llms.txt
Die llms.txt ist eine vorgeschlagene Textdatei im Wurzelverzeichnis einer Website, die KI-Crawler und Sprachmodelle auf die Seiten und Fakten verweist, die ein Shop für die wichtigsten hält, geschrieben in Markdown, damit ein Modell sie lesen kann, ohne das vollständige HTML jeder Seite zu verarbeiten.
Die Idee ist schlicht: Statt ein Modell durch Navigation, Skripte und Standardbausteine waten zu lassen, übergibst du ihm eine kuratierte Karte deiner besten Inhalte mit kurzen Beschreibungen und Links. Das Format ist bewusst einfach gehalten. Eine Überschrift benennt die Website, ein oder zwei Sätze beschreiben, was sie tut, und eine Liste von Links gruppiert die lesenswerten Seiten, jede mit einer einzeiligen Zusammenfassung. Es greift den Geist von robots.txt und sitemap.xml auf, ist aber ein Community-Vorschlag und kein vereinbarter Standard, und kein großer KI-Anbieter hat bestätigt, dass es ändert, wie seine Systeme crawlen, ranken oder zitieren.
Ehrlich gelesen ist die llms.txt günstig auszuliefern und hat heute kaum messbare Wirkung. Die großen Antwortmaschinen bauen ihr Verständnis aus Seiten auf, die sie ohnehin abrufen, und aus der Bestätigung über das weitere Web hinweg, nicht aus einer selbst deklarierten Datei, die jeder Shop mit Marketing-Aussagen füllen könnte. Sie als Ranking-Hebel zu behandeln, ist ein Fehlschluss. Sie als günstige Hygiene zu behandeln, die später vielleicht zählt, sobald sich Werkzeuge und Konventionen gesetzt haben, ist die faire Position.
Nimm einen Shopify-Händler, der Merino-Funktionswäsche verkauft. Er veröffentlicht die llms.txt im Wurzelverzeichnis des Shops und listet seinen Größenratgeber, seine Pflegehinweise und drei seiner besten Produktseiten auf, jede mit einer kurzen Beschreibung wie "Leichtes Rundhalsshirt mit 150 g/m², Größen XS bis XXL". Das ist ordentlich und kostenlos zu pflegen. Was es für sich allein nicht leisten wird, ist ChatGPT oder Perplexity dazu zu bringen, die Marke zu empfehlen, wenn jemand nach warmer Funktionswäsche für den Winter fragt. Diese Systeme gewichten die echten Produktseiten, die Bewertungen darauf und das, was unabhängige Seiten und Foren sagen, nicht die Selbstbeschreibung des Händlers.
Für die KI-Suche und Antwortmaschinen zählt die Datei vor allem als Signal der Absicht, nicht als Quelle der Wahrheit. Ein Modell kann eine Selbstbeschreibung lesen, hat aber allen Grund, Aussagen einer Marke über sich selbst zu entwerten und Belegen den Vorzug zu geben, die es anderswo bestätigen kann. Diese Asymmetrie ist der Kern dessen, wie Google AI Overviews, Perplexity und ähnliche Werkzeuge entscheiden, was sie zitieren: Sie belohnen Fakten, die über mehrere Quellen hinweg standhalten, nicht Behauptungen, die unter einem bekannten Pfad abgelegt sind.
Was KI-Zitate tatsächlich antreibt, ist nüchterner: saubere, crawlbare Seiten, klare und konkrete Antworten weit oben auf jeder einzelnen, strukturierte Daten dort, wo sie passen, und dieselben Fakten, bestätigt durch unabhängige Quellen, denen ein Modell bereits vertraut. Bewertungen sind eine der stärksten Formen dieser Bestätigung, denn sie sind Kundensprache über das Produkt, direkt auf der Produktseite, von vielen Käufern wiederholt. Vorhandene Bewertungen lesbar, indexierbar und für Suche und KI zitierbar zu machen, ist die Lücke, die BeyondReviews schließt, und das bringt für die Sichtbarkeit weit mehr als jede einzelne Textdatei im Wurzelverzeichnis. Liefere die llms.txt aus, wenn dir die Ordnung gefällt, und stecke die eigentliche Arbeit dann in die Seiten und Belege, die ein Modell überprüfen kann.