Alle paar Monate verspricht eine neue Datei, deine Seite in die Antworten von ChatGPT zu bringen. Aktuell ist das die Datei llms.txt. Der Pitch ist simpel: Leg eine Markdown-Datei im Root deiner Seite ab, und die KI-Engines verstehen dich besser und zitieren dich häufiger. Es klingt plausibel, die Verbreitung steigt, und viele Plugins und Agenturen verkaufen es inzwischen als KI-SEO-Pflicht.
Funktioniert das also wirklich? Die ehrliche Antwort, gestützt auf die aktuelle Beweislage: llms.txt ist real, günstig hinzuzufügen und für ein ganz bestimmtes Publikum wirklich nützlich, aber für das, wofür die meisten sie hinzufügen, bringt sie fast nichts, nämlich von ChatGPT oder den KI-Übersichten von Google zitiert zu werden. Dieser Leitfaden erklärt, was sie ist, wie man eine erstellt, und wann sie deine Zeit wirklich wert ist.
Was llms.txt eigentlich ist
llms.txt ist eine vorgeschlagene Konvention: eine einzelne Markdown-Datei im Root deiner Seite (/llms.txt), die großen Sprachmodellen eine saubere, kuratierte Version deiner wichtigsten Inhalte übergibt. Sie wurde im September 2024 von Jeremy Howard (von Answer.AI und fast.ai) vorgeschlagen.
Das Problem, das sie zu lösen versucht, ist real. Ein LLM hat ein begrenztes Kontextfenster und kann deine ganze Seite nicht lesen. Dein HTML ist außerdem voller Navigation, Skripte und Markup, die Tokens verschwenden und den eigentlichen Inhalt vergraben. llms.txt soll dem Modell eine knappe Markdown-Karte dessen geben, was zählt, sodass es deine Inhalte zur Inferenzzeit nutzen kann, ohne alles zu crawlen und zu parsen.
Eines ist sie nicht: robots.txt. Die beiden Dateien sind Gegensätze. robots.txt steuert, ob Bots auf deine Seiten zugreifen dürfen. llms.txt macht das Umgekehrte, sie lädt Modelle ein und übergibt ihnen eine kuratierte Zusammenfassung. Die eine ist ein Tor, die andere ein Reiseführer.
llms.txt vs llms-full.txt vs robots.txt
Drei Dateien werden ständig verwechselt. Hier ist der Unterschied:
| Datei | Was sie macht | Wer sie liest |
|---|---|---|
| robots.txt | Zugriffssteuerung: Crawler auf bestimmten Pfaden erlauben oder blockieren | Suchmaschinen und KI-Crawler (etablierter Standard) |
| llms.txt | Ein kuratierter Markdown-Index deiner Schlüsselseiten, mit kurzen Beschreibungen | LLMs und KI-Agenten (vorgeschlagene Konvention) |
| llms-full.txt | Der vollständige Inhalt dieser Seiten, zu einer sauberen Datei zusammengefügt | LLMs und KI-Agenten (vorgeschlagene Konvention) |
Stell es dir so vor: llms.txt ist das Inhaltsverzeichnis, llms-full.txt ist das ganze Buch in einer sauberen Datei. Beachte, dass nur llms.txt von der Kernspezifikation definiert wird; llms-full.txt ist eine Begleitkonvention, die darum herum entstanden ist.
Wie eine llms.txt-Datei aussieht
Das Format ist bewusst einfaches Markdown, in dieser Reihenfolge: ein H1 mit deinem Namen (der einzige Pflichtteil), eine Blockquote-Zusammenfassung, optionaler Kontext, dann H2-Abschnitte, die Links als [Titel](URL): Beschreibung auflisten. Ein kurzes Beispiel:
# Sublim Analytics
> Privacy-first, cookieless web analytics for teams that want complete data without a consent banner.
Sublim measures 100% of your traffic, includes behavioral analytics, and is hosted in the EU.
## Docs
- [Getting started](https://sublimanalytics.com/docs/start): install the script in one line
- [Tracking events](https://sublimanalytics.com/docs/events): measure goals and conversions
## Guides
- [Web analytics for marketers](https://sublimanalytics.com/blog/guides/web-analytics-for-marketers): what to measure and whyDu kannst sie von Hand schreiben, aus deinem CMS generieren (SEO-Plugins wie Yoast können eine ausgeben) oder deine Seite durch einen Generator oder ein Crawler-Tool laufen lassen. Es ist eine statische Datei, es gibt also keine laufende Wartung, außer die Links aktuell zu halten.
Funktioniert sie wirklich?
Hier ist der Teil, den die meisten Leitfäden auslassen, weil er den Pitch untergräbt. Wenn dein Ziel ist, von ChatGPT, Perplexity oder den KI-Übersichten von Google häufiger zitiert zu werden, sagt die aktuelle Beweislage, dass llms.txt nichts bewegt.
- Die Verbreitung ist dünn. Eine Studie von SE Ranking über 300.000 Domains ergab, dass nur etwa 10% eine llms.txt-Datei hatten, mehr als ein Jahr nach dem Start der Idee. Dieselbe Analyse fand keine Korrelation zwischen dem Vorhandensein der Datei und dem Zitiertwerden durch KI. Sie aus dem Modell zu entfernen verbesserte die Vorhersagen sogar, was bedeutet, dass die Datei Rauschen statt Signal hinzufügte.
- Die großen KI-Engines nutzen sie nicht. Gary Illyes von Google bestätigte, dass Google Search llms.txt nicht unterstützt und nicht verfolgt. John Mueller verglich sie mit dem alten Keywords-Meta-Tag: kein KI-Dienst hat gesagt, dass er llms.txt nutzt, und Server-Logs zeigen, dass die Bots die Datei nicht einmal anfordern.
- Der Grund ist struktureller Natur. llms.txt ist ein Signal, das du selbst über dich schreibst und vollständig kontrollierst. Suchmaschinen haben längst gelernt, dass selbstdeklarierte Signale trivial zu manipulieren und daher fürs Ranking wertlos sind. Genau deshalb starb das Keywords-Meta-Tag. Wie Mueller es formulierte: Warum sollte ein Modell dem glauben, was eine Seite über sich selbst behauptet, wenn es die Seite einfach direkt lesen kann?
Wenn also ein Plugin oder eine Agentur dir sagt, das Hinzufügen von llms.txt bringe dich in KI-Antworten, behandle das als Behauptung, nicht als Tatsache.
Wo llms.txt wirklich hilft: das agentische Web
Es gibt einen echten Anwendungsfall, nur eben nicht den gehypten. Die Tools, die /llms.txt und /llms-full.txt heute wirklich lesen, sind KI-Coding-Agenten und Entwickler-Tools: Cursor, Claude Code, GitHub Copilot, Windsurf, Cline und MCP-basierte Integrationen. Richte eines davon auf eine Dokumentationsseite, und es sucht nach llms.txt, um schnell sauberen Kontext zu laden, statt gerendertes HTML zu scrapen.
Das macht llms.txt wirklich lohnenswert, wenn du Folgendes veröffentlichst:
- Entwicklerdokumentation oder eine API-Referenz.
- Ein technisches Produkt, das Menschen aus Coding-Assistenten heraus nutzen.
- Alles, was von KI-Agenten konsumiert werden soll, nicht nur von menschlichen Lesern.
Für eine Docs-Seite ist llms.txt eine kleine, wirkungsvolle Ergänzung. Für einen Marketing-Blog, der hofft, in ChatGPT zu ranken, ist sie praktisch wirkungslos. (Bemerkenswert: Chromes Lighthouse hat kürzlich einen experimentellen „agentischen" Audit hinzugefügt, der auf llms.txt prüft, die Konvention ist also nicht tot, sie richtet sich nur an Agenten statt an die Suche.)
Sollte deine Seite also eine haben?
Eine einfache Art, das zu entscheiden:
- Du hast Entwicklerdocs, eine API oder ein Agenten-Produkt: ja. Es ist günstig, und das Agenten-Ökosystem nutzt es wirklich.
- Du betreibst eine Marketing- oder Content-Seite und willst KI-Zitierungen: es schadet nicht (es ist eine statische Datei), aber erwarte keinen Traffic daraus, und priorisiere es nicht über echte Inhaltsarbeit.
- Du hast wenig Zeit: lass es und verbringe die Stunde mit etwas, das wirklich etwas bewegt.
Die ehrliche Einordnung: llms.txt ist kostengünstig, risikoarm, gelegentlich nützlich und stark überverkauft. Füge sie hinzu, wenn sie zu deinem Fall passt, aber richte deine Erwartungen an der Beweislage aus, nicht am Hype.
Was dich wirklich von KI zitiert werden lässt (mach stattdessen das)
Wenn das eigentliche Ziel ist, in KI-Antworten aufzutauchen, sind die Hebel dieselben, die schon immer Zitierungen verdient haben: wirklich nützliche Inhalte, eine klare Struktur, die das Modell parsen kann, und von anderen glaubwürdigen Quellen referenziert zu werden. KI-Engines lesen deine tatsächlichen Seiten, die Arbeit liegt also auf den Seiten, nicht in einem Manifest, das du kontrollierst.
Und es gibt einen Schritt, den fast jeder überspringt: messen, ob überhaupt etwas davon funktioniert. KI-Referral-Traffic ist klein, konvertiert aber gut, und das meiste davon versteckt sich in „Direct", weil KI-Tools den Referrer entfernen. Wenn du deinen KI-Traffic nicht sehen kannst, kannst du nicht sagen, ob deine GEO-Bemühungen (llms.txt inklusive) überhaupt etwas bringen. Unser Leitfaden dazu, wie man KI-Traffic von ChatGPT, Perplexity und Gemini verfolgt, erklärt genau, wie man ihn sichtbar macht.
Wie Sublim hilft
Sublim klassifiziert Besuche von KI-Assistenten als eigene Akquise-Quelle, statt sie in Direct zu werfen, und erfasst den vollständigen Referrer, wo immer er existiert. Weil es cookielos ist, zählt es auch die Besucher, die ein consent-gebundenes Tool verliert, und es sampelt einen Kanal, der so klein ist wie KI-Referrals, niemals weg. Wenn du also mit GEO-Taktiken experimentierst, kannst du wirklich messen, ob sie Besuche bringen und ob diese Besucher konvertieren. Das macht aus „sollte ich llms.txt hinzufügen?" statt einer Vermutung eine Zahl, die du beobachten kannst.
