# llms.txt ist nur Schritt eins: die Architektur danach > llms.txt ist ein Inhaltsverzeichnis, kein Zielzustand. Warum strukturierte Fakten, Entitäten und Herkunftsnachweise den eigentlichen Unterschied machen. llms.txt ist im Kern nichts weiter als ein Inhaltsverzeichnis auf Markdown-Dateien — ein Ausgangspunkt, kein Zielzustand. Das schreibt Duane Forrester, fast 30 Jahre in der Suchbranche und während seiner Zeit bei Bing am Start von Schema.org beteiligt, in einem viel beachteten Artikel bei Search Engine Journal. Wer llms.txt einmal anlegt und die Sache für erledigt hält, hat den leichtesten Teil der Aufgabe gelöst — und den größeren übersehen. ## Was llms.txt tatsächlich ist llms.txt ist eine schlanke Datei im Root deiner Website, die KI-Systemen die wichtigsten Inhalte als aufgeräumte Linkliste anbietet — ohne Navigation, Werbung oder Skript-Ballast drumherum. Das ist nützlich: Ein KI-Agent findet schneller, was zählt, statt sich durch HTML zu wühlen. Aber ein Inhaltsverzeichnis erklärt nicht, wie deine Produkte zusammenhängen, welche Leistung zu welcher Zielgruppe gehört oder welche Aussage noch aktuell ist und welche veraltet. Genau das ist laut Forrester die eigentliche Lücke: Die meisten Website-Architekturen wurden nie dafür gebaut, KI-Systemen sauberen, autoritativen Zugriff auf Markeninformationen zu geben — llms.txt ändert daran wenig, wenn darunter weiter dieselbe unstrukturierte Basis liegt. ## Die Architektur, die danach kommt Forrester skizziert, was auf das Inhaltsverzeichnis folgen muss, wenn eine KI dich wirklich zuverlässig verstehen soll: - **Strukturierte Fakten (JSON-LD).** Präzises, maschinenlesbares Markup für Organisation, Leistungen und Bewertungen — nicht als Pflichtübung, sondern mit tatsächlich korrekten Attributen. - **Beziehungen zwischen Entitäten.** Wie hängt eine Leistung mit einer Kategorie, einem Anwendungsfall oder einer anderen Leistung zusammen? Ohne diese Verknüpfung bleiben selbst gut ausgezeichnete Fakten isolierte Inseln statt eines Netzes. - **Programmatischer Zugriff auf Inhalte.** Versionierte Schnittstellen für FAQ, Dokumentation und Spezifikationen — in die Richtung, die Standards wie das Model Context Protocol (MCP) inzwischen vorgeben. - **Herkunftsnachweise.** Zeitstempel, Autorenschaft und nachvollziehbare Quellen an jeder Aussage, die eine KI zitieren könnte — sonst bleibt jede Aussage unverifizierbar. Der Punkt dahinter, in Forresters Worten sinngemäß: Diese Infrastruktur macht aus deinem Inhalt nicht länger „etwas, das die KI irgendwo gelesen hat", sondern etwas Überprüfbares. ## Warum das für den Projekterfolg zählt Für Entscheider ist die praktische Frage nicht, ob llms.txt schadet — das tut es nicht, es kostet kaum etwas und kann nicht falsch verstanden werden. Die Frage ist, ob eine einzelne Datei ausreicht, damit eine KI deinen Betrieb korrekt und vollständig wiedergibt, wenn jemand danach fragt. Sie reicht nicht. Ohne strukturierte Fakten, Entitäten-Klarheit und nachvollziehbare Herkunft bleibt eine KI auf Vermutungen angewiesen — und Vermutungen sind die Quelle der meisten Fehlzitate, veralteten Angaben und falsch zugeordneten Leistungen, die einem Betrieb in einer KI-Antwort passieren können. Der Aufwand für die vollständige Architektur ist überschaubar, wenn er von Anfang an mitgedacht wird — und teuer, wenn er nachträglich auf eine gewachsene Website aufgesetzt werden muss. Genau deshalb baut btlabs Core diese Ebene als Grundzustand: JSON-LD, Entitäten-Verknüpfung und ein MCP-Endpunkt entstehen aus derselben Datenbasis wie die menschliche Website, nicht als separater Zusatzschritt, der irgendwann nachgezogen wird. Eine Quelle der Wahrheit, zwei Ausgabe-Ebenen — für Menschen und für Maschinen gleichzeitig gepflegt. ## Ehrlich eingeordnet Kein großer KI-Anbieter hat sich verpflichtet, llms.txt oder eine bestimmte Architektur dahinter formal zu honorieren — die Standards rund um KI-Sichtbarkeit entwickeln sich noch. Das ist kein Grund zu warten, sondern ein Grund, auf die günstigen, robusten Bausteine zu setzen: Eine korrekte Datenbasis mit strukturierten Fakten nützt dir unabhängig davon, welcher KI-Anbieter sie morgen wie stark gewichtet. Sie ist außerdem dieselbe Arbeit, die klassische Auffindbarkeit ohnehin voraussetzt — sauber benannte Entitäten, konsistente Angaben, nachvollziehbare Quellen. Wer hier investiert, verliert im schlechtesten Fall nichts und gewinnt im wahrscheinlichsten Fall eine Antwort, die stimmt, wenn jemand danach fragt. ## Die Handlungsempfehlung Lege llms.txt an, wenn du sie noch nicht hast — der Aufwand ist gering. Aber behandle sie als das, was sie ist: ein erster, kleiner Baustein, nicht der Abschluss der Aufgabe. Die eigentliche Arbeit liegt in einer Datenbasis, aus der sich strukturierte Fakten, Entitäten-Beziehungen und Herkunftsnachweise automatisch speisen — für jede Leistung, jede Seite, jede Sprache, konsistent gepflegt statt einmalig angelegt. Wer dort ansetzt, sorgt dafür, dass eine KI, die nach einem Betrieb wie deinem gefragt wird, eine korrekte Antwort geben kann statt einer geratenen. Wie viel diese Granularität konkret ausmacht, haben wir in [2,3× mehr KI-Zitate: was granulare Struktur bringt](https://btlabs.dev/de/posts/granulare-struktur-mehr-ki-zitate) nachgerechnet. Willst du wissen, wo dein digitales Fundament in dieser Architektur gerade steht? [Nimm Kontakt auf](https://btlabs.dev/de/kontakt) — wir schauen es uns gemeinsam an. ## Quelle - **"Llms.txt Was Step One. Here's The Architecture That Comes Next"** — Duane Forrester, Search Engine Journal, 2026. [searchenginejournal.com](https://www.searchenginejournal.com/llms-txt-was-step-one-heres-the-architecture-that-comes-next/570925/) --- Source: https://btlabs.dev/de/posts/llms-txt-ist-nur-schritt-eins Last-Modified: 2026-08-03T10:41:15.139Z Languages: [it](https://btlabs.dev/llms/it/posts/llms-txt-solo-il-primo-passo) · [en](https://btlabs.dev/llms/en/posts/llms-txt-is-only-step-one) See also: [llms.txt](https://btlabs.dev/llms.txt) · [ai.txt (Policy)](https://btlabs.dev/ai.txt) · [identity.json](https://btlabs.dev/identity.json)