llms.txt 2026: Was die Konvention wirklich bringt

Wir betreiben eine llms.txt auf allen unseren Projekten und bieten sie im Rahmen der GEO-Optimierung an. Trotzdem – oder gerade deshalb – muss dieser Artikel mit einer unbequemen Feststellung beginnen: Die Belege dafür, dass llms.txt tatsächlich wirkt, fehlen bis heute. Google sagt ausdrücklich, dass es die Datei nicht nutzt. Eine Untersuchung über 300.000 Domains fand keinen Zusammenhang mit KI-Zitaten.

Dieser Artikel erschien ursprünglich im Dezember 2025 mit deutlich mehr Zuversicht. Was seitdem an Daten dazugekommen ist, hat das Bild verändert – und wir halten es für richtig, das offen zu schreiben, statt eine Empfehlung stehen zu lassen, die die Faktenlage nicht mehr trägt.

Kernfakten: llms.txt

Was ist llms.txt? Eine Konvention für maschinenlesbare Website-Dokumentation: eine Markdown-Datei unter /llms.txt mit strukturierten Informationen über die Website. Kein offizieller Standard – es gibt kein Gremium, das ihn verabschiedet hätte, und keine Suchmaschine, die ihn offiziell unterstützt. Genutzt wird das Format vor allem bei Entwickler-Dokumentation: Anbieter wie Anthropic veröffentlichen eine llms.txt für ihre Entwickler-Doku, gedacht für KI-Werkzeuge beim Programmieren. Der Nutzen liegt dort, nicht bei der Websuche.

Was Google sagt. Aus der offiziellen Dokumentation zu den KI-Funktionen: „You don't need to create new machine readable files, AI text files, or markup to appear in these features." Gary Illyes bestätigte auf der Search Central Live im Juli 2025, dass Google llms.txt nicht unterstützt und das auch nicht plant. John Mueller verglich die Datei mit dem Keywords-Meta-Tag.

Was die Daten sagen. SE Ranking untersuchte rund 300.000 Domains (veröffentlicht am 07.11.2025): 10,13 % hatten eine llms.txt – und es zeigte sich kein Zusammenhang zwischen ihrer Existenz und der Häufigkeit, mit der eine Domain in KI-Antworten zitiert wird. Auffällig: Große Websites nutzen die Datei mit 8,27 % sogar seltener als mittelgroße mit 10,54 %. Das Format ist also nicht bei den Marktführern konzentriert.

Was Crawler tun. Einzelne veröffentlichte Log-Auswertungen deuten darauf hin, dass GPTBot, ClaudeBot und PerplexityBot die Datei nur selten abrufen und stattdessen direkt HTML crawlen. Google-Extended ist dabei kein eigener Crawler, sondern ein Token in der robots.txt, mit dem Website-Betreiber die Nutzung ihrer Inhalte für Googles KI-Modelle steuern.

Was das praktisch heißt. llms.txt ist billig (eine Datei, einmal automatisiert) und schadet nicht. Aber es ist kein Sichtbarkeitshebel, und wer es als solchen verkauft bekommt, sollte nachfragen.

Warum wir sie trotzdem betreiben

Drei Gründe, die nichts mit Rankings zu tun haben:

1. Die Kosten sind vernachlässigbar. Unsere llms-full.txt entsteht automatisch im Build aus dem vorhandenen Content – siehe die Umsetzung weiter unten. Einmal eingerichtet, kostet sie keine Pflege.
2. Die Zwangsübung ist wertvoll. Wer eine llms.txt schreibt, muss die eigene Website auf zwei Seiten zusammenfassen: Was bieten wir, für wen, zu welchen Konditionen. Diese Klarheit fehlt erstaunlich vielen Seiten – und sie hilft im HTML genauso wie in der Textdatei.
3. Die Option kostet nichts. Sollte sich eine der KI-Plattformen doch für das Format entscheiden, ist die Datei da.

Was dagegen nachweislich wirkt, steht in derselben Google-Dokumentation: dieselben Grundlagen wie für die klassische Suche – erreichbare Seiten, saubere Technik, strukturierte Daten und Inhalte, die eine Frage wirklich beantworten. Wenig aufregend, aber belegt.

Die Zahlen zur Verbreitung

Statt geschätzter Marktzahlen hier das, was tatsächlich erhoben wurde – die Adoption von llms.txt im Web:

Die letzte Zahl ist die entscheidende: Über den gesamten Datensatz ließ sich kein Zusammenhang zwischen dem Vorhandensein einer llms.txt und der Zitierhäufigkeit in KI-Antworten nachweisen. Eine separate Erhebung von Rankability kam für die Top 1.000 Websites auf 9,3 % Adoption (93 von 1.000, Stand 18.09.2026).

Das Problem, das llms.txt lösen sollte

Wenn ChatGPT oder Perplexity Informationen über Ihr Unternehmen liefern sollen, stehen sie vor Herausforderungen:

• Kontextlimits: Ein KI-Modell kann nicht Ihre gesamte Website auf einmal verarbeiten
• HTML-Overhead: JavaScript, CSS und HTML-Markup verwässern den eigentlichen Inhalt
• Strukturprobleme: Ohne klare Hierarchie gehen wichtige Informationen unter
• Aktualität: KI-Trainingsdaten sind oft Monate veraltet

Die Idee – und wo sie an der Realität scheitert

In der Theorie löst llms.txt diese Probleme elegant. Die Lücke liegt zwischen Anspruch und Praxis:

Daraus folgt die praktische Konsequenz: Die Arbeit gehört ins HTML. Wenn KI-Systeme ohnehin die gerenderte Seite lesen, entscheidet deren Struktur – klare Überschriften, beantwortete Fragen, saubere strukturierte Daten. Die llms.txt ist dann eine Zugabe, kein Ersatz.

Die llms.txt Spezifikation verstehen

Der Vorschlag folgt einer klaren Markdown-Struktur:

# Unternehmensname
 
> Kurze Beschreibung Ihres Unternehmens und Ihrer Hauptleistungen
> in ein bis zwei Sätzen.
 
Detailliertere Informationen über Ihr Unternehmen, Ihre Mission,
Ihre Alleinstellungsmerkmale und wichtigsten Fakten.
 
## Leistungen
 
- [Webentwicklung](/services/web): Next.js und React Entwicklung
- [Mobile Apps](/services/mobile): iOS und Android mit React Native
- [UI/UX Design](/services/design): Von Wireframe bis Prototyp
 
## Dokumentation
 
- [Vollständige Dokumentation](https://example.com/llms-full.txt)
- [API-Referenz](https://example.com/api-docs)
- [Blog](https://example.com/blog)
 
## Kontakt
 
- **E-Mail:** info@example.com
- **Website:** https://example.com

Strukturelemente im Detail

Praxis: So haben wir es bei headon umgesetzt

Unsere Implementierung besteht aus zwei Komponenten:

1. Manuelle llms.txt (kompakte Version)

Die kompakte llms.txt pflegen wir manuell, da sie strategische Inhalte enthält:

# headon
 
> KI-Agentur für Software, Geodaten und Visualisierung aus Lauda-Königshofen
> (Main-Tauber-Kreis, Deutschland): KI-Beratung und -Umsetzung, Geodaten und
> Fernerkundung mit LiDAR, Datenvisualisierung und 3D sowie Web-Apps und Websites.
 
Vollständige Inhalte: https://headon.pro/llms-full.txt
 
## Leistungen
- [KI-Beratung & Umsetzung](https://headon.pro/ki-agentur): Potenzialanalyse, KI-Sprint, Umsetzung
- [Fernerkundung & Geodaten](https://headon.pro/fernerkundung): Geländemodelle, Reliefansichten
- [3D & Visualisierung](https://headon.pro/3d-visualisierung): Produktbilder, Animationen
- [Web & Software](https://headon.pro/webentwicklung): Websites und Web-Apps mit Next.js
 
## Preise und Kontakt
- [Preise](https://headon.pro/preise)
- [Kontakt](https://headon.pro/contact)

2. Automatisch generierte llms-full.txt

Die vollständige Version wird beim Build automatisch aus allen MDX-Content-Dateien generiert:

// Inhalte einlesen, Komponenten-Markup entfernen, als Markdown zusammenfügen
const seiten = await ladeAlleInhalte() // je Seite: Titel, URL, Text
const abschnitte = seiten.map(
  (s) => `## ${s.title}\n\nURL: ${s.url}\n\n${ohneKomponenten(s.text)}`,
)
await schreibeDatei('llms-full.txt', ['# Firmenname', ...abschnitte].join('\n\n'))

3. Build-Integration

Die Generierung läuft automatisch vor jedem Build.

Schritt-für-Schritt: llms.txt für Ihre Website

Schritt 1: Bestandsaufnahme

Identifizieren Sie Ihre wichtigsten Inhalte:

1. Kernseiten: Startseite, Über uns, Kontakt
2. Leistungen: Alle Service-/Produktseiten
3. Content: Blog, Dokumentation, FAQ
4. Lokale Infos: Standorte, Öffnungszeiten

Schritt 2: Manuelle llms.txt erstellen

Erstellen Sie public/llms.txt mit den wichtigsten Informationen:

# [Ihr Unternehmensname]
 
> [Kurze Beschreibung: Was Sie tun, für wen, wo - in 1-2 Sätzen]
 
**Vollständige Dokumentation:** [llms-full.txt](https://ihre-domain.de/llms-full.txt)
 
## Wichtige Fakten
 
> **[Branchenrelevante Statistik]:** [Zahl mit Quelle]
 
> **[Alleinstellungsmerkmal]:** [Kurze Erklärung]
 
## Leistungen
 
- [Leistung 1](URL): Kurzbeschreibung
- [Leistung 2](URL): Kurzbeschreibung
- [Leistung 3](URL): Kurzbeschreibung
 
## Kontakt
 
- **E-Mail:** [ihre@email.de]
- **Telefon:** [Nummer]
- **Adresse:** [Standort]
- **Website:** [https://ihre-domain.de]

Schritt 3: Automatische llms-full.txt generieren

Für Content-getriebene Websites empfehlen wir die automatische Generierung. Das Grundprinzip:

import fs from 'fs/promises'
import matter from 'gray-matter'
import path from 'path'
 
async function generateLlmsFull() {
  const contentDirs = ['blog', 'services', 'products']
  const sections: string[] = []
 
  // Header
  sections.push('# Ihr Unternehmen - Vollständige Dokumentation\n')
  sections.push(`**Generiert:** ${new Date().toISOString().split('T')[0]}\n`)
 
  // Jedes Content-Verzeichnis verarbeiten
  for (const dir of contentDirs) {
    const files = await fs.readdir(`content/${dir}`)
    const mdxFiles = files.filter(f => f.endsWith('.mdx'))
 
    sections.push(`\n## ${dir.charAt(0).toUpperCase() + dir.slice(1)}\n`)
 
    for (const file of mdxFiles) {
      const raw = await fs.readFile(`content/${dir}/${file}`, 'utf-8')
      const { data, content } = matter(raw)
 
      sections.push(`### ${data.title}\n`)
      sections.push(`**URL:** https://ihre-domain.de/${dir}/${file.replace('.mdx', '')}\n`)
      sections.push(cleanContent(content))
      sections.push('\n---\n')
    }
  }
 
  await fs.writeFile('public/llms-full.txt', sections.join('\n'))
}
 
function cleanContent(content: string): string {
  return content
    .replace(/^import .*/gm, '')
    .replace(/<[A-Z][^>]*>[\s\S]*?<\/[A-Z][^>]*>/g, '')
    .replace(/<[A-Z][^>]*\/>/g, '')
    .trim()
}

Schritt 4: Build-Prozess integrieren

Fügen Sie die Generierung zu Ihrem Build hinzu:

# package.json scripts
"prebuild": "node scripts/generate-llms-full.js",
"build": "next build"
 
# Oder mit tsx für TypeScript
"build": "tsx scripts/generate-llms-full.ts && next build"

Schritt 5: Testen und Validieren

Prüfen Sie Ihre llms.txt:

1. Erreichbarkeit: curl https://ihre-domain.de/llms.txt
2. Formatierung: Markdown-Preview in VS Code/GitHub
3. KI-Test: Fragen Sie ChatGPT nach Ihrem Unternehmen (mit Web-Browsing)
4. Größe: klein genug für den Kontext eines KI-Modells

Was im HTML zählt: Grundsätze für zitierfähige Inhalte

1. Strukturierte Fakten mit Blockquotes

KI-Systeme zitieren präzise, belegte Aussagen – im HTML genauso wie in der Textdatei:

> **Website-Kosten 2026:** Eine Unternehmenswebsite mit etwa fünf Seiten
> kostet laut Preisangaben von Agenturen 2.500–5.000 €. (Quelle: kopfundstift.de, 09/2026)
 
> **Ladezeit:** Der Hauptinhalt von rechnerzentrale.com steht nach 0,63 s.
> (Lighthouse Desktop, Median aus 3, 30.09.2026)

2. Klare Kategorisierung

Gruppieren Sie Inhalte logisch:

## Blog-Artikel (nach Thema)
 
### SEO
- [Core Web Vitals](/blog/core-web-vitals-optimierung): Messen und verbessern
 
### Kosten & Planung
- [Website-Kosten](/webseite-erstellen-lassen-kosten): Preisangaben von Agenturen

3. Direkte Antworten formulieren

Schreiben Sie Inhalte so, dass KI sie direkt als Antwort verwenden kann:

Der Preis im Beispiel ist unser eigener Einstiegspreis. Unsere Angebote richten sich ausschließlich an Unternehmer (§ 14 BGB), Behörden und Forschungseinrichtungen, nicht an Verbraucher. Alle Preise netto zzgl. gesetzlicher Umsatzsteuer.

4. Regelmäßige Aktualisierung

• Generieren Sie llms-full.txt bei jedem Deploy
• Aktualisieren Sie llms.txt bei strategischen Änderungen
• Fügen Sie neue Blog-Artikel und Seiten automatisch hinzu

Erweiterte Strategien

Strukturierte Daten: das, was belegt wirkt

Anders als llms.txt sind strukturierte Daten offiziell dokumentiert und werden von Suchmaschinen ausgewertet:

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "headon",
  "description": "KI-Agentur für Software, Geodaten und Visualisierung",
  "url": "https://headon.pro",
  "knowsAbout": [
    "Webentwicklung",
    "Next.js",
    "Fernerkundung",
    "3D-Visualisierung"
  ]
}

Was die KI-Systeme tatsächlich lesen

Perplexity, ChatGPT mit Browsing und Claude mit Web-Zugriff arbeiten mit Ihren gerenderten Seiten; dass sie dafür die llms.txt heranziehen, ist nicht belegt. Entscheidend ist deshalb, ob eine Seite eine Frage vollständig beantwortet, sauber strukturiert ist und ohne Hürden crawlbar bleibt.

Häufig gestellte Fragen (FAQ)

Was ist llms.txt und wozu brauche ich es?

llms.txt ist eine Community-Konvention für maschinenlesbare Website-Dokumentation: eine Markdown-Datei unter /llms.txt. KI-Systeme könnten sie lesen – ob sie es tun, ist die entscheidende Frage. Die Datenlage sagt: überwiegend nicht. Brauchen im Sinne von „nötig für Sichtbarkeit" tun Sie die Datei nach heutigem Stand nicht.

Ersetzt llms.txt die klassische SEO?

Nein – und nach aktueller Datenlage ersetzt es auch nichts, was Sie ohnehin tun sollten. robots.txt, sitemap.xml und strukturierte Daten sind belegt wirksam, llms.txt ist es nicht. Google selbst verweist für seine KI-Funktionen ausdrücklich auf die klassischen SEO-Grundlagen.

Wie groß sollte meine llms.txt sein?

Die Spezifikation macht keine Größenvorgabe. Die kompakte llms.txt sollte klein genug für den Kontext eines KI-Modells bleiben; Details gehören in die verlinkten Seiten.

Muss ich llms.txt manuell pflegen?

Die kompakte llms.txt pflegen Sie am besten manuell, da sie strategische Inhalte enthält. Die llms-full.txt sollten Sie automatisch beim Build generieren – so bleibt sie immer aktuell mit Ihren Blog-Artikeln, Produktseiten und Dokumentation.

Welche KI-Systeme unterstützen llms.txt?

Für die Websuche keines offiziell. Google hat die Unterstützung ausdrücklich verneint. OpenAI erwähnt in der Crawler-Dokumentation robots.txt, aber nicht llms.txt. Anders bei Entwickler-Dokumentation: Anbieter wie Anthropic veröffentlichen eine llms.txt für ihre Entwickler-Doku, gedacht für KI-Werkzeuge beim Programmieren. Dass KI-Systeme Markdown verarbeiten können, heißt nicht, dass sie die Datei bei der Websuche abrufen.

Wie teste ich, ob meine llms.txt funktioniert?

Erreichbarkeit und Format prüfen Sie mit curl https://ihre-domain.de/llms.txt. Ob die Datei wirkt, lässt sich dagegen kaum isolieren: Wenn ChatGPT Ihr Unternehmen nennt, wissen Sie nicht, ob es die llms.txt gelesen hat oder – viel wahrscheinlicher – Ihr HTML. Der einzig belastbare Test sind Ihre Server-Logs: Filtern Sie auf Zugriffe auf /llms.txt und schauen Sie, welche User-Agents die Datei tatsächlich abholen. Erwarten Sie wenig.

Zusammenfassung: Machen – aber mit richtigen Erwartungen

llms.txt ist eine halbe Stunde Arbeit, kein Sichtbarkeitsprojekt. Wer sie automatisiert erzeugt, hat sie für immer und verliert nichts. Wer sie als Strategie verkauft bekommt, sollte nach Belegen fragen – es gibt bisher keine.

Wie wir das handhaben

Wir richten llms.txt im Rahmen unserer GEO-Optimierung ein – aber sie ist dort die kleinste Position. Der Aufwand geht in das, was nachweislich zählt: crawlbare Seiten, strukturierte Daten, klar beantwortete Fragen. Wo Sie heute stehen, zeigt der kostenlose KI-Sichtbarkeits-Check: Sie erfahren, ob ChatGPT und Perplexity Ihr Unternehmen überhaupt nennen – und woran es liegt, wenn nicht.

Weiterführende Ressourcen

Belege für die Aussagen in diesem Artikel:

• Google: AI features and your website – Googles Dokumentation zu den KI-Funktionen: „You don't need to create new machine readable files, AI text files, or markup to appear in these features."
• SE Ranking: LLMs.txt – Why Brands Rely On It and Why It Doesn't Work – 07.11.2025, Untersuchung über rund 300.000 Domains, 10,13 % Adoption, kein Zusammenhang mit KI-Zitaten
• Search Engine Journal zur Studie
• Rankability: llms.txt-Adoption der Top 1.000 – 9,3 % (93 von 1.000), Stand 18.09.2026
• Search Engine Journal: Google Search Central APAC 2025 – Aussagen von Gary Illyes zu llms.txt
• Google: Übersicht der Google-Crawler – Google-Extended als robots.txt-Token
• Anthropic: llms.txt der Entwickler-Dokumentation

Weiterführend:

• llmstxt.org – die Spezifikation
• headon llms.txt und llms-full.txt – unsere Live-Umsetzung
• Google Structured Data Guide – das, was belegt wirkt

Ursprünglich veröffentlicht im Dezember 2025. Grundlegend überarbeitet im Juli 2026, nachdem Googles Aussagen und die Studienlage die ursprüngliche Empfehlung nicht mehr trugen. Erneut überarbeitet im September 2026.