llms.txt: Sinnvolles GEO-Signal oder überflüssiger Hype?

Was ist llms.txt?

llms.txt ist eine Plaintext-Datei, die Websites unter https://domain.com/llms.txt bereitstellen können, damit KI-Systeme und LLM-basierte Agenten eine strukturierte Übersicht des Site-Inhalts erhalten. Das Konzept wurde im September 2024 von Jeremy Howard (Answer.AI) vorgeschlagen und orientiert sich an bekannten Web-Konventionen:

Ein anerkannter Standard ist das nicht. Es gibt weder einen W3C-Beschluss noch einen Branchenkonsens noch eine Verpflichtung für Plattformen. Es bleibt ein Vorschlag, der viel Aufmerksamkeit bekommen hat. Entscheidend ist, ob KI-Systeme die Datei überhaupt lesen. Die Antwort hängt vom Ziel ab.

Bewertung für GEO: kein Effekt auf KI-Sichtbarkeit

Die entscheidende Frage für die meisten Websites: Hilft llms.txt dabei, in KI-Antworten zitiert zu werden? Zwei Arten von Daten geben die Antwort, Logfile-Analysen und Zitierungsstudien. Sie fällt klar aus.

Wer die Datei tatsächlich liest

Vier unabhängige Logfile-Analysen geben eine klare Antwort. Die kurze Version: KI-Bots rufen /llms.txt kaum ab. Die meisten Anfragen kommen von klassischen SEO-Crawlern.

Der Befund aus Longato.ch ist besonders aufschlussreich: Googlebot crawlt /llms.txt wie jede andere URL, ohne die Datei semantisch auszuwerten. Echte KI-Inference-Bots erschienen nicht.

Google hat das in seinem Leitfaden zur generativen KI-Suche (zuletzt aktualisiert im Juli 2026) bestätigt: Der Abschnitt „Mythbusting generative AI search“ nennt llms.txt ausdrücklich unter den Dingen, die man nicht tun muss. (Google Search Central)

You don't need to create new machine readable files, AI text files, markup, or Markdown to appear in Google Search

—Google Search Central·Leitfaden zur generativen KI-Suche, Abschnitt „Mythbusting“

Laut Leitfaden gilt das auch für die generativen KI-Funktionen der Google-Suche. Das ist offizielle Google-Dokumentation. Schon im April 2025 hatte John Mueller dasselbe gesagt und llms.txt mit dem Meta-Keywords-Tag verglichen; im Juni 2026 antwortete er auf Reddit auf die Frage, ob die Datei Crawling und Bandbreite sparen könnte, das sei „rein spekulativ“: Die Datei existiere seit Jahren, genutzt werde sie von keinem KI-System. (Search Engine Journal)

Kein nachweisbarer Effekt auf KI-Zitierungsraten

Parallel zu den Logfile-Analysen haben drei Studien den direkten Effekt von llms.txt auf Zitierungsraten in KI-Systemen gemessen. Das Ergebnis ist einheitlich.

Fazit: llms.txt hat keinen messbaren Effekt darauf, ob und wie oft ChatGPT, Perplexity oder Google AI Overviews eine Website als Quelle heranziehen.

Bewertung und Einsatz für Agent-Optimierung

Kurz gesagt: Auch für KI-Agenten ist llms.txt nur in speziellen Fällen sinnvoll, vor allem bei Entwicklerdokumentationen, die Coding-Assistenten per MCP nutzen. Für die große Mehrheit der Websites ist sie nicht oder nur minimal relevant.

Bisher ging es um Sichtbarkeit in KI-Antworten. Eine andere Schicht sind KI-Agenten: Systeme, die im Auftrag eines einzelnen Nutzers eigenständig handeln, also Websites aufrufen, Inhalte lesen, Formulare ausfüllen oder eine Aufgabe bis zum Ergebnis durchführen. Ein Agent arbeitet an einer konkreten Aufgabe für eine Person. Was Agenten von Chatbots und KI-Assistenten unterscheidet, erklärt der Artikel KI-Agenten: Was sie sind und was sie auf Websites tun.

Agent-Optimierung bezeichnet die Maßnahmen, die eine Website für solche Agenten nutzbar machen: saubere Crawlbarkeit, maschinenlesbare Struktur, zugängliche Formulare. GEO zielt auf Sichtbarkeit, Agent-Optimierung auf Nutzbarkeit. Den vollständigen Überblick gibt der Artikel Agent-Optimierung: Websites für KI-Agenten nutzbar machen. In diesem Feld hat llms.txt eine dokumentierte Rolle, die aber auf wenige Fälle beschränkt ist.

Der dokumentierte Use-Case: MCP-Workflows

Es gibt einen Kontext, in dem llms.txt tatsächlich gelesen wird: KI-gestützte Entwicklungsumgebungen, die über das Model Context Protocol (MCP) auf externe Dokumentation zugreifen.

MCP ist ein offenes Protokoll, das KI-Agenten ermöglicht, strukturiert auf externe Datenquellen zuzugreifen. LangChains mcpdoc ist ein MCP-Server, der llms.txt-Dateien für angebundene Entwicklungsumgebungen bereitstellt. Bestätigte Integrationen:

Das Funktionsprinzip: Ein Entwickler fragt seinen KI-Assistenten nach der API einer Bibliothek oder dem Setup einer Plattform. Der Assistent liest über den MCP-Server die llms.txt dieser Plattform, bekommt eine strukturierte Übersicht und ruft gezielt relevante Seiten ab. Das reduziert Token-Verbrauch gegenüber blindem HTML-Crawling erheblich.

Dazu passen die Ahrefs-Logs: Unter den KI-Tools, die llms.txt überhaupt abrufen, steht Claude-Code an zweiter Stelle, hinter dem Trainingscrawler GPTBot.

Mintlify, die Dokumentationsplattform (auf der u.a. docs.anthropic.com läuft), berichtet aus ihren CDN-Logs über signifikante Zugriffe auf /llms.txt und /llms-full.txt, mit ChatGPT als führendem Aufrufer. Diese Daten kommen aus einer kommerziell interessierten Quelle (Mintlify vertreibt GEO-Analytics-Produkte) und wurden nicht unabhängig verifiziert. Sie stehen im Widerspruch zu den vier unabhängigen Log-Studien oben.

Für wen ist dieser Use-Case relevant?

• Technische Dokumentationsseiten

  APIs, SDKs und Dev-Tools, deren Nutzer Coding-Assistenten wie Cursor oder Claude Code einsetzen. Mintlify generiert llms.txt für Anthropic, Pinecone, Windsurf und Cursor selbst. Genau diese Zielgruppe nutzt MCP-Workflows.

• Unternehmen mit internen LLM-Tools

  RAG-Systeme (Retrieval-Augmented Generation), die die eigene Website als Wissensquelle indexieren. Eine strukturierte llms.txt kann die Indexierungsqualität verbessern, weil das System gezielt die wichtigsten Seiten erhält.

• Alle anderen, also die große Mehrheit: nicht oder kaum relevant

  Für eine typische Unternehmenswebsite (Dienstleister, E-Commerce, lokale Anbieter) gibt es keine dokumentierten Szenarien, in denen llms.txt messbar hilft.

Chrome Lighthouse: Lesbarkeit statt Ranking

Ein Google-Team bewertet llms.txt anders als die Suche. Chromes Lighthouse hat im Mai 2026 eine experimentelle Kategorie „Agentic Browsing“ eingeführt, die das Vorhandensein einer llms.txt prüft. Die Begründung dort: „Without this file, agents may spend more time crawling the site to understand its high-level structure and primary content.“ (Chrome for Developers) Das widerspricht der Suche nicht, es misst etwas anderes: Die Suche bewertet Sichtbarkeit, Lighthouse die Lesbarkeit für Agenten. Die Kategorie vergibt bewusst keinen 0-bis-100-Score, und ohne Datei gilt der Test als „nicht zutreffend“, weil llms.txt optional bleibt. Für die GEO-Frage ändert das nichts. Es passt aber zur Linie dieses Artikels: llms.txt wirkt, wenn überhaupt, im Agent-Kontext und ist kein Ranking-Signal.

Ausblick: WebMCP

Eine andere Aussage Muellers deutet an, wohin es gehen könnte: Er findet den WebMCP-Ansatz gut, bei dem Websites Agenten strukturierte Aktionen direkt bereitstellen, statt ihnen nur eine Inhaltsübersicht zu liefern. (Search Engine Journal) Mehr dazu im Artikel zur Agent-Optimierung.

Lohnt sich llms.txt?

Die Antwort hängt vom Ziel ab. Für GEO-Sichtbarkeit in großen KI-Systemen: kein nachgewiesener Effekt. Für MCP-Workflows in technischen Kontexten: real, aber eng.

Der Aufwand ist gering, das Risiko klein. Wenn die GEO-Grundlagen sitzen, spricht nichts dagegen. Als Ersatz oder Abkürzung für nachgewiesen wirksame Maßnahmen taugt sie nicht.

Prioritäten im GEO-Stack

GEO-Maßnahmen bringen unterschiedlich viel. Wer begrenzte Ressourcen hat, sollte priorisieren:

Wer llms.txt priorisiert, bevor strukturierte Daten, zitierfähige Inhalte und eine saubere robots.txt implementiert sind, setzt die falschen Prioritäten.

Ein verwandter Punkt, der vor llms.txt einen kurzen Blick lohnt: die robots.txt. Standardmäßig dürfen alle Bots crawlen; nur eine Minderheit sperrt KI-Crawler wie GPTBot, ClaudeBot oder PerplexityBot unbeabsichtigt aus, etwa durch pauschale Disallow-Regeln oder Cloudflares Bot-Schutz. Wen es trifft, der ist in KI-Antworten unsichtbar, unabhängig von allem anderen. Das ist ein Zwei-Minuten-Check. Alle User-Agents und Konfigurationsszenarien erklärt der Artikel robots.txt für KI-Bots richtig aufsetzen und prüfen.

Beispiel: Was eine gute llms.txt enthält

Wer eine llms.txt anlegt, sollte sie zumindest sinnvoll aufsetzen. Eine gute Datei ist kurz, strukturiert und beschreibt pro URL in einem Satz, was dort tatsächlich steht.

Eine llms.txt hat drei Bestandteile:

Zwei häufige Fehler: zu viele URLs (die Datei ist kein Ersatz für die Sitemap) und Beschreibungen, die wie Werbetexte klingen. KI-Agenten brauchen Fakten.

Ein konkretes Beispiel: So sieht unsere eigene llms.txt aus.

Die vollständige Datei liegt unter traffic3.net/llms.txt. 10 bis 20 der wichtigsten Seiten reichen. Je kürzer und fokussierter, desto nützlicher für Systeme mit begrenztem Kontextfenster.

llms-full.txt: die erweiterte Variante

Ergänzend gibt es llms-full.txt: eine Datei mit dem vollständigen Markdown-Text aller wichtigen Seiten in einem Durchgang. Für Dokumentationsseiten mit MCP-Workflows sinnvoll, da Agenten den Inhalt ohne einzelne Seitenaufrufe erfassen können. Für normale Unternehmenswebsites in der Regel zu aufwändig im Verhältnis zum Nutzen.

Implementierung in 30 Minuten

Wer es umsetzen möchte, hier der schnellste Weg:

Wer WordPress, WooCommerce oder Shopify nutzt, kann llms.txt automatisch über das kostenlose Yoast SEO Plugin generieren lassen, inklusive automatischer Aktualisierung bei Inhaltsänderungen. Für technische Dokumentationsseiten gibt es native Plugins für VitePress, Docusaurus und Drupal sowie das CLI-Tool llms_txt2ctx zum lokalen Parsen und Konvertieren.

Häufige Fragen

Weiterführende Artikel

GEO-Maßnahmen mit nachgewiesener Wirkung und die technische Alternative zu llms.txt: