llms.txt: Funktioniert es, und was stattdessen tun

Was ist llms.txt, und was nicht?

llms.txt ist eine kuratierte Leseliste für Maschinen: wer Sie sind, welche Seiten kanonisch sind, wo die maßgeblichen Antworten liegen. Jeremy Howard von Answer.AI schlug die Spezifikation am 3. September 2024 vor. Die Prämisse ist praktisch: HTML für Menschen ist verrauscht (Navigation, Skripte, Einwilligungsbanner), und Kontextfenster von Modellen sind endlich, also geben Sie der Maschine eine saubere Karte.

Die Spezifikation hat zwei Stufen. /llms.txt ist der kurze Index: eine Zusammenfassung plus kuratierte Links. /llms-full.txt bindet den vollen Inhalt in ein Dokument ein, sodass ein Agent alles über Sie in einer Anfrage laden kann.

Was sie nicht ist, zählt ebenso. Sie ist nicht robots.txt: Dahinter steht keine Durchsetzung. Sie ist kein Rankingsignal: Keine Suchmaschine hat gesagt, die Datei fürs Ranking zu lesen. Und sie ist keine Zugriffskontrolle: Ein Crawler, der sie ignoriert, verliert nichts. robots.txt sagt „das dürfen Sie abrufen“; llms.txt sagt „das lohnt zu lesen“. Beides zu vermengen, erzeugt die meisten schlechten Meinungen.

Nutzt Google llms.txt?

Die Google-Suche nicht; Googles Chrome-Werkzeuge schon. Binnen zehn Tagen im Mai 2026 machte Google zwei Schritte, die in entgegengesetzte Richtungen weisen, weshalb beide Lager es zitieren können.

Am 5. Mai 2026 ergänzte Google in Lighthouse unter einer neuen Kategorie für agentisches Browsen eine Prüfung auf llms.txt. Die Prüfung markiert eine Website, wenn der Abruf von /llms.txt einen Serverfehler liefert, und die Dokumentation sagt, dass ohne die Datei „Agenten mehr Zeit mit dem Crawlen der Website verbringen können, um ihre übergeordnete Struktur zu verstehen“ (ppc.land). Am 15. Mai 2026 veröffentlichte Google eine Anleitung zur Optimierung für generative KI-Funktionen in der Suche (AI Overviews und AI Mode). llms.txt fehlt darin, im Einklang mit dem, was Googles Vertreter der Suche seit Erscheinen der Spezifikation sagen: Übliche technische SEO zählt.

Das sind zwei Ebenen. Die Google-Suche rankt und zitiert aus ihrem bestehenden HTML-Index. Agentisches Browsen, bei dem ein KI-Agent Ihre Website besucht, um für einen Nutzer eine Aufgabe zu erledigen, hat andere Bedürfnisse, und das ist es, was das Chrome-Team zu prüfen begann. Wer sagt „Google verlangt es“ oder „Google hat es getötet“, zitiert eine Ebene und ignoriert die andere.

Lesen KI-Crawler llms.txt tatsächlich?

Selten. Eine Gesamtanalyse von 515 Millionen Bot-Ereignissen ergab, dass Anfragen nach /llms.txt einen vernachlässigbaren Anteil am Verkehr von KI-Crawlern ausmachen (veröffentlicht bei aeo.press). GPTBot, ClaudeBot und PerplexityBot fordern überwältigend HTML-Seiten an, so wie Suchcrawler es immer taten.

Das Veröffentlichen läuft schneller als das Lesen. Bis zum 31. März 2026 hatten 7.4 % der Fortune-500-Unternehmen (37 von 500) eine llms.txt ausgeliefert (ppc.land). Websites mit Entwicklerdokumentation übernahmen sie weit schneller, weil Coding-Agenten der eine Verbraucher sind, der solche Dateien heute nachweislich liest.

Die ehrliche Zusammenfassung: Eine llms.txt auszuliefern ändert 2026 nicht messbar, wie die großen KI-Crawler Ihre Website lesen. Wer sie als Freischaltung von KI-Traffic verkauft, verkauft der Beleglage voraus.

Was steuert KI-Crawler 2026?

Fünf Ebenen, von denen nur zwei Zähne haben. llms.txt ist ein Instrument im Stapel.

Die Ebenen, über die man streitet (llms.txt, Content Signals), sind beratend. Die Ebene, die das Crawler-Verhalten über Nacht änderte, ist die CDN-Kante, und viele Websitebetreiber haben sie nie bewusst konfiguriert.

Warum zählen die Zahlen zu Crawl und Klick?

Weil KI-Systeme Inhalte im industriellen Maßstab verbrauchen und fast keine Besuche zurückschicken. Die Daten von Cloudflare Radar für das erste Quartal 2026 setzten das Crawl-zu-Verweis-Verhältnis, abgerufene Seiten pro verwiesenem menschlichen Klick, bei etwa 1,276:1 für OpenAIs GPTBot und etwa 23,951:1 für Anthropics ClaudeBot (Cloudflare). Monetarisiert Ihr Geschäft Seitenaufrufe, erklärt diese Asymmetrie die Revolte der Verlage und das Pay-per-crawl-Experiment.

Aber das Verhältnis misst Klicks, und Klicks sind nicht die einzige Rendite. Ein Crawl, der nie einen Besucher schickt, entscheidet dennoch, ob ein Modell weiß, dass es Sie gibt, Sie zutreffend beschreibt und Sie nennt, wenn ein Käufer um eine Auswahlliste bittet. Für ein B2B-Unternehmen ist die KI-Antwort oft der Berührungspunkt, und Ihre Analytik registriert ihn nie. Den Wandel haben wir in AEO vs. GEO vs. SEO entfaltet: Das Ziel verschiebt sich vom Gewinnen des Klicks zur zutreffend zitierten Antwort.

Sollten Sie KI-Crawler blockieren oder zulassen?

Das hängt davon ab, wozu Ihr Inhalt da ist. Dieselbe Rechnung zu Crawl und Klick fällt je nach Geschäftstyp anders aus.

Für die meisten B2B-Unternehmen lautet die Antwort offen. Die Marketing-Website existiert, damit der Markt weiß, was Sie tun; ein KI-System, das sie liest und zutreffend wiederholt, erledigt die Aufgabe der Website. GPTBot zu blockieren, um Inhalte zu schützen, deren Zweck es ist, bekannt zu sein, kehrt die Strategie um. Das schützenswerte Gut ist Genauigkeit, nicht Zugang, und Genauigkeit über Plattformen hinweg zu halten, ist der Kern der Arbeit an der KI-Sichtbarkeit.

Was geschieht mit Ihrer Marke, wenn Ihre eigene Website blockiert ist?

Offene Quellen mit hoher Autorität wiegen mehr. Cloudflare blockiert KI-Crawler für neue Domains standardmäßig, Verlage blockieren oder dosieren den Zugang, und Pay-per-crawl bepreist, was früher kostenlos war. Schrumpft das offene Web aus Sicht eines Crawlers, konzentriert sich der Abruf auf Korpora, die von Natur aus offen bleiben: Wikipedia, Wikidata, öffentliche Register, akademische Repositorien.

Ist Ihre Website für Crawler dunkel, durch Wahl oder CDN-Voreinstellung, werden Ihr Wikipedia-Artikel (wenn einer gerechtfertigt ist), Ihre Wikidata-Entität und die anderen offenen Quellen zum faktischen Bestand, den KI über Sie liest. Deshalb behandeln wir enzyklopädische Präsenz als Infrastruktur statt als Eitelkeit. Eine Seite existiert nur, wenn unabhängige Quellen die Relevanz stützen, und niemand kann versprechen, was eine KI sagt. Die Mechanik steht in Wikipedia AEO, im Wikidata- und Knowledge-Graph-Service und in Wikipedia-SEO-Taktiken.

Wie schreiben Sie eine gute llms.txt?

Schreiben Sie sie wie einen Lexikoneintrag, nicht wie einen Slogan, und halten Sie jeden Fakt so, dass Sie dafür einstehen können. Vier Regeln decken den größten Teil des Werts ab:

1. Definieren Sie die Entität in der ersten Zeile. Liest ein Modell nur zwanzig Token, sollten sie sagen, was Sie sind.
2. Verweisen Sie auf das volle Profil. Halten Sie den Index überfliegbar und verlinken Sie llms-full.txt für Agenten, die alles in einem Abruf wollen.
3. Koppeln Sie kanonische URLs mit Fakten, die Zahlen und Daten tragen. „Gegründet: 2010“ ist abrufbar und wiederholbar; Adjektive nicht. Setzen Sie den Preis neben die URL, wenn die Seite einen nennt.
4. Sagen Sie, was Sie nicht behaupten. Modelle wiederholen ihre Quellen. Übertreibt Ihre Datei, übertreibt die KI-Antwort, und der erste Anruf des Interessenten beginnt mit einer Korrektur. Ein kurzer Abschnitt „was wir nicht behaupten“ ist eine Absicherung der Genauigkeit.

Ein minimales Gerüst:

# Company name: one-line definition

> Two-sentence summary of what you do and for whom.

## Key pages
- [Services](https://example.com/services): what is offered and prices
- [About](https://example.com/about): founding date, location, leadership

## What we do not claim
- No guaranteed outcomes; limits of the service in one line.

Erzeugen Sie die Datei neu, wenn sich Fakten ändern. Eine veraltete Datei, die Ihre Preise falsch angibt, ist schlimmer als keine. Wir veröffentlichen unsere eigene im Stammverzeichnis der Domain, aus den kanonischen Daten der Website erzeugt, und ihr Schlussabschnitt nennt, was wir nicht garantieren.

Wie WikiBusines hilft

llms.txt ist die günstigste und folgenärmste Ebene der KI-Lesbarkeit. Wir arbeiten an den folgenreichen. Bezahltes Bearbeiten auf Wikipedia wird stets im Namen von WikiBusines offengelegt, und wir garantieren nie, was eine KI sagen wird.

• KI-Sichtbarkeits-Audit, €490. Wie Assistenten Sie derzeit beschreiben und auf welche Quellen sie sich stützen.
• LLM Hub. Ein maschinenlesbarer Wissens-Hub für Ihr Unternehmen, aus Ihren eigenen kanonischen Fakten gebaut.
• Wikidata, ab €680. Entitätseinträge, mit denen Maschinen Sie von ähnlich benannten Unternehmen unterscheiden.
• Relevanz-Audit, ab €490, bei Beauftragung innerhalb eines Monats auf die Seite angerechnet. Seitenerstellung ab €2,400 für Englisch, 4–5 Wochen, mit 90 Tagen Monitoring und Garantie nach der Veröffentlichung.

Zum Start kontaktieren Sie uns.