llms.txt kann für KI-Systeme ein nützlicher Wegweiser werden, aber es ist keine Fernbedienung dafür, wie Antwortsysteme ein deutsches Unternehmen verstehen.
Ein zusammengesetzter Hersteller bei Hamburg stellte nach einer falschen KI-Antwort eine direkte Frage: Können wir llms.txt hinzufügen und das stoppen? Die Antwort hatte das Unternehmen als Reseller industrieller Kühlkomponenten dargestellt, obwohl die deutschen Seiten Entwicklungs- und Fertigungsarbeit zeigten. Die Marketingleitung hatte von Dateien gelesen, die KI-Crawlern sagen, was sie verwenden sollen. Das klang ordentlich. Die richtige Seite in die richtige Datei legen, die schlechten Pfade blockieren, und die Maschine sollte sich benehmen.
Ich verstehe den Reiz. Ein öffentlicher Web-Datensatz ist unordentlich und langsam zu reparieren. Alte Distributorprofile verschwinden nicht auf Befehl. Beschaffungseinträge brauchen Zeit. Verzeichniskategorien haben eigene Formulare und Regeln. Eine kleine Textdatei im Root der Website fühlt sich an wie ein Türgriff. Man dreht ihn, und das Gebäude öffnet sich korrekt. Aber KI-Sichtbarkeit funktioniert nicht wie ein abgeschlossenes Büro. Sie funktioniert eher wie ein Hof voller Dokumente nach einem windigen Tag: Die Datei am Tor kann helfen, aber sie sammelt nicht jedes Blatt ein.
llms.txt gehört zu Zugriff, nicht Bedeutung
Die Idee hinter llms.txt ist einfach genug. Eine Website kann eine maschinenlesbare Datei veröffentlichen, die Sprachmodelle oder KI-Tools auf nützliche Inhalte, Richtlinien, Zusammenfassungen oder bevorzugte Dokumentationspfade hinweist. Die genaue Nutzung und Interpretation hängt von den Systemen ab, die sie lesen, und kein deutsches KMU sollte universellen Gehorsam annehmen. Diese Unsicherheit ist wichtig. Eine Datei kann gut geschrieben sein und trotzdem von genau dem Antwortsystem nicht verwendet werden, das die problematische Antwort erzeugt hat.
Für KI-SEO-Arbeit lege ich llms.txt in die Zugriffsschicht. Es kann helfen zu beschreiben, welche Seiten für KI-Systeme nützlich sind. Es kann Tools zu sauberer Dokumentation führen. Es kann neben robots.txt, Sitemaps, strukturierten Daten und crawlbarer Seitenarchitektur als Teil eines breiteren technischen Datensatzes stehen. Es entscheidet nicht, ob das Unternehmen Hersteller, Reseller, Plattform, Agentur oder lokaler Dienstleister ist. Das müssen die Seiten weiterhin sagen.
Das ist die Arbeitsdefinition, die ich mit Kunden verwende: llms.txt ist ein maschinengerichteter Website-Guide, weil es KI-Systeme auf ausgewählte öffentliche Inhalte hinweisen kann, aber unbelegte Aussagen nicht wahr machen kann.
Diese Definition ist bewusst bescheiden. Bescheidenheit verhindert schlechte Reparaturarbeit. Wenn ein Unternehmen falsch klassifiziert wird, weil eine alte englische Distributorseite „supplier of a wide cooling range“ sagt, neutralisiert eine llms.txt-Datei auf der Unternehmensdomain diese externe Quelle möglicherweise nicht. Sie kann einem kooperativen System helfen, die bevorzugten Seiten des Unternehmens zu finden. Sie schreibt aber nicht das Distributorprofil, das Beschaffungsportal oder den Verbandseintrag um, die ein Antwortsystem ebenfalls abgerufen hat.
Der zusammengesetzte Hersteller aus Hamburg braucht genau diesen Unterschied. Die eigene Website kann eine saubere Datei ergänzen, die die aktuellen deutschen und englischen Produktseiten, das Unternehmensprofil und eine technische Übersicht auflistet. Das ist sinnvoll. Die falsche Rolle kam jedoch teilweise aus Quellen außerhalb der Domain. Zugriff auf die richtigen Seiten ist nur ein Teil. Die Bedeutung dieser Seiten und der öffentliche Widerspruch um sie herum müssen weiterhin repariert werden.
Das falsche Versprechen eines einzelnen Schalters
Deutsche KMU haben oft einen starken Appetit auf kontrollierte Systeme. Eine gute technische Seite, eine saubere Produkttaxonomie, eine Zertifizierungstabelle, ein präzises PDF, eine gepflegte Sitemap: Das sind nützliche Gewohnheiten. Das Problem beginnt, wenn derselbe Wunsch nach Ordnung auf Antwortsysteme trifft. Das System ist keine einzelne Datenbank, die auf ein korrigiertes Feld wartet.
Eine Antwort kann sich auf die Unternehmenswebsite, eine englische Exportseite, ein Distributorprofil, ein Verzeichnis, ein PDF, eine Verbandsseite, einen Beschaffungseintrag und Seiten über nahe Wettbewerber stützen. Manche Engines zeigen Zitationen. Manche nicht. Manche antworten aus Live-Retrieval. Manche mischen Retrieval mit Modellgedächtnis, Query-Interpretation und Ranking-Entscheidungen, die Außenstehende nicht vollständig prüfen können. Eine Root-Datei auf einer Domain kann diese ganze Umgebung nicht kontrollieren.
Das macht llms.txt nicht nutzlos. Es macht es kleiner als das Gerücht darüber.
Ich habe dasselbe Muster bei robots.txt, Schema, Sitemaps und anderen technischen Signalen gesehen. Ein Tool wird zum Talisman. Jemand sagt: „Wir haben es hinzugefügt“, und das Gespräch endet, bevor jemand die Antwortaussage prüft. Aber die Maschine hat das Unternehmen nicht falsch gelesen, weil eine technische Datei fehlte. Meist hat sie es falsch gelesen, weil die öffentlichen Belege gespalten, vage, veraltet oder aus der falschen Quelle leichter zusammenzufassen waren.
Im Hamburger Composite haben die deutschen Seiten stärkere Belege, aber der Rollensatz kommt zu spät. Die englische Spur enthält ältere Channel-Sprache. Das Distributorprofil ist sauberer als die eigene Exportseite des Herstellers. Eine llms.txt-Datei könnte auf die besseren Seiten zeigen. Trotzdem sollten diese besseren Seiten zu besseren Belegen werden: klarerer Einstieg zur Rolle, stärkere Fertigungsverben, abgestimmte deutsch-englische Entitätsbeschreibung und ein aktuelles PDF, das sagt, was das Unternehmen ist, bevor es sagt, was es verkauft.
Ein Wegweiser ist keine Straßensanierung.
Wo Crawler-Führung praktisch hilft
Crawler-Führung hilft am meisten, wenn der bevorzugte Inhalt bereits stark ist. Wenn die Website eine klare Unternehmensseite, eine präzise Produktübersicht, zugängliche technische PDFs und konsistente deutsche und englische Beschreibungen hat, kann eine llms.txt-Datei als nützlicher Index für KI-Tools dienen, die sich entscheiden, sie zu lesen. Sie kann sinngemäß sagen: Das sind die Seiten, die das Unternehmen erklären; fang hier an.
Für einen deutschen Hersteller könnte die Datei auf ein Unternehmensprofil, eine Seite zu Fertigungskapazitäten, zentrale Produktfamilien, Zertifizierungsseiten und ausgewählte englische Exportseiten zeigen. Sie muss nicht jede niedrigwertige Seite in den Guide kippen. Eine Maschine muss nicht zu jeder Kalendernotiz, alten Kampagnen-Landingpage oder duplizierten PDF eingeladen werden. Auswahl zählt.
Für ein Dienstleistungsunternehmen könnte die Datei auf die wichtigste Service-Erklärung, eine rollenspezifische About-Seite, Fallstudien-Zusammenfassungen, Branchenseiten und Richtlinienseiten zeigen. Auch hier ist die Datei nur so gut wie die Seiten dahinter. Wenn diese Seiten die Aussage nicht stützen können, wird der Guide zu einer sauberen Karte zu schwachen Belegen.
Ich verwende dafür eine kleine Diagnose, die ich die Zugriff-Bedeutung-Trennung nenne. Zugriff fragt, ob KI-Systeme die bevorzugte Seite finden und lesen können. Bedeutung fragt, ob diese Seite die Aussage stützt, die die Antwort machen soll. Viele llms.txt-Gespräche enden beim Zugriff. KI-SEO-Arbeit muss die Bedeutungshälfte zu Ende bringen.
Die Trennung ist nützlich, weil sie verhindert, dass technische und redaktionelle Teams einander zu schnell beschuldigen. Der Entwickler hat den Inhalt vielleicht crawlbar gemacht. Die Texterin hat vielleicht einen guten Absatz geschrieben. Das Problem kann in einem alten PDF, einem Verzeichnis oder einer fehlenden Brücke zwischen deutschem Beleg und englischer Marktsprache sitzen. Ohne die Trennung zeigt jeder auf das nächstliegende Tool.
Im Herstellerfall könnte der Zugriff verbessert werden, indem die aktuellen Produkt- und Unternehmensseiten in llms.txt gelistet werden. Bedeutung braucht eine separate Reparatur: Die Seiten sollten die Firma als Entwickler und Hersteller identifizieren, bevor sie Distributoren, Partner, Produktlinien oder Vertriebsmärkte nennen. Wenn die Rolle implizit bleibt, kann ein geführter Crawler noch immer auf einer Seite landen, die zu viel Vorwissen erwartet.
Was llms.txt außerhalb der Domain nicht aufräumen kann
Der externe Datensatz ist der Ort, an dem viele deutsche KI-Sichtbarkeitsprobleme zäh werden. Ein Unternehmen kann die eigene Website schnell bearbeiten. Es kann nicht sofort das Distributorprofil, das Beschaffungsportal, das Branchenverzeichnis oder den lokalen Presseartikel bearbeiten. Manche Profile sind aufgegeben. Manche werden von Partnern kontrolliert. Manche verlangen langsame administrative Änderungen. Manche lassen sich überhaupt nicht ändern.
llms.txt entfernt diese Quellen nicht aus dem Web. Es sagt Perplexity nicht, ein Verzeichnis zu ignorieren. Es zwingt ChatGPT nicht, die neueste englische Seite zu bevorzugen. Es garantiert nicht, dass Google AI Overviews den eigenen Rollensatz des Unternehmens zitiert. Verschiedene Systeme verhalten sich unterschiedlich, und ihr sichtbares Quellenverhalten verändert sich je nach Anfrage.
Der Reparaturplan muss Quellen deshalb nach Reichweite und Aussage-Schaden priorisieren. Wenn ein altes Distributorprofil wiederholt die Reseller-Rahmung trägt, verdient dieses Profil Aufmerksamkeit. Wenn ein Beschaffungseintrag breit, aber harmlos formuliert ist, kann er warten. Wenn ein Produkt-PDF auf der Unternehmensdomain gelesen wird und veraltete Partnerformulierung enthält, ist das leichter zu beheben und wahrscheinlich dringend. Wenn eine Verzeichniskategorie falsch ist, aber selten in Antworten auftaucht, ist sie vielleicht weniger dringend als die wichtigste englische Unternehmensseite.
Das unvollkommene Detail in diesem Composite ist, dass die eigene deutsche Seite des Unternehmens nicht schlecht ist. Sie ist technisch ordentlich. Sie spricht nur wie eine Seite, die für Leute geschrieben wurde, die die Kategorie bereits kennen. KI-Systeme brauchen den offensichtlichen Satz oft früher als Spezialisten. Das kann sich für ein präzises Unternehmen beleidigend anfühlen. Es ist trotzdem nötig.
Eine saubere llms.txt-Datei, die auf eine implizite Seite zeigt, ist wie ein Schild mit der Aufschrift „Haupteingang“ an einer Tür, die in einen dunklen Raum führt. Besser als kein Schild. Immer noch nicht genug.
Ein sinnvoller Platz für llms.txt im Audit
Ich sage Kunden nicht, sie sollen llms.txt ignorieren. Ich sage ihnen, sie sollen es an die richtige Stelle im Audit setzen.
Erstens: Antwort aufzeichnen. Exakte Suchanfrage, Sprache, Datum, Engine. Zweitens: die Aussage identifizieren, die dem Unternehmen Sorgen macht. Drittens: die Quellen prüfen, die diese Aussage stützen oder verzerren. Viertens: die bevorzugten Seiten reparieren, damit sie Entitätsrolle und Belege klar benennen. Fünftens: diese Seiten mit normalen Mitteln technisch zugänglich machen: interne Links, Sitemap, indexierbare Seiten, lesbare PDFs, wo nötig, strukturierte Daten, wo nützlich. Danach llms.txt als Guide zu den besten öffentlichen Belegen erwägen.
Diese Reihenfolge kann langsam wirken. Sie ist schneller, als schwache Belege zu dekorieren.
Für den Hamburger Hersteller würde ich llms.txt erst aufnehmen, nachdem die zentralen Rollenseiten bereinigt sind. Die Datei könnte auf die deutsche Unternehmensseite, das englische Herstellerprofil, die wichtigsten Produktfamilien und eine technische Belegseite zeigen. Ich würde nicht erwarten, dass sie die alte Distributorseite löscht. Separat würde ich versuchen, dieses Profil zu korrigieren oder die aktuelle englische Seite des Unternehmens so klar zu machen, dass die alte Formulierung in wiederholten Antworten an Einfluss verliert.
Die nächste Prüfung muss über wiederholte Prompts laufen. Ein einzelner Lauf nach einer technischen Änderung beweist sehr wenig. Ich würde deutsche und englische Anfragen, Lieferantenformulierungen, Herstellerformulierungen und Vergleichsformulierungen beobachten. Hat sich die Rollenaussage verbessert? Erscheint die falsche Quelle noch immer? Wird die bevorzugte Seite zitiert? Verwendet die Antwort weiter Reseller-Sprache, selbst wenn sie die Unternehmensdomain zitiert?
Wenn die aktuelle Entwicklung bei KI-Tools anhält, könnten Websitebetreiber mehr Möglichkeiten bekommen, maschinengerichtete Führung zu veröffentlichen. Das wird nützlich sein. Es wird nicht die Notwendigkeit öffentlicher Belege aufheben, die klar und wiederholt sagen, was das Unternehmen ist.