivo, é o dado de produto
Aqui está a parte que quase nenhuma discussão sobre llms.txt alcança. Gerar o arquivo é problema de engenharia, e problema de engenharia se resolve.
O problema difícil aparece quando você abre a ficha do produto para escrever a descrição e encontra três fotos de estúdio, um parágrafo de marketing e uma tabela de medidas genérica.
Não existe gerador que invente o que a ficha não tem. O modelo vai descrever seu produto com a pobreza do dado que você publicou.
Repare no tipo de pergunta que um comprador faz e que a maioria das fichas não responde. Qual a altura do assento, que material é o revestimento, cabe num vão de 1,80 metro.
Essas respostas existem em algum lugar da empresa, quase sempre num PDF de especificação que nunca chegou ao site. O que falta é a ponte entre o dado técnico e a página pública.
Foto estática não é dado. Ela é uma imagem que exige um cérebro humano para virar informação, e o agente de IA não tem esse cérebro nem a paciência de adivinhar.
É por isso que a camada de baixo importa mais que a de cima. Um produto digitalizado em 3D carrega geometria, escala, material e acabamento como dado consultável, e não como pixel.
O mK 3D Shop, visualizador 3D com AR da metaKosmos, registra até 94% mais conversão justamente por transformar produto em informação navegável.
Esse mesmo ativo alimenta vários destinos ao mesmo tempo, lógica que a metaKosmos chama de Your 3D Everywhere. O llms.txt vira só mais um desses destinos.
O que marcas com dado rico de produto já colhem
A Toymania levou o visualizador 3D além do giro do produto, somando animação, som do brinquedo e vídeo demonstrativo dentro da própria página.
Intenções de compra e adições ao carrinho 6,2 vezes maiores depois que a Toymania passou a descrever o brinquedo com 3D interativo em vez de foto parada.
A Osklen trabalhou a camada de relações com o Shop The Look, em que a IA monta o look inteiro a partir de uma peça.
Repare no que os dois cases têm em comum. Nenhum deles foi feito pensando em LLM, e os dois produziram exatamente o tipo de dado que um LLM consegue ler.
Esse é o argumento de ROI mais confortável que existe. O investimento em dado rico já se paga na conversão da própria página, e a leitura por IA entra como ganho adicional.
Erros comuns ao publicar um llms.txt de catálogo
Despejar o catálogo inteiro. Arquivo de dezenas de megabytes é truncado na leitura. Priorize os produtos que sustentam a receita e agrupe o resto por família.
Escrever em linguagem de campanha. Adjetivo publicitário não sobrevive à leitura por máquina. Substantivo, número e unidade de medida sobrevivem.
Deixar preço sem data. Sem carimbo de atualização, o modelo não sabe se está lendo algo de hoje ou do trimestre passado.
Bloquear os crawlers de IA no robots.txt. Acontece mais do que parece, geralmente por herança de uma configuração antiga que ninguém revisou.
Publicar e esquecer. Um llms.txt sem rotina de regeneração vira, em poucas semanas, a versão desatualizada de si mesmo.
Como medir se a IA está lendo seu catálogo
Três medições resolvem, e nenhuma delas exige ferramenta nova.
Log de servidor. Filtre os user-agents dos crawlers de IA e veja a frequência com que buscam o arquivo. Nenhuma visita significa que algo bloqueia o caminho.
Tráfego de referência. No analytics, isole as origens de assistentes de IA. Foi assim que Zara e Walmart descobriram a fatia que hoje aparece no estudo.
Teste de prompt. Pergunte a um assistente por um produto da sua categoria e veja quem ele cita. É a medição menos científica e a que mais convence uma diretoria.
Se você quer entender onde seu catálogo está nessa curva antes de escrever qualquer linha de código, comece por uma conversa técnica.
Fale com um mentor da metaKosmos
Seu catálogo já está sendo lido. A pergunta é o que ele está dizendo
Nenhuma marca escolhe participar disso. Os modelos já leem o que está publicado, com ou sem convite, e já formam opinião sobre seus produtos.
A escolha que existe é entre entregar uma descrição que você controlou e deixar a IA montar sozinha uma versão a partir de fotos, de reviews e do que o concorrente publicou.
Quem tratar isso como pauta de 2027 vai chegar quando a resposta já estiver formada. Padrão de resposta é difícil de mudar depois de estabelecido.
Os números que sustentam este artigo, com o recorte brasileiro, estão no State of Immersive & Agentic Commerce 2026, o estudo da metaKosmos sobre a infraestrutura de decisão do e-commerce.
Para ver como esse movimento se conecta ao resto, vale Tendências de Immersive Commerce 2026 e Inteligência Artificial no e-commerce.
Perguntas frequentes sobre llms.txt dinâmico de catálogo
O que é llms.txt?
llms.txt é um arquivo em Markdown publicado na raiz de um domínio que entrega a modelos de linguagem uma versão curada e limpa do conteúdo do site. Ele existe porque LLMs leem HTML com dificuldade: menu, banner, script e pop-up competem com o conteúdo real. O arquivo resolve isso entregando texto estruturado, sem ruído de navegação, no endereço padronizado seudominio.com/llms.txt.
O que muda no llms.txt dinâmico de catálogo?
A diferença é a origem e a frequência: o llms.txt dinâmico de catálogo é gerado automaticamente a partir da base de produtos, e não escrito à mão. Ele descreve preço, estoque, variações e ficha técnica, que são dados que mudam várias vezes por dia num e-commerce. A versão estática descreve uma loja congelada no dia em que alguém sentou para escrever o arquivo.
Como funciona na prática?
Um script lê a base de produtos, monta o texto em Markdown e grava o arquivo na raiz do site. Esse script roda por agendamento ou por gatilho de mudança no banco, mantendo o arquivo alinhado com a operação. A fonte de verdade costuma ser o ERP ou o PIM, porque é onde preço e estoque realmente vivem, e não o CMS.
llms.txt substitui o sitemap.xml?
Não substitui, porque os dois resolvem problemas diferentes. O sitemap.xml lista endereços de páginas para crawlers de busca indexarem, sem explicar o que há em cada uma delas. O llms.txt entrega contexto já interpretado: o que a empresa vende, como o catálogo se organiza e como os produtos se relacionam entre si. Os dois convivem sem conflito, e uma operação madura publica ambos, cada um servindo o tipo de robô que sabe lê-lo.
Preciso de llms.txt se já tenho dado estruturado Schema.org?
Os dois se complementam e cobrem momentos distintos. Schema.org marca dados dentro do HTML de cada página, exigindo que o modelo visite e processe página por página. O llms.txt entrega uma visão consolidada do catálogo inteiro em uma requisição, com as relações entre produtos que a marcação por página não expressa. Manter Schema.org e adicionar llms.txt é o caminho mais seguro.
Quanto tempo leva para implementar?
Em plataformas com API aberta, um gerador funcional costuma levar de poucos dias a algumas semanas de desenvolvimento. O prazo raramente trava na engenharia do arquivo. Ele trava na qualidade do dado de produto: se a ficha técnica está incompleta ou as fotos não descrevem o item, o esforço real está em enriquecer o catálogo antes de expor qualquer coisa.
Qual a diferença entre llms.txt e robots.txt?
robots.txt controla permissão de acesso e llms.txt entrega conteúdo. O robots.txt diz quais robôs podem percorrer quais caminhos do site, funcionando como porteiro na entrada. O llms.txt não controla nada e não bloqueia nada: ele apenas apresenta uma versão curada do conteúdo para quem já tem permissão de entrar. Os dois precisam estar alinhados, porque bloquear os crawlers de IA no robots.txt anula qualquer benefício que o llms.txt traria.
Vale a pena para uma operação pequena?
Vale, e o custo relativo costuma ser menor do que numa operação grande. Catálogo pequeno cabe inteiro no arquivo, sem a complexidade de priorização por curva ABC que marcas com milhares de SKUs enfrentam. Como o volume de busca por nicho específico é menor, aparecer na resposta de um assistente pesa proporcionalmente muito mais do que aparecer na décima posição de um buscador tradicional, onde quase ninguém chega.
Como a IA usa esse arquivo para recomendar produto?
O modelo lê o arquivo, extrai as características descritas e usa esse texto para responder perguntas de compra citando produtos concretos pelo nome. Quando alguém pergunta por um item com requisitos específicos, como medida, material ou faixa de preço, o modelo compara o que encontrou nas fontes disponíveis e monta a resposta. Produto descrito com material, medida e disponibilidade tem vantagem clara sobre produto descrito apenas com adjetivo de campanha.
Preciso de modelo 3D para isso funcionar?
O arquivo funciona sem 3D, mas a qualidade da descrição depende da riqueza do dado de produto. Um item digitalizado em 3D carrega geometria, escala, material e acabamento como informação consultável, e não como imagem que exige interpretação humana. O mK 3D Shop, visualizador da metaKosmos, registra até 94% mais conversão na própria página de produto, então o ativo se paga antes mesmo de alimentar a IA.
Como medir o retorno?
Meça em três frentes: frequência com que crawlers de IA buscam o arquivo nos logs do servidor, volume de tráfego de referência vindo de assistentes no analytics, e citações da sua marca em respostas geradas. Como referência de escala, o ChatGPT já responde por 20% do tráfego de referência do Walmart e 16% do da Zara, segundo dados compilados no estudo da metaKosmos.
Como começar?
Comece por um diagnóstico do dado, e não pelo arquivo. Escolha os vinte produtos que mais faturam e verifique se cada um tem ficha técnica completa, medidas reais e descrição que sobrevive à leitura de uma máquina. Se sobreviver, o gerador é a parte fácil. Se não sobreviver, o trabalho começa em enriquecer o catálogo, que é onde a metaKosmos atua com digitalização 3D.
