llms.txt in der Praxis: Was es bringt und wie wir es bauen

Kaum ein GEO-Thema wird so heiß diskutiert wie llms.txt – und bei kaum einem klaffen Versprechen und Beleglage so weit auseinander. Wir haben die Datei auf unserer eigenen Website im Einsatz, seit Kurzem vollständig generiert statt handgepflegt. Dieser Artikel ordnet ehrlich ein, was llms.txt kann und was nicht – und zeigt das Setup, mit dem die Datei sich selbst aktuell hält.

Was llms.txt ist – und was es sein will

Der Vorschlag stammt von Jeremy Howard (Answer.AI, 2024): Eine Markdown-Datei unter /llms.txt, die Sprachmodellen das gibt, was sie beim Parsen einer Website mühsam zusammensuchen müssen – wer hier schreibt, was angeboten wird, wo die wichtigen Inhalte liegen. Klartext statt HTML-Ballast, kuratiert statt gecrawlt.

Die Analogie zu robots.txt liegt nahe, führt aber in die Irre: robots.txt ist ein etablierter Standard, den jeder relevante Crawler respektiert. llms.txt ist ein Community-Vorschlag, dessen Abnehmerseite bis heute dünn ist.

Die ehrliche Beleglage

Was dafür spricht:

• Der Aufwand ist minimal – eine Textdatei im Root, kein Risiko für Bestehendes.
• Verbreitung wächst, vor allem bei Entwickler-Dokumentationen (KI-Tooling-Anbieter, Framework-Docs). In dieser Nische hat sich das Format faktisch etabliert.
• KI-Crawler-Zugriffe auf die Datei tauchen in Server-Logs auf – vereinzelt, aber real.

Was dagegen spricht:

• Kein großer KI-Anbieter hat bestätigt, llms.txt systematisch für Antworten auszuwerten.
• Google hat sich ablehnend geäußert – für die klassische Suche spielt die Datei keine Rolle.
• Ein messbarer Zitier-Effekt ist nirgends sauber belegt – auch bei uns nicht.

Unser Fazit daraus: llms.txt ist eine Wette mit winzigem Einsatz. Wer sie hält, sollte es bewusst als Experiment tun – und den Aufwand entsprechend klein halten. Womit wir beim eigentlichen Punkt wären.

Das eigentliche Problem: Die Datei veraltet

Die meisten llms.txt-Dateien, die man im Netz findet, sind Momentaufnahmen: einmal geschrieben, nie wieder angefasst. Neue Artikel fehlen, alte Preise stehen drin, verschobene Seiten zeigen ins Leere. Eine veraltete Fakten-Datei ist schlimmer als keine – sie erzählt KI-Systemen aktiv Falsches, und niemand merkt es, weil die Datei in keinem Browser auffällt.

Deshalb gilt für llms.txt dasselbe Prinzip wie für Sitemaps und strukturierte Daten: abgeleitet statt handgepflegt. Die Datei muss aus denselben Quellen entstehen wie die Website selbst.

Unser Setup: llms.txt als Build-Artefakt

Unsere Website ist eine statische Astro-Site mit Content Collections. Die llms.txt entsteht bei jedem Build neu, aus drei Quellen:

1. Kuratierter Kopf: Kernfakten (Firma, Gründung, Register, Arbeitsweise) und die wichtigsten Seiten – der Teil, der sich selten ändert, als gepflegtes Template.
2. Zentrale Preisquelle: Alle öffentlichen Preisanker kommen aus derselben Datei, die auch die Seiten und das Schema-Markup speist. Ändert sich ein Preis, ändert er sich überall – auch in der llms.txt.
3. Content Collections: Jeder veröffentlichte Artikel landet automatisch mit URL, Datum und Beschreibung in der Datei; jeder Glossar-Begriff mit seiner Einzelseiten-URL. Vorgeplante Artikel erscheinen am Veröffentlichungstag von selbst, weil derselbe Filter greift wie für Sitemap und Übersichtsseiten.

Technisch ist das in Astro ein Endpoint (src/pages/llms.txt.ts), der beim Build eine Textdatei rendert – kein Server, kein Cronjob, keine Pflege. Bei zweisprachigen Projekten mit getrennten Domains braucht jede Domain ihre eigene Sprachfassung; das ist der einzige Stolperstein, wenn das Deployment die Sprachen aus einem Build heraus aufteilt.

Das Ergebnis kannst du dir live ansehen: codeaeffchen.de/llms.txt.

Was hineingehört – und was nicht

Hinein gehört, was ein KI-System für eine korrekte Empfehlung braucht:

• Wer: Firmenname, Rechtsform, Standort, seit wann, Registerdaten
• Was: Leistungen in einer Zeile pro Angebot, öffentliche Preise
• Wo: die wichtigsten Seiten mit URL und Ein-Satz-Beschreibung
• Inhalte: vollständige Artikel- und Glossar-Liste mit URLs

Nicht hinein gehören Marketing-Superlative, Keyword-Listen oder Behauptungen, die auf der Website nicht stehen. KI-Systeme gleichen Quellen ab – eine llms.txt, die mehr verspricht als die Website hält, beschädigt die Konsistenz der Entität statt ihr zu helfen. Dasselbe Prinzip wie bei unserer Faktenseite für KI-Systeme: identische Fakten überall.

Wenn du keine Build-Pipeline hast, hilft der Generator beim Format – die Pflege bleibt dann Handarbeit, also trag dir einen Termin ein:

Auch als eigenständige Seite mit allen Anleitungen: llms.txt-Generator.

Einordnung im GEO-Werkzeugkasten

llms.txt ist ein kleiner Baustein in einem größeren Bild. Nach allem, was wir auf der eigenen Domain messen, wirken andere Hebel stärker: Glossar-Einzelseiten mit sauberem Schema, FAQ-Blöcke mit direkt zitierbaren Antworten, eine konsistente Entität über alle Kanäle – den Überblick gibt unser Artikel zur Sichtbarkeit in der KI-Suche. llms.txt ergänzt das um eine maschinenfreundliche Eintrittstür, mehr nicht.

Wenn du das Thema für deine eigene Website angehen willst: Der richtige Zeitpunkt ist, wenn ohnehin am Fundament gearbeitet wird – bei einem Relaunch oder einer Migration auf einen statischen Stack. Dann kostet die generierte Fassung eine Stunde statt eines Nachmittags. Wie so ein Fundament aussieht, zeigen wir auf der Astro-Leistungsseite.