Was ist llms.txt? Braucht Ihre Website die Datei wirklich?

llms.txt ist eine vorgeschlagene Datei im Stammverzeichnis einer Website (/llms.txt), die großen Sprachmodellen (LLMs) in Markdown zusammenfasst, worum es auf der Website geht und wo die wichtigsten Seiten liegen. Bislang hat kein großer KI-Anbieter offiziell erklärt, die Datei bei der Antwortgenerierung zu nutzen, und Google schreibt ausdrücklich, dass die eigene Suche sie ignoriert. Für die meisten Websites ist llms.txt daher kein Pflichtprogramm, sondern ein günstiges Experiment mit geringem erwartbarem Ertrag – bei Produkten mit technischer Dokumentation kann sie dagegen echten Nutzen stiften.

Das Wichtigste in Kürze

llms.txt ist ein Community-Vorschlag, den Jeremy Howard am 3. September 2024 veröffentlicht hat; kein Standardisierungsgremium hat ihn verabschiedet.
Die Datei ist schlichtes Markdown: Pflicht ist nur eine H1-Überschrift, danach folgen Zusammenfassung, Erläuterungen und Linklisten.
Googles offizieller Leitfaden zu generativen KI-Funktionen sagt, dass llms.txt der Sichtbarkeit in der Google Suche weder nützt noch schadet, weil die Suche sie ignoriert.
Der klarste Anwendungsfall ist API- und Produktdokumentation, die Entwickler ihren Coding-Assistenten als Kontext geben.
Über KI-Sichtbarkeit entscheiden weiterhin Inhaltsqualität, Crawlbarkeit und Erwähnungen in anderen Quellen – ob die Datei etwas bewirkt, wissen Sie erst, wenn Sie messen.

Was genau ist llms.txt?

Der Vorschlag besteht aus einer kurzen Spezifikation auf llmstxt.org. Die Grundidee: Will ein Sprachmodell eine Website „lesen“, stören Navigation, Cookie-Banner, Werbung und JavaScript – sie füllen das Kontextfenster und verwässern die Bedeutung. llms.txt bietet ein auch für Menschen lesbares Inhaltsverzeichnis, das dem Modell sagt: „Fang hier an.“ Eine Kurzdefinition finden Sie in unserem Glossareintrag zu llms.txt.

Aufbau der Datei

Laut Spezifikation folgen die Abschnitte dieser Reihenfolge:

Eine H1-Überschrift mit dem Namen des Projekts oder der Website (der einzige Pflichtteil).
Ein Blockzitat mit einer Kurzbeschreibung.
Optionale Erläuterungsabsätze ohne Überschriften.
H2-Abschnitte mit Linklisten im Format [Name](URL): kurze Notiz.
Per Konvention ein H2-Abschnitt namens „Optional“ mit sekundären Links, die ein Modell bei knappem Kontext überspringen darf.

Ein Beispiel für einen fiktiven Anbieter von Shopsoftware:

# Beispiel Shopsoftware
> Cloudbasierte E-Commerce-Plattform für kleine und mittlere Unternehmen.

## Dokumentation
- [Installation](https://beispiel.de/docs/installation.md): den ersten Shop anlegen
- [API-Referenz](https://beispiel.de/docs/api.md): REST-Endpunkte

## Optional
- [Changelog](https://beispiel.de/changelog.md)

Der Vorschlag empfiehlt außerdem, nützliche Seiten zusätzlich als saubere Markdown-Version unter derselben URL mit angehängtem .md bereitzustellen (etwa seite.html.md). Viele Dokumentationsplattformen erzeugen darüber hinaus eine llms-full.txt, die alle Inhalte in einer Datei bündelt. Das ist eine verbreitete Praxis der Community, aber nicht Teil der Kernspezifikation.

Worin unterscheidet sich llms.txt von robots.txt und sitemap.xml?

Die drei Dateien werden oft verwechselt, erfüllen aber unterschiedliche Aufgaben:

Datei	Zweck	Zielgruppe	Status
robots.txt	Legt fest, welcher Bot was crawlen darf	Crawler (Googlebot, GPTBot usw.)	Breit etabliertes Protokoll
sitemap.xml	Listet alle indexierbaren URLs	Suchmaschinen	Breit etabliertes Protokoll
llms.txt	Bietet eine kuratierte, zusammengefasste Inhaltskarte	LLMs und Agenten, die zur Laufzeit Informationen suchen	Vorschlag; Unterstützung nicht garantiert

Entscheidend: llms.txt ist keine Zugriffssteuerung. Wer einen KI-Crawler sperren oder zulassen will, tut das in der robots.txt; OpenAI dokumentiert beispielsweise, dass Crawler wie GPTBot und OAI-SearchBot robots.txt-Regeln befolgen. llms.txt sagt lediglich: „Wenn du schon hier bist, schau dir zuerst diese Seiten an.“

Lesen KI-Systeme llms.txt tatsächlich?

Die ehrliche Antwort: Die Beleglage ist dünn. Im April 2025 erklärte Googles John Mueller, seines Wissens habe kein KI-Dienst angegeben, llms.txt zu nutzen; Serverlogs zeigten nicht einmal Abrufe der Datei. Er verglich sie mit dem alten Keywords-Meta-Tag. Der offizielle Leitfaden von Google Search Central zu generativen KI-Funktionen ist noch deutlicher: Für die Google Suche brauchen Sie keine neuen maschinenlesbaren Dateien, KI-Textdateien oder Markdown-Versionen; die Suche ignoriert sie, und eine solche Datei hilft weder, noch schadet sie.

Ganz einseitig ist das Bild allerdings nicht. Lighthouse, das Prüfwerkzeug des Chrome-Teams, hat 2026 eine Kategorie „Agentic Browsing“ eingeführt, in der llms.txt als experimentelle Prüfung auftaucht. Geprüft wird jedoch nur, ob beim Abruf der Datei ein Serverfehler auftritt; fehlt die Datei (404), lautet das Ergebnis „nicht anwendbar“. Eine fehlende Datei wird also nicht bestraft, und die Kategorie behauptet keinerlei Wirkung auf Rankings oder Zitierungen.

Zugleich veröffentlichen viele Softwareunternehmen llms.txt für ihre eigene Dokumentation. Diese Nutzung ist überwiegend nutzerinitiiert: Eine Entwicklerin fügt die URL der Datei in einen Coding-Assistenten ein, oder ein IDE-Plugin lädt sie als Kontext. Das ist etwas anderes, als dass ChatGPT oder Perplexity Ihre Datei bei einer allgemeinen Frage automatisch auslesen. Wie KI-Systeme ihre Quellen tatsächlich auswählen, erklären wir in Welche Quellen zitiert KI?.

Braucht Ihre Website llms.txt?

Die Antwort hängt vom Typ Ihrer Website und von Ihren Ressourcen ab. Die folgende Einordnung ist ein pragmatischer Ausgangspunkt.

Wann es sinnvoll ist

Produkte für Entwickler: Wenn Sie eine API, ein SDK oder komplexe Softwaredokumentation anbieten, arbeiten Ihre Nutzer bereits mit Coding-Assistenten. Eine saubere llms.txt samt Markdown-Versionen kann helfen, dass diese Assistenten mit korrekten, aktuellen Informationen antworten.
Websites mit Static-Site-Generator: Lässt sich die Datei automatisch erzeugen, sind die Pflegekosten nahezu null.
Teams, die sich auf KI-Agenten vorbereiten: Wenn Agenten auf Ihrer Website Aufgaben erledigen sollen, ist ein strukturierter Einstiegspunkt ein vernünftiges Experiment.

Wann es keine Priorität hat

Lokale Unternehmen, Unternehmenswebsites, kleine Onlineshops: Hier hängt Sichtbarkeit von Inhaltsqualität, Bewertungen, Verzeichnissen und Erwähnungen in Drittquellen ab.
Websites mit ungelösten technischen SEO-Problemen: Sind Seiten nicht crawlbar, hinter JavaScript versteckt oder langsam, beheben Sie zuerst das.

Ein hypothetisches Beispiel: Eine Zahnarztpraxis in Köln, die einen Tag in llms.txt investiert, gewinnt vermutlich deutlich weniger als eine Praxis, die eine Seite veröffentlicht, die Fragen wie „Was kostet ein Zahnimplantat?“ klar beantwortet, und in seriösen Gesundheitsverzeichnissen gelistet ist. Den strategischen Rahmen beschreibt unser Leitfaden Was ist GEO?.

So erstellen Sie llms.txt – Schritt für Schritt

Wenn Sie es ausprobieren, halten Sie den Prozess klein und messbar:

Ziel festlegen: Welche Fragen soll ein Modell korrekt beantworten können? Produktdefinition, Preislogik, Dokumentation?
Höchstens 10–30 zentrale Seiten auswählen: Listen Sie die wertvollsten und dauerhaft aktuellen Seiten, nicht die ganze Website.
Zusammenfassung schreiben: Beschreiben Sie Ihre Marke im Blockzitat in einem sachlichen Satz ohne Werbesprache.
Wo möglich Markdown-Versionen anbieten: Erzeugen Sie .md-Versionen der Kernseiten und verlinken Sie diese.
Im Stammverzeichnis veröffentlichen: Die Datei sollte unter https://ihre-domain.de/llms.txt als text/plain oder text/markdown ohne Serverfehler erreichbar sein.
Pflege automatisieren: Eine von Hand gepflegte llms.txt voller veralteter Links kann schlechter sein als gar keine.
Messen: Beobachten Sie in den Serverlogs, wer die Datei abruft, und vergleichen Sie Ihre Sichtbarkeit in KI-Antworten vorher und nachher.

Wie messen Sie die Wirkung?

Der häufigste Fehler: llms.txt hochladen und annehmen, man sei nun in KI-Antworten sichtbar. Für eine belastbare Aussage braucht es zwei Datenebenen. Erstens Serverlogs: Sie zeigen, welche User-Agents die Datei wie oft abrufen. Ohne Abrufe keine Wirkung. Zweitens Messung auf Antwortebene: Stellen Sie KI-Assistenten regelmäßig echte Nutzerfragen in Ihrem Zielmarkt und erfassen Sie, wie viele Antworten Ihre Marke nennen und welche Quellen angezeigt werden.

Dabei kommt es auf die Methodik an. KI-Antworten schwanken selbst bei identischem Prompt; ein einzelner Screenshot ist kein Beleg. Nötig ist ein Ansatz, der fehlgeschlagene Antworten aus dem Nenner herausnimmt und Wettbewerber auf derselben Stichprobe vergleicht. Diese Prinzipien erläutern wir in KI-Sichtbarkeit messen und auf GeoDogs Methodik-Seite. Für eine Ausgangsmessung Ihrer eigenen Marke können Sie eine kostenlose Analyse starten; denselben Fragenkatalog einige Wochen nach Veröffentlichung der llms.txt erneut auszuführen, ist der solideste Weg, die tatsächliche Wirkung zu erkennen.

Die Forschung zeichnet ein ähnliches Bild. Die Studie „GEO: Generative Engine Optimization“ von Aggarwal et al. (KDD 2024) zeigte, dass Eingriffe auf Inhaltsebene – etwa das Ergänzen von Quellenangaben und Statistiken – die Sichtbarkeit in Antworten generativer Suchmaschinen beeinflussen können. Für Signale auf Dateiebene wie llms.txt gibt es bislang keine vergleichbaren Belege. Wie sich das von klassischer Suchmaschinenoptimierung unterscheidet, lesen Sie in GEO vs. SEO.

FAQ

Kann llms.txt meiner SEO schaden?

Laut Googles offiziellem Leitfaden nein: Die Google Suche ignoriert die Datei, sie hebt oder senkt Ihre Rankings also nicht. Das einzige Risiko ist eine veraltete oder fehlerhafte Datei, die Werkzeuge in die Irre führt, die sie tatsächlich lesen.

Kann ich mit llms.txt KI-Bots blockieren?

Nein. Zugriffssteuerung erfolgt über die robots.txt (und bei Bedarf auf Serverebene). llms.txt schlägt nur Inhalte vor und blockiert nichts.

Was ist der Unterschied zwischen llms.txt und llms-full.txt?

llms.txt ist eine kurze Karte aus Links. llms-full.txt bündelt meist den vollständigen Dokumentationstext in einer Datei; sie steht nicht in der Kernspezifikation, ist aber vor allem auf Dokumentationsplattformen verbreitet.