La couche de découverte IA : llms.txt, sitemap et schema

La plus grande partie de ce qui s’écrit sur « préparer votre site aux agents IA » décrit des fichiers dont aucun fournisseur ne documente la lecture. J’ai passé en revue la documentation officielle d’OpenAI, d’Anthropic, de Perplexity, de Google et de Microsoft. Résultat : llms.txt — aucune de ces entreprises ne documente le fait de le lire sur des sites tiers, et Google indique explicitement que son moteur l’ignore. sitemap.xml — mentionné dans aucun des trois documents consacrés aux bots. Le balisage schema.org — Google écrit qu’il n’est pas requis pour ses fonctionnalités génératives. Et dans le registre de l’IANA, sur 152 entrées, il n’existe aucun enregistrement pour mcp, ai ou agent. Ce qui existe vraiment — et ce qui vaut réellement la peine — est détaillé ci-dessous.

La courte liste de ce qui est réellement documenté

Il y a une différence entre un fichier qui existe et un fichier que quelqu’un lit. Presque tous les guides sur le sujet confondent les deux, j’ai donc construit un tableau qui sépare « existe en tant qu’idée » de « dispose d’une documentation officielle attestant sa lecture ».

llms.txt : tout le monde en publie un, personne ne documente en lire un

Ce fichier est une proposition de Jeremy Howard, publiée le 3 septembre 2024, mise à jour en version 2 le 10 août 2026, et décrite sur son propre site comme une proposition de standardisation. Elle ne figure sur aucune voie de normalisation de l’IETF, du W3C ou du WHATWG — une recherche dans l’IETF Datatracker ne renvoie aucun draft pertinent. Le site de la proposition cite lui-même le RFC 8615 comme alternative envisagée puis écartée.

Voici la confusion centrale que je rencontre sans cesse : OpenAI, Anthropic et Perplexity publient bien un fichier llms.txt pour leur propre documentation développeur. C’est factuel et facile à vérifier. Mais publier un fichier et lire les fichiers des autres sont deux actions entièrement différentes, et aucune de ces entreprises ne documente la seconde. J’ai lu les trois pages officielles consacrées aux crawlers : la chaîne llms.txt n’apparaît dans aucune d’elles.

Google est le seul fournisseur à avoir traité la question frontalement. Dans son guide d’optimisation pour les fonctionnalités génératives, sur une page mise à jour le 10 juillet 2026, une section de démystification nomme explicitement llms.txt, au motif que Google Search ne l’utilise pas. Dans la même section, Google ajoute que créer ce fichier ne nuira ni n’aidera à la visibilité ou au classement de votre site.

schema.org : non requis, mais qui vaut quand même le coup

C’est le point qui surprend le plus. Ce même guide Google du 10 juillet 2026 comporte une section entière intitulée « Se focaliser excessivement sur les données structurées », qui indique que les données structurées ne sont pas requises pour la recherche générative et qu’il n’existe aucun balisage schema.org spécifique à ajouter. La page parallèle sur les fonctionnalités IA, mise à jour le 10 décembre 2025, dit la même chose autrement : vous n’avez pas besoin de créer de nouveaux fichiers lisibles par machine ni de balisage dédié.

Et pourtant, Google recommande toujours de continuer à utiliser les données structurées — non pas à cause de l’IA, mais pour l’éligibilité aux résultats enrichis, ce qui est en soi une excellente raison. La recommandation supplémentaire qui compte vraiment ici : assurez-vous que vos données structurées correspondent au texte visible sur la page. Un balisage qui déclare quelque chose que la page ne dit pas est un passif, pas un avantage.

La conclusion pratique : si vous avez un balisage valide, tant mieux, gardez-le. Si vous n’en avez pas, ajoutez-le parce qu’il aide les résultats enrichis — pas parce qu’on vous a promis qu’il vous ferait entrer dans les réponses de ChatGPT.

sitemap.xml : l’hypothèse sans source

« Soumettez un sitemap pour que les crawlers IA vous trouvent » est l’une des recommandations les plus répandues, et je n’ai pas trouvé une seule source primaire pour l’étayer. La page bots d’OpenAI ne parle que de robots.txt et de plages d’IP. L’article d’Anthropic sur son crawler traite de robots.txt et de Crawl-delay. La page crawler de Perplexity ne mentionne pas du tout les sitemaps.

Cela ne veut pas dire qu’ils ne lisent pas les sitemaps — cela veut dire que personne n’a dit qu’ils le faisaient. La nuance compte, car elle détermine l’effort qu’il est raisonnable d’y consacrer. Un sitemap.xml est un prérequis de base pour Google, vous devriez donc en avoir un valide dans tous les cas. Mais si vous construisez tout un plan de travail autour du sitemap comme « infrastructure pour agents IA », vous bâtissez sur une hypothèse que personne n’a confirmée.

/.well-known/ — ce qui est réellement enregistré, et ce qui ne l’est pas

Le registre IANA des URI well-known est la source de vérité unique sur ce qui existe. À sa dernière mise à jour, le 19 août 2026, il comptait 152 entrées. Ce qui compte pour le monde des agents :

• agent-card.json — enregistré, permanent, sous contrôle de la Linux Foundation, pointant vers la spécification du protocole A2A. C’est la seule entrée qui concerne directement les agents.
• oauth-protected-resource (RFC 9728) et oauth-authorization-server (RFC 8414) — enregistrés, et pertinents parce que MCP construit sa couche d’autorisation sur eux.
• mcp, ai, agent, ai-plugin, llm — ne sont pas enregistrés.

Quant à /.well-known/ai-plugin.json, hérité de l’époque des plugins ChatGPT : ce mécanisme a disparu. La page de documentation d’origine redirige aujourd’hui vers une page qui n’existe pas, et ce qui l’a remplacée, ce sont les serveurs MCP et l’Apps SDK — sans aucun chemin well-known.

MCP n’est pas découvrable depuis un site web — pour l’instant

C’est le point le plus important si vous anticipez. La spécification actuelle du Model Context Protocol porte la version 2026-07-28, et elle ne contient aucun mécanisme permettant de découvrir un serveur MCP à partir d’un site web. Ce qui existe, c’est server/discover, qui demande à un serveur quelles versions du protocole il prend en charge — un mécanisme qui suppose que vous connaissez déjà l’adresse du serveur. Le seul chemin well-known de la spécification appartient à OAuth, et il n’intervient qu’après la découverte.

En pratique, cela signifie qu’il existe un vide d’infrastructure entre « mon site est lisible par un agent » et « un agent peut découvrir ce que mon site lui permet de faire ». C’est précisément pour cela que je travaille sur la spécification AX — une couche de découverte uniforme qui permet à un site de déclarer ce qu’il propose à un agent. Mais tant qu’aucun standard n’est établi, la recommandation honnête est de ne pas inventer un chemin privé en espérant que quelqu’un le lise.

IndexNow : l’exception Microsoft

La seule chose qu’un grand fournisseur recommande explicitement dans un contexte IA, c’est IndexNow. Dans le billet Bing Webmaster du 10 février 2026 qui a introduit le nouveau rapport de performance IA, une section dédiée explique qu’IndexNow aide à garder l’information à jour dans les expériences de recherche et d’IA. Le protocole lui-même est ouvert et gratuit, et son implémentation tient en un appel HTTP par URL mise à jour.

Une distinction mérite d’être notée : la documentation développeur de Bing ne mentionne pas du tout llms.txt. Les recommandations de balisage dans un contexte de réponses IA figurent sur le blog Microsoft Advertising, qui relève du marketing plutôt que de la documentation technique — le poids probant n’est pas le même.

Un ordre de priorité concret

Trois lignes qui vous diront ce que votre site expose déjà aujourd’hui :

Une fois la vérification faite, voici l’ordre que je recommande. D’abord, un robots.txt correct qui sépare les crawlers d’entraînement des récupérateurs au moment de la réponse — je l’ai détaillé dans la carte des bots 2026. Ensuite, vérifier que votre contenu arrive bien dans le HTML initial, car sans cela rien d’autre ne compte — le test se trouve dans ce qu’un agent IA reçoit réellement. Troisièmement, un balisage valide qui correspond au texte visible. Quatrièmement, IndexNow si votre contenu change. Et cinquièmement, seulement cinquièmement, llms.txt — s’il reste du temps.

Ce qui est intéressant dans cet ordre, c’est à quel point il reflète le SEO technique classique. Ce n’est pas un hasard : à ce jour, l’essentiel de ce qui rend un site lisible par un agent est exactement ce qui le rend lisible par un moteur de recherche. Les fichiers spéciaux, c’est la promesse ; les fondamentaux, c’est ce qui fonctionne.

Questions fréquentes

Pour aller plus loin

Le protocole AX : une couche de découverte uniforme pour les agents – une fois qu’un agent peut vous découvrir, la question devient de savoir ce que votre site lui permet de faire.