llms.txt erstellen: Anleitung mit Live-Beispiel (2026)

Dienstagabend, kurz nach halb elf. Die Wohnung ist ruhig, Laura schläft schon, neben mir steht der zweite Espresso des Abends. Ich mache das, was ich sonst für Kundenseiten mache: einen GEO-Audit. Nur diesmal für unsere eigene.

Zwei Browser-Tabs nebeneinander. Links unsere llms.txt, die Textdatei im Root von adcompany.net, die KI-Crawlern in purem Markdown erzählt, wer wir sind und was wir anbieten. Rechts eine unserer Produktseiten. Und dann sehe ich es: In der llms.txt steht einer unserer Kurse mit 37 Euro. Auf der Produktseite daneben steht derselbe Kurs mit 47 Euro.

Zwei maschinenlesbare Wahrheiten. Beide auf unserer Domain. Beide von uns selbst veröffentlicht. Und jedes KI-System, das beide liest, darf würfeln, welche es in seine Antwort übernimmt.

Der Fix hat zwölf Minuten gedauert: Preis korrigiert, committed, deployed. Aber der Abend hat mir etwas Wichtigeres gezeigt als einen Zahlendreher. Eine llms.txt ist kein SEO-Trick, den du einmal deployst und abhakst. Sie ist eine zweite Version deiner Website-Fakten. Und zwei Versionen derselben Fakten sind immer eine zu viel, sobald sie sich widersprechen.

Genau deshalb dieser Post. Nicht, weil llms.txt das nächste Wundermittel ist. Sondern weil es das ausdrücklich nicht ist und trotzdem 30 Minuten deiner Zeit wert sein kann. Wenn du es ehrlich einordnest.

Was ist eine llms.txt?

Eine llms.txt ist eine einfache Textdatei, die unter `deinedomain.de/llms.txt` liegt, auf derselben Ebene wie die robots.txt. Der Vorschlag stammt von Jeremy Howard (Answer.AI) vom September 2024, die offizielle Spezifikation steht auf llmstxt.org. Die Idee dahinter: Sprachmodelle haben begrenzte Context-Windows und tun sich mit vollgestopftem HTML schwer. Navigation, Cookie-Banner, Skripte, alles Ballast. Eine llms.txt liefert stattdessen eine handverlesene Übersicht in Markdown, dem Format, das Sprachmodelle am zuverlässigsten parsen.

Der Aufbau ist in der Spezifikation klar geregelt:

Die beste Analogie, die ich kenne, ist eine Bibliothek: Die sitemap.xml ist der Vollkatalog mit jedem einzelnen Buch. Die robots.txt sind die Schilder an den Türen, hinter die niemand darf. Die llms.txt ist die Empfehlungsliste des Bibliothekars: die 10-30 Titel, die du wirklich gelesen haben solltest, mit einem Satz, warum.

Bringt dir eine llms.txt 2026 wirklich etwas?

Die ehrliche Antwort zuerst, weil sie in fast jedem deutschsprachigen Beitrag zu dem Thema fehlt: Kein großer KI-Anbieter hat bestätigt, dass seine Crawler llms.txt lesen. Nicht OpenAI, nicht Anthropic, nicht Perplexity, nicht Google. Googles John Mueller hat es im April 2025 unmissverständlich formuliert: Keiner der KI-Dienste habe erklärt, die Datei zu nutzen, und an den Server-Logs sehe man, dass sie nicht einmal danach fragen. Sein Vergleich: llms.txt sei wie das Keywords-Meta-Tag, eine Selbstauskunft des Seitenbetreibers, die niemand prüft (Search Engine Journal, April 2025). Ich habe keinen Beleg, dass es bei unserer eigenen Datei anders läuft. Wer solche Dateien abruft, sind nach allem, was die Branche berichtet, vor allem klassische Crawler und SEO-Tools. Nicht GPTBot, nicht ClaudeBot.

Wer dir 2026 erzählt, die großen Anbieter hätten ihre Crawler längst auf llms.txt "vereinheitlicht", will dir meistens einen Generator verkaufen. Lass dir keine Wirkung versprechen, die keiner der Anbieter selbst behauptet.

Es gibt aber eine zweite, ebenso ehrliche Hälfte der Geschichte: Im Dokumentations-Umfeld ist das Format real angekommen. Seit dem Rollout durch den Doku-Hoster Mintlify im November 2024 stellen tausende Doku-Seiten eine llms.txt bereit, darunter die Entwickler-Dokumentation von Anthropic selbst (Mintlify). KI-Coding-Assistenten nutzen solche Dateien aktiv, wenn man sie ihnen in den Kontext gibt. Dass Anthropic für die eigene Doku eine llms.txt veröffentlicht, ist allerdings etwas anderes als die Bestätigung, dass der ClaudeBot deine abruft. Diese Unterscheidung unterschlagen die Hype-Posts.

Warum wir bei adcompany trotzdem eine pflegen, hat drei Gründe:

• ·Zero-Cost-Wette. Der Aufwand liegt bei 30-60 Minuten, es gibt kein Risiko und keinen SEO-Nachteil. Setzt sich der Standard durch, bist du am ersten Tag dabei. Setzt er sich nicht durch, hast du nichts verloren.
• ·Konsistenz-Werkzeug für deine Marken-Fakten. Das ist der eigentliche Wert. Die Datei zwingt dich, deine Entity-Fakten einmal sauber aufzuschreiben: Wer bist du, seit wann, was kostet was, welche Belege gibt es. Genau diese Fakten aggregieren KI-Systeme aus vielen Quellen über dich, und Widersprüche zwischen den Quellen senken das Vertrauen in jede einzelne. Die llms.txt wird damit zum internen Master-Dokument deiner Zahlen, gegen das du jede andere Fläche abgleichst.
• ·Kurations-Übung. Wer seine 10-30 wichtigsten URLs benennen muss, merkt schnell, ob die eigene Seite überhaupt eine klare Struktur hat. Diese halbe Stunde deckt mehr Website-Probleme auf als manches Audit-Tool.

Was eine llms.txt sicher nicht ist: ein belegter Ranking- oder Zitier-Hebel. Die messbaren GEO-Hebel liegen woanders, bei Answer-First-Struktur, Quellen und Statistiken im sichtbaren Content, wie sie die Princeton-GEO-Studie beschreibt. Die volle Strategie dazu steht im Hub-Artikel GEO 2026, das strukturierte Gegenstück auf Markup-Ebene in Schema für AEO. Und ob überhaupt KI-Traffic bei dir ankommt, weißt du erst, wenn du ihn misst: wie, zeigt AI-Traffic in GA4 messen.

Schritt 1: Kuratiere deine 10-30 wichtigsten URLs

Öffne deine Sitemap und triff eine harte Auswahl. Für eine kleine bis mittlere Website sind 10-30 URLs der Rahmen, den die Best-Practice-Empfehlungen nennen. Alles zu listen ist der häufigste Anfängerfehler: Dann hast du eine zweite Sitemap gebaut, keine Empfehlungsliste.

Die Auswahllogik, die sich bei uns bewährt hat: zuerst die Seiten, die erklären, wer du bist und was du anbietest (Startseite, Angebots- und Produktseiten mit Preisen). Dann die Inhalte, die deine Expertise belegen (deine besten Guides, Fallstudien, Ressourcen). Zuletzt das, was häufige Fragen beantwortet. Was nicht reingehört: Impressum, Tag-Archive, dünne Seiten, alles was du selbst keinem Interessenten schicken würdest.

Schritt 2: Schreibe die Kopfzeile wie eine Antwort, nicht wie einen Slogan

Die erste H1 ist dein Name. Direkt darunter kommt die Blockquote-Beschreibung, und die ist der wertvollste Teil der ganzen Datei: eine Definition deiner Firma in 1-2 Sätzen, die ein Modell wörtlich übernehmen könnte. Kein "Wir denken Marketing neu", sondern überprüfbare Fakten: was du tust, für wen, seit wann, mit welchen Belegen. Das Prinzip dahinter ist dasselbe wie bei jedem KI-tauglichen Text: erst die Antwort, dann der Kontext. Ausführlich habe ich das in Answer-First-Copywriting aufgeschrieben.

Zwei Regeln, die aus unserer eigenen Fix-Session stammen: Erstens, jede Zahl in dieser Beschreibung braucht eine Quelle, die du im Zweifel zeigen kannst. Zweitens, kein nacktes Jahr ohne Label. "Seit 2019" kann Gründung, Handelsregister-Eintragung oder Marktstart bedeuten, und ein Modell, das drei Quellen mit drei verschiedenen Jahren findet, vertraut keiner davon.

Schritt 3: Baue Sektionen mit Links und einem Satz Kontext

Gliedere die kuratierten URLs in H2-Sektionen: Produkte, Ressourcen, Blog, FAQ. Jede Zeile folgt dem Muster `- Seitentitel: ein Satz Beschreibung`. Der eine Satz ist Pflichtprogramm, denn er entscheidet, ob ein Modell die Seite als relevant für eine Frage einordnen kann. "Meta Ads Guide" sagt nichts. "Vollständiger Leitfaden für Facebook und Instagram Ads im DACH-Markt: Kampagnenstruktur, Creatives, Skalierung" sagt alles.

Verzichte auf Keyword-Aufzählungen und Superlative. Die Datei ist eine Selbstauskunft, und genau deshalb hat John Mueller sie mit dem Keywords-Meta-Tag verglichen: Sie wird wertlos, sobald sie nach Manipulation aussieht. Schreib sie so nüchtern, dass jeder Satz auch auf der verlinkten Seite stehen könnte.

Schritt 4: Lege die Datei ins Root und teste sie

Die fertige Datei gehört unter `/llms.txt` ins Root deiner Domain. Bei WordPress erledigen das gängige SEO-Plugins per Klick, bei Webflow lädst du sie in den Projekt-Einstellungen hoch, bei einem Next.js-Projekt legst du sie einfach in den public-Ordner. Danach drei Checks: Die URL liefert HTTP 200, der Content-Type ist text/plain, und jeder Link in der Datei führt auf eine existierende Seite. Ein 404 in deiner Empfehlungsliste ist peinlicher als gar keine Liste.

Ich habe unsere Datei mit Claude Code direkt im Website-Repository gebaut und pflege sie dort, im selben Commit wie die Seiten, die sie beschreibt. Wenn du solche Workflows selbst aufsetzen willst, ohne Programmierer zu sein: Genau das bringe ich dir in der NO-CODE Mastery bei, von der ersten eigenen Datei bis zur automatisierten Content-Pipeline.

Wie sieht adcompanys llms.txt aus?

Theorie ist gut, ein Live-Beispiel ist besser. Unsere Datei liegt öffentlich unter adcompany.net/llms.txt, du kannst sie dir als Vorlage nehmen. So ist sie aufgebaut:

Die Kopfzeile ist die H1 `# adcompany GmbH`, direkt gefolgt von der Blockquote-Definition. Dort stehen die Kern-Fakten mit Labels statt nackter Jahre: am Markt seit 2018, adcompany GmbH gegründet 2019 von Laura und Robby Schadt, 9,5 Mio Euro verwaltetes Werbebudget, 9.000 generierte Leads pro Monat. Jede dieser Zahlen existiert wortgleich auch auf der Website, das ist Absicht und kein Zufall.

Die Preisübersicht kommt früh, als Markdown-Tabelle mit jedem Produkt, Preis und Zielgruppe. Preise sind die Information, bei der eine falsche KI-Antwort am direktesten Geld kostet. Deshalb stehen sie strukturiert an einer Stelle, statt über zwölf Produktseiten verstreut nur implizit lesbar zu sein. Und deshalb tat der 37/47-Fehler aus dem Intro auch so weh: ausgerechnet in der Tabelle, die Klarheit schaffen soll.

Die Gründer-Sektion listet Belege statt Adjektive: verwaltetes Budget mit Zeitraum, Bewertungen mit Plattform und Anzahl, Bühnen-Auftritte mit Link. Das ist das E-E-A-T-Prinzip in Textform, dieselben Fakten, die auch im Schema-Markup der Website stehen.

Danach folgen Case Studies, Produkte, Ressourcen und die Blog-Liste, jede URL mit einem beschreibenden Satz. Den Abschluss macht eine FAQ-Sektion im Frage-Antwort-Format, weil wiederkehrende Fragen mit konsistenten Antworten genau das sind, was Antwort-Systeme suchen.

Die ganze Datei hat rund 100 Zeilen und ist kleiner als 15 KB. Sie will nicht vollständig sein. Sie will die eine Quelle sein, die stimmt.

Warum deine llms.txt nur so gut ist wie ihre Synchronität

Zurück zu meinem Dienstagabend. Der 37/47-Widerspruch ist entstanden, wie stille Fehler immer entstehen: Ein Kurspreis wurde beim Launch auf der Produktseite geändert, die llms.txt hat niemand angefasst. Kein Fehler-Log, kein 404, kein Alarm. Die Datei lag einfach da und hat monatelang eine veraltete Wahrheit erzählt.

Das ist die eigentliche Lektion dieses Posts: Eine llms.txt ist nur so gut wie ihre Synchronität mit der Seite. Drei Punkte gehören auf deine Pflege-Checkliste:

• ·Preise und Angebote. Jede Preisänderung, jeder Launch, jedes eingestellte Produkt wird am selben Tag in der llms.txt nachgezogen. Am besten im selben Commit oder derselben Aufgabe.
• ·Kanon-Zahlen. Verwaltetes Budget, Kundenzahlen, Bewertungen, Jahreszahlen. Definiere eine einzige Quelle der Wahrheit für diese Zahlen und gleiche Website und llms.txt gegen sie ab, nicht gegeneinander.
• ·URLs. Jeder Relaunch und jede umgezogene Seite kann Links in der Datei brechen. Ein Quartals-Check mit einem Link-Checker reicht.

Und die härteste Konsequenz daraus: Wenn du die Datei nicht pflegen wirst, lass sie weg. Eine veraltete llms.txt ist schlechter als keine, weil sie Maschinen aktiv falsche Fakten über dich anbietet, mit deiner eigenen Signatur darunter.

Was ist der Unterschied zwischen llms.txt und robots.txt?

Die beiden Dateien werden ständig verwechselt, dabei haben sie entgegengesetzte Aufgaben:

Der Robots Exclusion Standard ist und bleibt die Stelle, an der du KI-Crawler steuerst: GPTBot, ClaudeBot, PerplexityBot und Co. sperrst du dort aus oder lässt sie rein. Wichtig für alle, die KI-Sichtbarkeit wollen: Prüfe zuerst deine robots.txt, bevor du eine llms.txt schreibst. Eine Empfehlungsliste für Bots, die du gleichzeitig per Disallow aussperrst, ist ein Briefkasten hinter verschlossener Tür. Genau dieser Widerspruch ist einer der häufigsten Funde in unseren Audits.

Beide Dateien sind übrigens nur Bitten, keine Befehle. Ob sich ein Crawler daran hält, entscheidet der Crawler.

Die komplette GEO-Checkliste als PDF

Die llms.txt ist eine von 15 Maßnahmen, mit denen du deine Sichtbarkeit in ChatGPT, Perplexity und Claude systematisch aufbaust. Die wirkungsvollsten davon liegen im Content selbst, nicht in einer Datei im Root.

Ich habe das komplette System als PDF aufbereitet: 15 Maßnahmen auf 12 Seiten, mit der Princeton-Studie, den Google-Patent-Signalen, dem GA4-Tracking-Setup, der robots.txt-Vorlage für KI-Bots und der vollständigen Audit-Checkliste.

→ GEO-Checkliste als PDF herunterladen

Kostenlos, mit E-Mail. Kein Spam, nur die Checkliste plus Updates, wenn sich der Evidenzstand ändert.

FAQ

Robby Schadt

9,5 Mio€ verwalteter Ad-Spend auf META · 9.000+ Leads/Monat · Speaker: Contra, Founder Summit, DRX, OMKO, IMK · Alumni: Investment Punk · Weissenhaus & Champions Mastermind