llms.txt: 844.000 Implementierungen, null bestätigte AI-Nutzung

Warum llms.txt im DACH-B2B gerade jetzt auf jeder Agenda steht

Kaum ein technischer Vorschlag hat die GEO-Diskussion 2025 so geprägt wie llms.txt. Die Idee klingt bestechend: eine einzige Markdown-Datei im Wurzelverzeichnis, die KI-Systemen wie ChatGPT, Perplexity oder Google AI Overviews eine kuratierte Karte der wichtigsten Inhalte einer Website liefert. Plugins generieren sie automatisch, Konferenz-Talks empfehlen sie, und in vielen Pflichtenheften für Website-Relaunches steht sie inzwischen als Standardpunkt.

Genau hier entsteht das Problem für B2B-Entscheider im DACH-Raum: Die Verbreitung suggeriert Wirksamkeit, doch die Beweislage trägt diese Erwartung nicht. Kein großer AI-Provider hat bestätigt, dass er die Datei abruft oder auswertet. Wer GEO-Budget seriös allokiert, braucht deshalb keine Glaubensfrage, sondern eine nüchterne Einordnung: Was kann llms.txt heute leisten, was nicht, und welche Maßnahmen bringen stattdessen messbare KI-Sichtbarkeit. Dieser Artikel trennt belegbare Fakten von Marketing-Versprechen.

Was llms.txt ist und wie sie sich von robots.txt und sitemap.xml unterscheidet

llms.txt wurde am 3. September 2024 von Jeremy Howard vorgeschlagen, Mitgründer des Forschungslabors Answer.AI. Es handelt sich um eine Markdown-Datei unter /llms.txt, die kurze Hintergrundinformationen, Orientierung und Links zu weiterführenden Markdown-Dateien bündelt. Der einzige zwingend vorgeschriebene Bestandteil ist eine H1-Überschrift mit dem Projekt- oder Site-Namen; im Original heißt es dazu wörtlich "This is the only required section". Alle weiteren Abschnitte, etwa ein optionaler Block mit nachrangigen Ressourcen, sind freiwillig.

Wichtig ist die saubere Abgrenzung, weil die drei Dateien oft in einen Topf geworfen werden:

• robots.txt: steuert, was Crawler dürfen und was nicht. Sie ist eine Zugriffs- und Verbotssteuerung, kein Inhaltsangebot.
• sitemap.xml: listet maschinenlesbar alle indexierbaren URLs auf. Sie dient der Vollständigkeit der Entdeckung, nicht der Priorisierung oder Aufbereitung.
• llms.txt: ist ein kuratiertes, menschlich wie maschinell lesbares Inhaltsverzeichnis im Markdown-Format. Sie soll nicht alles auflisten, sondern das Wichtigste hervorheben und in LLM-freundlicher Form bereitstellen.

Der entscheidende Unterschied: robots.txt und sitemap.xml sind etablierte, von Suchmaschinen tatsächlich ausgewertete Standards. llms.txt ist ein Vorschlag ohne offizielle Unterstützung durch die AI-Provider.

Das Problem, das llms.txt ursprünglich lösen sollte

Die im Originalvorschlag genannte Motivation ist nicht, dass Kontextfenster zu klein wären, um ganze Websites zu verarbeiten. Diese oft kolportierte Begründung steht so nicht in Howards Text. Der tatsächlich genannte Grund ist die Mehrdeutigkeit beim Konstruieren des richtigen Kontexts aus einer Website: Roh-HTML enthält Navigation, Werbung, JavaScript und Boilerplate, die für ein Sprachmodell Rauschen sind. Die Annahme lautet, dass Site-Betreiber selbst am besten wissen, welche Inhalte zentral sind, und diese kuratierte Auswahl maschinenlesbar bereitstellen können.

Diese Grundidee ist nachvollziehbar und technisch sauber gedacht. Sie erklärt, warum der Vorschlag bei Entwicklern und Tool-Herstellern so schnell Anklang fand. Sie erklärt jedoch nicht, ob die KI-Suchsysteme die Datei in der Praxis auch nutzen. Genau diese Lücke zwischen plausibler Idee und realer Verwendung ist der Kern des Themas.

Das Adoptions-Paradox: hohe absolute Verbreitung, geringe Reichweite

Die Verbreitung von llms.txt wird häufig über absolute Zahlen kommuniziert, was den Eindruck eines De-facto-Standards erzeugt. Belastbarer ist der relative Blick. Eine Analyse von SE Ranking zeigt: Von rund 300.000 untersuchten Domains hatten nur 10,13 Prozent eine llms.txt-Datei implementiert. Knapp 90 Prozent der untersuchten Domains verzichten also darauf.

Dieses Paradox ist für die Strategiebewertung zentral: Eine große absolute Zahl an Implementierungen bedeutet nicht, dass die für KI-Sichtbarkeit relevanten, autoritativen Seiten die Datei führen. Viele Implementierungen stammen aus automatisierter Plugin-Generierung, nicht aus bewusster redaktioneller Entscheidung. Verbreitung ist hier ein schwaches Signal. Sie misst, wie leicht sich etwas erzeugen lässt, nicht, wie wirksam es ist.

Die Beweislage gegen eine aktive Nutzung durch KI-Suchsysteme

Drei unabhängige Belege sprechen gegen die Annahme, dass KI-Suchsysteme llms.txt heute aktiv verwerten.

Erstens die Aussage von Google. John Mueller von Google erklärte, dass derzeit kein KI-System die llms.txt-Datei verwendet. Für AI Overviews gilt laut Google: "use normal SEO practices", man brauche weder GEO noch LLMO noch sonst etwas Zusätzliches. Ergänzend stellte Gary Illyes klar, dass Google llms.txt nicht unterstützt und das auch nicht plant.

Zweitens die Server-Log-Realität. Ein Experiment von OtterlyAI wertete echte Crawler-Zugriffe aus. Das Ergebnis: Von über 62.100 KI-Bot-Besuchen über 90 Tage zielten nur 84 Anfragen auf die /llms.txt-Datei, ein Anteil von rund 0,1 Prozent des KI-Bot-Traffics. Zum Vergleich: Eine durchschnittliche Seite derselben Site erhielt etwa 265 KI-Bot-Besuche im selben Zeitraum, die llms.txt mit 84 Besuchen also rund dreimal seltener. Die Crawler fordern die Datei nicht systematisch an.

Drittens die Korrelationsanalyse. SE Ranking prüfte, ob das Vorhandensein einer llms.txt mit der Häufigkeit von KI-Zitierungen zusammenhängt. Sowohl die statistische Analyse als auch das Machine-Learning-Modell zeigten keinen Effekt von llms.txt darauf, wie oft eine Domain von LLMs zitiert wird. Besonders aufschlussreich: Als die llms.txt-Variable aus dem Modell entfernt wurde, verbesserten sich die Vorhersagen sogar. Die Datei trug also nichts zur Erklärung von KI-Sichtbarkeit bei.

Was KI-Sichtbarkeit wirklich treibt

Wenn llms.txt die KI-Zitierung nicht erklärt, stellt sich die eigentlich relevante Frage: Was tut es. Hier ist die Datenlage deutlich klarer und für die GEO-Praxis direkt umsetzbar.

Markenerwähnungen vor Backlinks: Eine Analyse von Ahrefs über 75.000 Marken zeigt, dass Markenerwähnungen im Web mit r=0,664 deutlich stärker mit der Sichtbarkeit in AI Overviews korrelieren als Backlinks mit r=0,218, ein Verhältnis von rund drei zu eins. Für die Praxis heißt das: Digital PR, Fachbeiträge, Branchenverzeichnisse und konsistente Nennungen über das Web hinweg wirken stärker als der klassische Linkaufbau.

Statistiken und Quellenzitate im Content: Die häufig als Princeton-GEO-Studie zitierte Arbeit aus den Proceedings von KDD '24 belegt, dass gezielte Optimierung die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern kann. Die wirksamsten Methoden sind dabei das Hinzufügen von Statistiken, das Einbinden glaubwürdiger Zitate und das Anführen verlässlicher Quellen, mit relativen Verbesserungen von 30 bis 40 Prozent bei der Position-Adjusted-Word-Count-Metrik und 15 bis 30 Prozent beim Subjective-Impression-Maß. Keyword-Stuffing-artige Methoden bringen laut der Studie kaum Verbesserung. Die Benchmark umfasste 10.000 Anfragen aus unterschiedlichen Domänen.

Front-Loading und Answer Islands: Inhalte, die die Kernantwort in den ersten Sätzen liefern und in klar abgegrenzten, eigenständig zitierbaren Blöcken organisiert sind, lassen sich von Sprachmodellen leichter extrahieren. Das ist kein Dateiformat-Trick, sondern eine redaktionelle Disziplin, die auf jeder einzelnen Seite wirkt.

Die Schlussfolgerung ist eindeutig: Die Hebel für KI-Sichtbarkeit liegen im Inhalt selbst und in der Markenpräsenz, nicht in einer separaten Verzeichnisdatei.

Wo llms.txt außerhalb der Suche tatsächlich Nutzen stiftet

Die fehlende Wirkung auf KI-Suchsichtbarkeit bedeutet nicht, dass die Datei wertlos ist. Sie hat legitime Anwendungsfälle, die nur außerhalb des Such-Kontexts liegen.

• Agentische Workflows und Tool-Use: Wenn ein Nutzer einem KI-Agenten eine konkrete URL gibt und um Verarbeitung bittet, kann eine kuratierte Markdown-Karte den Einstieg erleichtern. Hier wird die Datei gezielt angesteuert, nicht von einem Such-Crawler entdeckt.
• Interne RAG-Pipelines: Unternehmen, die eigene Retrieval-Systeme über die eigene Dokumentation bauen, profitieren von einer sauberen, vorstrukturierten Markdown-Quelle. Der Nutzen entsteht im kontrollierten internen System, nicht im offenen Web.
• Doku-Konsum bei Dev-Tools und SaaS: Im Entwickler- und SaaS-Segment, wo Nutzer Sprachmodelle aktiv auf Produktdokumentation ansetzen, kann llms.txt den Zugriff auf technische Inhalte verbessern. Dieses Segment ist der plausibelste Realnutzen.

Für ein typisches B2B-Unternehmen im DACH-Raum, dessen Ziel die Sichtbarkeit in ChatGPT Search, Perplexity oder Google AI Overviews ist, treffen diese Anwendungsfälle in der Regel nicht zu.

Risiko, Aufwand und Nutzen realistisch abwägen

Eine ehrliche Einordnung lautet: low risk, low cost, low upside. Das Risiko ist gering, weil die Datei nichts kaputt macht. Der Aufwand ist gering, sofern man sie nur einmalig anlegt. Der erwartbare Nutzen für die KI-Suchsichtbarkeit ist nach aktueller Datenlage praktisch null.

Drei Aspekte verdienen dennoch Aufmerksamkeit:

• Wartungsaufwand: Eine manuell gepflegte llms.txt veraltet. Wenn sich Inhalte ändern, die Datei aber nicht, entstehen widersprüchliche Snapshots.
• Veraltete Momentaufnahmen: Eine falsche kuratierte Karte ist schlechter als keine, weil sie ein verzerrtes Bild der Site zeichnet.
• Spam- und Cloaking-Risiken: Eine Datei, die anderen Inhalt zeigt als die eigentlichen Seiten, kann in Richtung Cloaking abdriften. Konsistenz zwischen llms.txt und der realen Site ist daher Pflicht.

Wer llms.txt implementiert, sollte das als automatisierte, wartungsarme Beigabe behandeln, nicht als GEO-Maßnahme mit Wirkungsversprechen.

DACH- und Österreich-Relevanz für die GEO-Strategie

Die Dringlichkeit von KI-Sichtbarkeit ist im DACH-Raum real, unabhängig von llms.txt. In Österreich liegt die Nutzung generativer KI-Tools wie ChatGPT in der Gesamtbevölkerung bei etwa 30 Prozent, laut Statistik Austria gaben 31 Prozent der Befragten an, schon mindestens einmal ein solches Tool verwendet zu haben. Datenbasis ist die Erhebung IKT-Einsatz in Haushalten 2024.

Für B2B-GEO-Strategien folgt daraus zweierlei. Erstens: Ein relevanter und wachsender Teil der Zielgruppe recherchiert bereits über generative Systeme, KI-Sichtbarkeit ist also kein Zukunftsthema. Zweitens: Die richtige Antwort darauf sind verifizierbare, gut strukturierte Inhalte mit Quellen und Statistiken, nicht eine technische Datei ohne nachgewiesene Wirkung. Gerade im deutschsprachigen Raum, wo qualitativ hochwertige Fachinhalte im LLM-Trainingskorpus oft dünner gesät sind, ist substanzieller Content der wirksamere Hebel.

AI-Referral-Traffic und Conversion richtig messen

KI-getriebene Recherche verändert das Klickverhalten grundlegend, was die Messung anspruchsvoller macht. Eine Analyse des Pew Research Center auf Basis von US-Browsing-Daten zeigt: Nutzer, die eine KI-Zusammenfassung sahen, klickten nur in 8 Prozent der Besuche auf ein klassisches Suchergebnis, gegenüber 15 Prozent ohne KI-Zusammenfassung. Auf einen Link innerhalb der Zusammenfassung selbst klickten nur 1 Prozent. Zudem beendeten 26 Prozent der Nutzer ihre Sitzung nach einer Seite mit KI-Zusammenfassung, gegenüber 16 Prozent ohne. Diese Zahlen stammen aus dem US-Markt, die Richtung ist für DACH jedoch übertragbar.

Praktisch heißt das: Klassische Klickmetriken unterschätzen den Wert von KI-Sichtbarkeit, weil ein Teil der Wirkung in zitatbasierten Eindrücken ohne Klick entsteht. Für die saubere Erfassung des verbleibenden Referral-Traffics empfiehlt sich ein zweigleisiges Vorgehen:

• GA4-Segmentierung: KI-Quellen wie ChatGPT, Perplexity oder Gemini als eigene Referral-Quellen isolieren und deren Verhalten, etwa Engagement und Conversions, getrennt auswerten.
• Server-Log-Analyse: Crawler-Zugriffe der KI-Bots direkt in den Logs auswerten, um zu sehen, welche Seiten tatsächlich abgerufen werden. Genau diese Methode hat im OtterlyAI-Experiment gezeigt, dass llms.txt kaum angefordert wird.

Wer beide Ebenen kombiniert, misst KI-Sichtbarkeit belastbar, statt sie über ein Dateiformat anzunehmen.

Handlungsempfehlung: die llms.txt-Entscheidungsmatrix

Die Entscheidung lässt sich auf eine einfache Matrix herunterbrechen.

• Automatisierte Generierung verfügbar, etwa über das CMS oder ein Plugin: implementieren. Der Aufwand ist minimal, das Risiko gering, und im Dev-Tool- oder SaaS-Kontext gibt es einen plausiblen Nebennutzen. Erwartung: kein messbarer Effekt auf die KI-Suchsichtbarkeit.
• Nur manuelle Pflege möglich und kein agentischer oder Doku-Anwendungsfall: verzichten oder strikt nachrangig behandeln. Der Wartungsaufwand übersteigt den nachgewiesenen Nutzen.
• Begrenztes GEO-Budget: nicht in llms.txt investieren, sondern in die Maßnahmen mit Evidenz.

Priorität haben nach Datenlage die Hebel mit belegter Wirkung: konsistente Markenerwähnungen über das Web hinweg statt reinem Linkaufbau, das Front-Loading von Antworten und der Einsatz von Statistiken und Quellenzitaten direkt im Content sowie eine saubere Messung über GA4-Segmentierung und Server-Logs. llms.txt ist im besten Fall eine harmlose Beigabe. Die eigentliche GEO-Arbeit findet auf der Seite selbst statt, nicht in einer Verzeichnisdatei.