llms.txt: was es leistet, was nicht und ob es sich lohnt

llms.txt ist eine vorgeschlagene Klartextdatei in Markdown, die im Stammverzeichnis einer Website liegt und großen Sprachmodellen eine kurze, kuratierte Zusammenfassung der Website mit Links zu den nützlichsten Seiten liefert. Sie ist schnell erstellt und kann KI-Tools helfen, die sie lesen – aber keine große KI-Suchmaschine hat sie als Ranking- oder Zitationssignal bestätigt.

Was genau ist llms.txt?

Die Idee ist einfach. Eine Webseite ist für Browser gebaut: Navigation, Cookie-Banner, Skripte, Footer. Ein Sprachmodell, das Ihr Geschäft verstehen will, muss sich durch all das hindurcharbeiten. Der 2024 veröffentlichte llms.txt-Vorschlag sieht eine einzelne Datei unter /llms.txt in Markdown vor, die sinngemäß sagt: „Das sind wir, und diese Seiten lohnen sich.“ Manche Versionen verweisen auch auf saubere Markdown-Kopien wichtiger Seiten, und eine ergänzende Idee, llms-full.txt, bündelt den vollständigen Text einer Dokumentation in einer Datei.

Beim Status lohnt sich Präzision. llms.txt ist ein Community-Vorschlag, kein Webstandard, und nicht dasselbe wie robots.txt. robots.txt sagt Crawlern, was sie abrufen dürfen und was nicht. llms.txt erlaubt oder sperrt nichts; es ist eine Leseanleitung.

Nutzen ChatGPT, Gemini, Perplexity oder Google AI Overviews sie?

Hier übertreiben die meisten Artikel zum Thema, deshalb sind wir vorsichtig. Zum Zeitpunkt des Schreibens hat keines der großen KI-Sucherlebnisse öffentlich erklärt, dass llms.txt beeinflusst, welche Quellen zitiert werden. Google hat gesagt, dass seine KI-Funktionen auf dem normalen Suchindex und den Ranking-Systemen beruhen, und seine Vertreter haben sich skeptisch über die Datei geäußert. Serverlogs verschiedener Website-Betreiber zeigen gelegentliche Abrufe von llms.txt, doch ein Abruf ist kein Beweis für die Nutzung in einer Antwort.

Klaren Nutzen hat llms.txt bei Tools, die ausdrücklich angewiesen werden, sie zu verwenden: Entwickler-Assistenten, Coding Agents und Dokumentationsplattformen, die die llms.txt eines Projekts laden, damit ein Modell mit korrekter, aktueller Dokumentation arbeiten kann. Wenn Ihre Zielgruppe Entwickler umfasst, kann das allein den Aufwand rechtfertigen.

Unsere Sicht bei SNMRush: Betrachten Sie llms.txt als gute Haushaltsführung, nicht als Hebel für Sichtbarkeit. Sie kostet eine Stunde, zwingt zu nützlicher Klarheit und rettet keinen dünnen Content.

Wie schreibt man eine gute llms.txt?

Die Struktur im Vorschlag ist kurz. Eine H1 mit dem Namen der Website oder Marke, eine Zusammenfassung in einem Absatz als Blockzitat, optionale Hinweise, dann H2-Abschnitte mit Linklisten und jeweils einer einzeiligen Beschreibung. Ein Abschnitt namens „Optional“ kann Links enthalten, die ein Modell bei begrenztem Kontext überspringen darf.

Ein durchgespieltes Beispiel für ein fiktives Buchhaltungssoftware-Unternehmen könnte in Grundzügen so aussehen:

• Titel: der Markenname, genau so, wie Sie genannt werden möchten.
• Zusammenfassung: zwei Sätze, die sagen, was das Produkt ist, wem es dient und wo es angeboten wird. Formulieren Sie sie als die Antwort, die ein Assistent geben sollte.
• Kernseiten: Produktübersicht, Preise, die drei wichtigsten Hilfeartikel, Sicherheit und Compliance.
• Erklärseiten: die Leitfäden, die die häufigsten Fragen Ihrer Zielgruppe beantworten.
• Optional: Unternehmensgeschichte, Presse, Karriere.

Der Zusammenfassungsabsatz ist der wichtigste Teil, und er folgt derselben Disziplin wie der Antwortblock, den wir für jede Seite empfehlen. Wenn Sie Ihr Unternehmen nicht in zwei klaren, sachlichen Sätzen beschreiben können, wird es auch einem KI-System schwerfallen. Unser Leitfaden zum antwortorientierten Schreiben behandelt diese Fähigkeit ausführlich.

Welche Seiten sollten Sie aufnehmen?

Wählen Sie Seiten, die echte Fragen beantworten, nicht die Seiten, über die Sie am liebsten verkaufen würden. Hier zahlt sich Zielgruppenforschung aus. Bei SNMRush nutzen wir SOMIN, eine KI-Plattform für Zielgruppenforschung, um zu sehen, welche Fragen und Spannungsfelder Menschen in öffentlichen Gesprächen zu einer Kategorie äußern, und prüfen dann, ob die Website für jede eine klare Seite hat. Die Seiten, die diese Fragen beantworten, kommen in die llms.txt; Lücken kommen in den Content-Plan. Wie diese Recherche die Strategie im weiteren Sinne speist, erklärt die Übersicht zur SOMIN-Strategie.

Eine kurze Checkliste für die Auswahl:

1. Beantwortet die Seite eine Frage klar im ersten Absatz?
2. Ist sie aktuell, mit korrekten Preisen, Funktionen und Daten?
3. Ist sie ohne Login, Skripte oder Zwischenseiten zugänglich?
4. Wären Sie zufrieden, wenn ein Assistent sie wörtlich zitierte?
5. Ist sie die eine beste Seite der Website zu dieser Frage – und nicht eine von fünf sich überschneidenden?

Definitionen: llms.txt und seine Nachbarn

• robots.txt: ein langjähriger Standard, der Crawlern sagt, welche Pfade sie abrufen dürfen. Hier erlauben oder sperren Sie KI-Crawler wie GPTBot oder Google-Extended.
• sitemap.xml: eine maschinenlesbare Liste von URLs, die Suchmaschinen entdecken sollen.
• llms.txt: ein vorgeschlagener, menschenlesbarer Markdown-Leitfaden zu Ihren nützlichsten Inhalten für Sprachmodelle.
• llms-full.txt: eine vorgeschlagene Begleitdatei mit dem vollständigen Text, meist für Dokumentation genutzt.

Was ist wichtiger als llms.txt?

Wenn Sie nur eine Woche haben, investieren Sie sie zuerst anderswo. Die meisten KI-Answer-Engines, die im Web suchen, stützen sich auf Suchindizes, daher bleiben Crawlbarkeit, Indexierung und Rankings das Fundament. Danach kommt der Content selbst: direkte Antworten, konkrete Fakten, ehrliche Vergleiche. Dann strukturierte Daten und konsistente Entitätsinformationen, die Maschinen helfen zu verstehen, wer Sie sind. Und schließlich Erwähnungen auf glaubwürdigen Drittseiten, die prägen, wie Assistenten Sie beschreiben.

Diese Reihenfolge ist auch ein nützliches Gegenmittel gegen den Glauben, eine einzelne Datei oder ein Tag könne KI-Sichtbarkeit gewinnen. Die Reasoning-Modelle, mit denen sich unser Schwesterstudio GPT5 Marketing befasst, gewichten Quellen immer besser; sie belohnen Substanz und lassen sich schwer austricksen.

Wie prüfen Sie, ob es funktioniert?

Seien Sie bei der Zuordnung bescheiden. Prüfen Sie Ihre Serverlogs auf Anfragen an /llms.txt und notieren Sie die User Agents. Führen Sie ein festes Prompt-Panel und verfolgen Sie vor und nach der Änderung, ob KI-Tools Sie zitieren – aber rechnen Sie damit, dass sich jeder Effekt mit allem anderen vermischt, was Sie tun. Agenturen aus der KPI-Media-Fallstudie zeigen den Wert von Entscheidungen auf Basis von Belegen statt Annahmen, und dasselbe Prinzip gilt hier: messen, nicht annehmen.

Unser Urteil ist eindeutig. Fügen Sie eine llms.txt hinzu, wenn Sie Dokumentation oder eine Entwickler-Zielgruppe haben oder einfach eine ordentliche Zusammenfassung Ihrer Website für Maschinen wollen. Schreiben Sie den Zusammenfassungsabsatz sorgfältig. Und widmen Sie sich dann wieder der Arbeit, die nachweislich zählt: die Fragen, die Ihre Zielgruppe tatsächlich stellt, besser zu beantworten als alle anderen.

Wenn Sie eine zweite Meinung zu Ihrem Setup wünschen: SNMRush prüft in jedem KI-Sichtbarkeits-Audit auch die llms.txt, zusammen mit Crawler-Zugriff, Schema und Zitations-Tracking.